إصلاح أخطاء التخطيط غير المتوقعة في Altair لتصورات Python

استكشاف مشكلات عرض قطعة الأرض وإصلاحها في Altair

Altair هي مكتبة تصورية تعريفية شائعة في لغة بايثون، وهي معروفة بشكل خاص بأكوادها الموجزة والأنيقة. ومع ذلك، حتى مع أبسط مجموعات البيانات، يمكن أن تحدث أخطاء، مما يؤدي إلى مشكلات غير متوقعة في العرض. تتضمن إحدى هذه المشكلات رسم البيانات الجغرافية المكانية باستخدام قيم خطوط الطول والعرض العشوائية.

في هذه المقالة، سنستكشف مشكلة محددة تمت مواجهتها أثناء رسم تصور يشبه الخريطة في Altair. على الرغم من أن الكود يبدو صحيحًا، إلا أن الإخراج في VSCode ينتج عنه خطأ غريب يصعب استكشافه وإصلاحه. الهدف هو فهم سبب حدوث ذلك وكيفية حلها.

تتضمن مجموعة البيانات المستخدمة إحداثيات خطوط الطول والعرض، إلى جانب معلومات إضافية مثل عدد الأشهر والقسائم. بينما تبدو البيانات منظمة بشكل جيد، يتم عرض المخطط بشكل غير صحيح، على الرغم من استخدام المعلمات التي تبدو مناسبة. يؤدي هذا إلى إنشاء حاجز أمام المستخدمين الذين يحاولون تصور البيانات بشكل صحيح.

من خلال تحليل مفصل للتعليمات البرمجية وأنواع البيانات المعنية، سنحدد السبب الجذري للخطأ ونقدم إرشادات خطوة بخطوة حول كيفية إصلاح مشكلة تخطيط Altair هذه. سواء كنت جديدًا في مجال تصور البيانات أو مستخدمًا متمرسًا، سيساعدك هذا الدليل على تجنب الأخطاء الشائعة.

فهم واستكشاف أخطاء تخطيط Altair وإصلاحها

في المثال أعلاه، نستخدم Altair لرسم نقاط البيانات الجغرافية المكانية على تصور يشبه الخريطة، باستخدام قيم خطوط الطول والعرض التي تم إنشاؤها عشوائيًا. الغرض الأساسي من هذا التصور هو إظهار القسائم الموزعة على أشهر مختلفة، باستخدام معلمات مختلفة مثل حجم العلامات لتمثيل عدد القسائم. أحد التحديات الرئيسية التي تتم مواجهتها عند رسم مثل هذه البيانات هو التأكد من أن النقاط المتداخلة (لخطوط الطول والعرض القريبة) لا تسبب فوضى في المخطط، ولهذا السبب تم تقديم الارتعاش.

يبدأ البرنامج النصي بإنشاء بيانات خطوط الطول والعرض العشوائية باستخدام numpyوظائف الرقم العشوائي. تحاكي هذه الوظائف البيانات الجغرافية وبالتزامن مع الباندا، يتم تنظيم هذه البيانات في DataFrame لسهولة التعامل معها. باستخدام علامة_دائرة () في Altair، يتم تمثيل كل نقطة بيانات بشكل مرئي على شكل دائرة على الخريطة. يتم تحديد حجم الدوائر باستخدام البديل.الحجم () التشفير، الذي يقيسها وفقًا لعدد القسائم لكل موقع، مما يساعد المشاهد على تفسير الكمية المرتبطة بكل نقطة بيانات بسهولة.

ومع ذلك، هناك مشكلة شائعة وهي أن نقاط البيانات ذات الإحداثيات المتقاربة أو المتطابقة يمكن أن تتداخل، مما يجعل التصور أقل وضوحًا. لحل هذه المشكلة، يقدم النهج الثاني الارتعاش، حيث يتم تطبيق إزاحة عشوائية صغيرة على كل من قيم خطوط الطول والعرض. وهذا يجعل كل نقطة مختلفة قليلاً ويساعد على تجنب التداخل. من خلال إضافة القيم المتوترة كحقول جديدة في DataFrame، يمكن لـ Altair رسم هذه الإحداثيات المعدلة بدلاً من الإحداثيات الأصلية، مما يضمن تصورًا أكثر قابلية للقراءة دون التضحية بدقة البيانات.

يتضمن البرنامج النصي أيضًا اختبارات الوحدة باستخدام com.unittest مكتبة للتحقق من وظيفة رمز التآمر. تتحقق حالة الاختبار مما إذا كان قد تم إنشاء مخطط Altair بشكل صحيح وما إذا كان منطق الارتعاش يعمل كما هو متوقع. ويضمن هذا المزيج من التصور والاختبار أن الحل ليس فعالاً من الناحية البصرية فحسب، بل أيضًا موثوقًا وقابلاً للصيانة على المدى الطويل. إضافة تلميحات الأدوات إلى المخطط يعزز سهولة الاستخدام من خلال توفير معلومات مفصلة حول كل نقطة عند التمرير، مما يمنح المستخدمين طريقة سريعة لفحص البيانات الأساسية.

import altair as alt
import pandas as pd
import numpy as np
# Generate random data for plottinglats = np.random.uniform(51.5, 51.6, 100)
lons = np.random.uniform(-0.1, 0.1, 100)
months = np.arange(1, 13)
vouchers = np.random.randint(1, 100, 100)
# Create DataFrametest_df = pd.DataFrame({'lat': lats, 'lon': lons, 'month': np.random.choice(months, 100), 'vouchers': vouchers})
# Plot using Altair with correct encodingchart = alt.Chart(test_df).mark_circle().encode(
    longitude='lon:Q',
    latitude='lat:Q',
    size='vouchers:Q',
    color='month:N',
    tooltip=['lat', 'lon', 'vouchers']
)
chart.show()

import altair as alt
import pandas as pd
import numpy as np
# Adding jitter to avoid overlapping points
test_df['lat_jittered'] = test_df['lat'] + np.random.uniform(-0.001, 0.001, len(test_df))
test_df['lon_jittered'] = test_df['lon'] + np.random.uniform(-0.001, 0.001, len(test_df))
# Plot with jittered coordinateschart_jittered = alt.Chart(test_df).mark_circle().encode(
    longitude='lon_jittered:Q',
    latitude='lat_jittered:Q',
    size=alt.Size('vouchers:Q', scale=alt.Scale(range=[0, 1000]), legend=None),
    color=alt.value('blue'),
    tooltip=['lat_jittered', 'lon_jittered', 'vouchers']
)
chart_jittered.show()

import unittest
import altair as alt
import pandas as pd
import numpy as np
class TestAltairPlots(unittest.TestCase):
    def setUp(self):
        self.test_df = pd.DataFrame({'lat': np.random.uniform(51.5, 51.6, 100),
                                     'lon': np.random.uniform(-0.1, 0.1, 100),
                                     'vouchers': np.random.randint(1, 100, 100)})
    def test_plot_creation(self):
        chart = alt.Chart(self.test_df).mark_circle().encode(
            longitude='lon:Q', latitude='lat:Q', size='vouchers:Q')
        self.assertTrue(chart is not None)

if __name__ == '__main__':
    unittest.main()

استكشاف مرونة Altair في تصور البيانات

أحد الجوانب المهمة للعمل مع Altair هو قدرته على التعامل بسلاسة مع مجموعات البيانات المعقدة مع الحفاظ على نهج بسيط وتصريحي لتصور البيانات. يستخدم ألتير فيجا لايت القواعد النحوية، والتي تتيح للمستخدمين إنشاء تصورات تفاعلية عن طريق تعيين حقول البيانات إلى الخصائص المرئية مثل اللون والحجم والشكل. وهذا يجعل Altair أداة قوية لإنشاء تصورات ثاقبة بسرعة من البيانات الأولية، خاصة في الحالات التي تتضمن تخطيطًا جغرافيًا أو فئات متعددة.

ميزة أخرى مهمة لـ Altair هي دعمها لـ التفاعلية. باستخدام الوظائف المضمنة مثل التحديدات، يمكن للمستخدمين تصفية البيانات وتمييزها بسهولة على المخطط. يعد هذا مفيدًا للغاية لاستكشاف البيانات الجغرافية المكانية، حيث يمكن أن يوفر تحديد منطقة أو إطار زمني معين رؤى أعمق. يتيح التفاعل أيضًا للمستخدمين إمكانية التعمق في البيانات من خلال دمجها التحديدات مع التحويلات، مما يجعل من الممكن إضافة عناصر ديناميكية مثل عناصر التحكم في التكبير/التصغير أو التحريك، أو تلميحات الأدوات المخصصة.

عند التعامل مع المرئيات المعقدة، مثل الخريطة التي ناقشناها، من الضروري إدارة الأخطاء المحتملة أو مشكلات العرض. في بعض الأحيان، تأتي هذه الأخطاء من ترميز بيانات غير صحيح أو أنواع بيانات غير مدعومة. التأكد من أن البيانات التي يتم رسمها هي من النوع الصحيح (على سبيل المثال، كمية للقيم العددية أو الاسمي للقيم الفئوية) أمر بالغ الأهمية لإنتاج تصورات دقيقة. التعامل مع تنسيقات البيانات وإضافتها بشكل صحيح معالجة الأخطاء في البرامج النصية الخاصة بك يمكن أن يوفر الكثير من الوقت والجهد في تصحيح الأخطاء.