Media Pengembangan Web & App | by APPKEY

Pembuatan WebsiteBackendTutorial Membuat Visualisasi Data Dengan Phyton dan Seaborn

Tutorial Membuat Visualisasi Data Dengan Phyton dan Seaborn

-

Visualisasi data merupakan sebuah teknik yang membantu ilmuwan data mengubah data mentah menjadi informasi yang ditampilkan secara grafik sehingga menghasilkan wawasan berharga. Diagram yang disajikan membantu mengurangi kerumitan informasi yang ada dan membuatnya lebih mudah dipahami oleh para pengguna yang masih awam.

Ada banyak alat untuk membuat visualisasi data, seperti Tableau, Power BI, ChartBlocks, dan lainnya, yang merupakan alat tanpa kode. Mereka merupakan tools yang banyak digemari oleh para pengembang

Namun, ketika bekerja dengan data mentah yang memerlukan adanya perubahan data dan tempat penyimpanan data yang tepat, Python merupakan pilihan yang terbaik.

Walaupun dalam penerapannya lebih rumit karena membutuhkan pengetahuan mendalam mengenai python, Python memberikan kemungkinan bagi Anda untuk melakukan manipulasi, perubahan, dan visualisasi data Anda. Yang tentunya hal ini sangat ideal untuk ilmuwan data.

Ada banyak sebab mengapa phyton menjadi pilihan terbaik untuk pengembangan ilmu data, dan salah satu alasan paling penting ialah ekosistem perpustakaannya. Adanya banyak pustaka besar yang tersedia untuk bahasa phyton yang dikhususkan untuk mengolah data seperti matplotlib, panda, numpy, dan tensorflow

Matplotlib adalah perpustakaan grafik yang paling dikenal di luar sana, yang menyediakan untuk bahasa Python dan bahasa pemrograman lainnya seperti R. Ini adalah tingkat penyesuaian dan pengoperasian yang mengaturnya sejak awal. Namun, beberapa tindakan atau penyesuaian mungkin sulit ditangani saat menggunakannya.

Developer membangun sebuah perpustakaan baru yang di dasarkan pada matplotlib yang disebut seaborn.

Pada artikel ini, kita akan fokus pada cara bekerja dengan Seaborn untuk membuat plot terbaik di kelasnya.

Apa itu Seaborn?

Seaborn adalah library untuk membuat visualisasi data grafik statistik dengan Python.

Desain Seaborn memungkinkan Anda menjelajahi dan memahami data Anda dengan cepat. Cara kerja Seaborn adalah dengan menangkap keseluruhan kerangka data atau informasi yang berisikan keseluruhan data Anda dan menjalankan semua fungsi internal yang diperlukan untuk melakukan kegiatan pemetaan semantik dan agregasi statistik di mana hal itu bertujuan untuk mengubah data menjadi plot informatif.

Ini memberikan abstraksi yang kompleks bersamaan dengan ketika Anda merancang grafik Anda sesuai dengan kebutuhan Anda.

Artikel Terkait  Belajar Komputasi Terdistribusi dengan Hadoop | Framework Big Data

Memasang Seaborn

data-visualisasi

Menginstal seaborn semudah menginstal satu pustaka menggunakan pengelola paket Python favorit Anda. Ketika Anda menginstal seaborn, perpustakaan akan secara otomatis menginstal dependensi, termasuk Panda, numpy, matplotlib, dan scipy.

Mari kita instal seaborn, dan tentu saja, juga notebook paket untuk mendapatkan akses ke playground data.

pipenv install seaborn notebook

Selain itu, kita akan mengimpor beberapa modul sebelum memulai.

import seaborn as sns

import panda as pd

import numpy as np

import matplotlib

Membangun Latar pertama Anda

Sebelum kita dapat mulai merencanakan visualisasi data apapun, kita membutuhkan data. Keuntungan dari seaborn adalah bahwa ia bekerja langsung dengan panda dataframes, sehingga super nyaman. Terlebih lagi, pustaka dilengkapi dengan beberapa set data bawaan yang sekarang dapat Anda muat dari kode, tidak perlu mengunduh file secara manual.

Mari kita perhatikan bagaimana cara kerjanya dengan menginputkan kumpulan data berikut yang memuat informasi tentang penerbangan.

flights_data = sns.load_dataset(“flights”)flights_data.head()

tahun bulan penumpang
1 2021 Jan 112
2 2021 Feb 118
3 2021 Maret 132
4 2021 Apr 129
5 2021 Mei 121

Semua keajaiban terjadi saat memanggil fungsi load_dataset, yang mengharapkan nama data dimuat dan mengembalikan kerangka data. Semua set data ini tersedia di repositori GitHub .

Plot Sebar

Scatter plot atau plot sebar adalah diagram yang menampilkan titik-titik berdasarkan dua dimensi dataset. Membuat plot grafik yang tersebar di perpustakaan seaborn sangatlah sederhana dan mudah hanya dengan satu baris kode.

sns.scatterplot(data=flights_data, x=”tahun”, y=”tamu”)

Sangat mudah bukan? Fungsi ini scatterplotmengharapkan dataset yang ingin kita plot dan kolom yang mewakili sumbu xdan y.

Plot Garis

Grafik plot ini menampilkan garis yang mewakili perubahan data secara kontinu maupun kategorikal. Grafik ini adalah jenis bagan yang populer dan terkenal, serta dalam pembuatannya sangat mudah dibuat. Sama dengan contoh sebelumnya, kita akan menggunakan fungsi lineplot dengan menginputkan dataset serta kolom yang dalam hal ini diwakili oleh sumbu x dan y. Dan Seaborn akan melakukan sisanya.

sns.lineplot(data=flights_data, x=”tahun”, y=”tamu”)

Plot Batang

Ini mungkin jenis bagan yang paling terkenal, dan seperti yang telah Anda perkirakan, kita dapat memplot jenis plot ini dengan seaborn cara yang sama seperti yang kita lakukan untuk garis dan plot sebar dengan menggunakan fungsi barplot.

sns.barplot(data=flights_data, x=”tahun”, y=”tamu”)

Memperluas dengan matplotlib

Seaborn dibangun di atas matplotlib, memperluas fungsionalitasnya dan mengabstraksi kompleksitasnya. Dengan demikian, itu tidak membatasi kemampuannya. Setiap seaborn visualisasi data grafik dapat disesuaikan menggunakan fungsi dari matplotlib perpustakaan.

Hal ini tentunya dapat berguna untuk menjalankan operasi tertentu dan memberikan kemungkinan bahwa seaborn memanfaatkan kekuatan matplotlib tanpa perlu menulis kembali semua fungsinya.

Katakanlah Anda, misalnya, ingin memplot beberapa grafik secara bersamaan menggunakan seaborn; maka Anda dapat menggunakan subplotfungsi dari matplotlib.

diamonds_data = sns.load_dataset(‘diamonds’)plt.subplot(1, 2, 1)sns.countplot(x=’carat’, data=diamonds_data)plt.subplot(1, 2, 2)sns.countplot(x=’depth’, data=diamonds_data)

Dengan menggunakan subplotfungsi tersebut, kita dapat menggambar lebih dari satu grafik pada satu plot.

Kami merender seaborn bagan di setiap subplot, mencampur matplotlib dengan seaborn fungsi.

Artikel Terkait  Anda Seorang Backend Developer? Coba Pakai Bahasa Pemrograman Ini Yuk!

Seaborn menggunakan Panda

Kami akan memberitahukan hal ini bahwa seaborn sangat menyukai panda sehingga semua fungsinya dibangun di atas panda kerangka data.

Sejauh ini, kami telah melihat contoh penggunaan seaborn yang menggunakan data yang telah dimuat sebelumnya, tetapi bagaimana jika kami hendak menampilkan gambar plot dari data yang telah di inputkan menggunakan panda sebelumnya?

drinks_df = pd.read_csv(“data/drinks.csv”)sns.barplot(x=”country”, y=”beer_servings”, data=drinks_df)

Membuat plot yang indah dengan gaya

Seaborn memberi Anda kemampuan untuk mengubah antarmuka grafik Anda, dan ini menyediakan lima gaya berbeda di luar kotak: darkgrid , whitegrid , dark , white , dan ticks .

sns.set_style(“darkgrid”)sns.lineplot(data = data, x = “tahun”, y = “tamu”)

Ini contoh lainnya

sns.set_style(“whitegrid”)sns.lineplot(data=flights_data, x=”tahun”, y=”tamu”)

Dengan contoh kasus

Kita tahu dasar-dasarnya seaborn, sekarang mari kita praktikkan dengan membuat beberapa bagan di atas kumpulan data yang sama. Dalam kasus ini, kita akan menggunakan “tips” set data yang dapat Anda unduh langsung menggunakan seaborn.

Pertama, muat kumpulan data.

tips_df = sns.load_dataset(‘tips’)tips_df.head()

total_bill tip Jenis kelamin Take Away hari waktu ukuran
1 200.000 20.000 Perempuan Tidak Minggu Makan malam 2
2 150.000 10.000 Pria Tidak Minggu Makan malam 3
3 500.000 50.000 Pria Tidak Minggu Makan malam 3
4 300.000 25.000 Pria Tidak Minggu Makan malam 2
5 800.000 100.000 Perempuan Tidak Minggu Makan malam 4

 

Kita akan mencetak beberapa baris pertama dari kumpulan data untuk menampilkan kolom dan datanya sendiri. Jadi, kita akan menggunakan beberapa panda fungsi untuk memperbaiki beberapa masalah data seperti null nilai dan menambahkan informasi ke kumpulan data yang mungkin berguna.

Mari buat kolom tambahan ke kumpulan data dengan persentase yang mewakili jumlah tip di atas total tagihan.

tips_df[“tip_percentage”] = tips_df[“tip”] / tips_df[“total_bill”]tips_df.head()

Sekarang bingkai data kita akan terlihat seperti berikut:

total_bill tip Jenis kelamin Take Away hari waktu ukuran tip_percentage
1 200.000 20.000 Perempuan Tidak Minggu Makan malam 2 0,05
2 150.000 10.000 Pria Tidak Minggu Makan malam 3 0,16
3 500.000 50.000 Pria Tidak Minggu Makan malam 3 0,16
4 300.000 25.000 Pria Tidak Minggu Makan malam 2 0,14
5 800.000 100.000 Perempuan Tidak Minggu Makan malam 4 0,14

 

Selanjutnya, kita bisa mulai merencanakan beberapa grafik.

Memahami persentase tip

Mari kita coba dulu untuk memahami distribusi persentase tip. Untuk itu, kita dapat menggunakan histplotgrafik histogram yang akan dihasilkan.

sns.histplot(tips_df[“tip_percentage”], binwidth=0.05)

Itu bagus, kita harus menyesuaikan binwidth properti agar lebih mudah dibaca, tetapi sekarang kita dapat dengan cepat menghargai pemahaman kami tentang data.

Sebagian besar pelanggan akan memberi tip antara 15 hingga 20%, dan kita memiliki beberapa kasus edge di mana tipnya lebih dari 70%. Nilai-nilai itu adalah anomali, dan selalu layak untuk ditelusuri untuk menentukan apakah nilainya salah atau tidak.

Menarik juga untuk mengetahui apakah persentase tip berubah tergantung pada momen hari itu,

sns.histplot(data=tips_df, x=”tip_percentage”, binwidth=0.05, hue=”time”)

Kali ini kita akan memuat grafik dengan kumpulan data lengkap, bukan hanya satu kolom, lalu kita juga perlu menyetel properti hueke kolom time. Ini akan memaksa bagan untuk menggunakan warna berbeda untuk setiap nilai timedan menambahkan legenda padanya.

Artikel Terkait  Meta Deskripsi Dan Manfaatnya Dalam Pengembangan Situs Web

Total tip per hari dalam seminggu

Matrix yang menarik lainnya adalah contoh di bawah ini yang bertujuan untuk mengetahui berapa banyak uang yang didapat dari tip yang diharapkan oleh personel tergantung pada hari dalam satu minggu.

sns.barplot(data=tips_df, x=”day”, y=”tip”, estimator=np.sum)

Dampak ukuran tabel dan hari di ujung

Terkadang kita ingin memahami bagaimana variabel bermain bersama untuk menentukan keluaran. Misalnya, diumpamakan apabila suatu hari dalam seminggu dan bagaimana ukuran tabel memberikan pengaruh pada persentase tip?

Untuk menggambar diagram berikutnya, kita akan menggabungkan pivot fungsi panda untuk memproses informasi terlebih dahulu dan kemudian menggambar diagram peta panas.

pivot = tips_df.pivot_table(    index=[“day”],    columns=[“size”],    values=”tip_percentage”,    aggfunc=np.average)sns.heatmap(pivot)

Kesimpulan

Pembahasan kali ini cukup bagi pemula yang baru belajar membuat grafik dengan seaborn. Tentu saja, masih banyak lagi metode dalam menampilkan visualisasi data yang dapat Anda lakukan dengan seaborn. Kami harap Anda menikmati artikel ini seperti kami menikmati menulis informasi ini.

Terima kasih sudah membaca artikel-artikel dari Web App!


Jasa Pembuatan Aplikasi, Website dan Internet Marketing | PT APPKEY
PT APPKEY adalah perusahaan IT yang khusus membuat aplikasi Android, iOS dan mengembangkan sistem website. Kami juga memiliki pengetahuan dan wawasan dalam menjalankan pemasaran online sehingga diharapkan dapat membantu menyelesaikan permasalahan Anda.

Jasa Pembuatan Aplikasi

Jasa Pembuatan Website

Jasa Pembuatan Paket Aplikasi

Jasa Pembuatan Internet Marketing

Subscribe Sekarang

Dapatkan beragam informasi menarik tentang Website, Aplikasi, Desain, Video dan API langsung melalui email Anda. Subscribe sekarang dan terus belajar bersama kami!

Kategori

Blog Post Ranking 10

Rekomendasi 10 Aplikasi Pembuat Animasi 3D Terbaik. Ayo Cek!

Apakah Anda bercita-cita untuk menjadi seorang animator profesional? Belajar membuat animasi kini sudah menjadi hal mudah yang bisa dilakukan...

Cara Mudah Menambahkan Lokasi Alamat Bisnis Anda di Google Maps

Saat ingin hunting tempat makan atau tempat nongkrong terbaru, tak jarang beberapa dari Anda biasanya mendapatkan informasi terkini melalui...

Encoding Adalah : Proses Komunikasi Encoding dan Decoding

Jika kita dapat melihat percakapan antar komputer, mungkin akan terlihat seperti ini: "010110111011101011010010110". Bahasa ini disebut dengan biner, encoding...

Metadata Adalah? Fungsi dan Jenis-Jenis Metadata

Pernah mendengar istilah metadata? Mungkin, kita sering mendengar istilah metadata. Tetapi, banyak dari kita yang belum tahu arti dari metadata...

Cara Membuat Aplikasi di Playstore dengan Mudah

Membuat aplikasi di Playstore bisa Anda lakukan dengan mudah. Terdapat beberapa situs yang bisa membantu Anda untuk membuat aplikasi...

Pengertian Internet & Dampak Positif dan Negatif Internet

Internet mungkin bukan sesuatu yang asing lagi, sebab semua kalangan pasti tahu apa itu internet. Hanya saja jika ditanya...

10 Aplikasi Coding Android Terbaik

Ketersediaan aplikasi coding Android memang banyak dicari oleh orang-orang yang sedang atau akan memulai untuk membuat aplikasi android. Jika...

Domain Google? Apa Bedanya Dengan Domain Biasa?

Saat memutuskan untuk membuat website menjadi salah satu bentuk media digital marketing Anda dalam bersaing di zaman digital ini,...

7 Aplikasi Membuat Aplikasi Android Secara Offline

Aplikasi membuat aplikasi android saat ini banyak dicari penekun IT untuk membuat aplikasi Android secara offline tanpa harus menggunakan...

Looping Adalah Algoritma Perulangan: Berikut Contohnya

Jika anda sudah mendalami atau sedang mendalami dunia pemrograman terdapat sebuah konsep yang dapat memudahkan anda dalam menyusun struktur...

Bisnis

Online Service

Peluang Bisnis

Model Bisnis

Entrepreneurship

Uang

Ketrampilan

Outsourcing

Monetize

Pemasaran

SEO

Internet Marketing

Dasar Pemasaran

Strategi Pemasaran

Situs Web Analitik

Iklan

Teknologi

Teknologi Terbaru

AI

Komputer

Jaringan

Paling Sering dibaca
Mungkin Anda Menyukainya