Ootamatute joonistamisvigade parandamine Altairis Pythoni visualisatsioonide jaoks

Plot Display probleemide tõrkeotsing Altairis

Altair on Pythonis populaarne deklaratiivne visualiseerimise teek, mis on eriti tuntud oma sisutihe ja elegantse koodi poolest. Kuid isegi kõige lihtsamate andmekogumite puhul võib esineda vigu, mis võivad põhjustada ootamatuid kuvamisprobleeme. Üks selline probleem hõlmab georuumiliste andmete joonistamist juhuslike laius- ja pikkuskraadide väärtuste abil.

Selles artiklis uurime konkreetset probleemi, mis ilmnes Altairis kaardilaadse visualiseerimise joonistamisel. Kuigi kood tundub õige, tekitab VSCode väljund kummalise vea, mida on raske tõrkeotsingut teha. Eesmärk on mõista, miks see juhtub ja kuidas seda lahendada.

Kasutatav andmestik sisaldab laius- ja pikkuskraadi koordinaate ning lisateavet, nagu kuu ja kupongide arv. Kuigi andmed näivad olevat hästi struktureeritud, renderdatakse diagramm valesti, hoolimata näiliselt sobivate parameetrite kasutamisest. See loob teetõkke kasutajatele, kes üritavad andmeid õigesti visualiseerida.

Koodi ja kaasatud andmetüüpide üksikasjaliku analüüsi abil selgitame välja vea algpõhjuse ja anname samm-sammult juhised selle Altairi joonistamisprobleemi lahendamiseks. Olenemata sellest, kas olete andmete visualiseerimisega uustulnuk või kogenud kasutaja, aitab see juhend vältida levinud lõkse.

Altairi joonistamisvigade mõistmine ja tõrkeotsing

Ülaltoodud näites kasutame Altairi georuumiliste andmepunktide joonistamiseks kaarditaolisele visualiseerimisele, kasutades juhuslikult genereeritud laius- ja pikkuskraadi väärtusi. Selle visualiseerimise esmane eesmärk on näidata vautšereid, mis on jaotatud erinevate kuude peale, kasutades erinevaid parameetreid, nagu markerite suurus, et näidata vautšerite arvu. Üks peamisi väljakutseid selliste andmete joonistamisel on tagada, et kattuvad punktid (lähedaste laius- ja pikkuskraadide puhul) ei segaks diagrammi, mistõttu võetakse kasutusele värin.

Skript algab juhuslike laius- ja pikkuskraadiandmete genereerimisega tuimjuhuslike arvude funktsioonid. Need funktsioonid simuleerivad geograafilisi andmeid ja koos pandad, on need andmed hõlpsaks käsitlemiseks korraldatud DataFrame'i. Kasutades mark_circle() Altairis on iga andmepunkt kaardil visuaalselt kujutatud ringina. Ringide suurus määratakse kasutades alt.Size() kodeering, mis skaleerib neid vastavalt vautšerite arvule asukoha kohta, aidates vaatajal hõlpsasti tõlgendada iga andmepunktiga seotud kogust.

Üks levinud probleem on aga see, et väga lähedaste või identsete koordinaatidega andmepunktid võivad kattuda, muutes visualiseerimise vähem selgeks. Selle lahendamiseks tutvustab teine ​​lähenemisviis värinat, kus nii laius- kui ka pikkuskraadi väärtustele rakendatakse väikest juhuslikku nihet. See muudab iga punkti veidi erinevaks ja aitab vältida kattumist. Lisades värinad väärtused DataFrame'i uute väljadena, saab Altair joonistada need muudetud koordinaadid algsete koordinaatide asemel, tagades loetavama visualiseerimise ilma andmete täpsust ohverdamata.

Skript sisaldab ka ühikuteste, kasutades ühiktest teek, et kontrollida joonistuskoodi funktsionaalsust. Testjuhtum kontrollib, kas Altairi diagramm on õigesti instantseeritud ja kas värinaloogika töötab ootuspäraselt. Selline visualiseerimise ja testimise kombinatsioon tagab, et lahendus pole mitte ainult visuaalselt efektiivne, vaid ka usaldusväärne ja pikas perspektiivis hooldatav. Lisamine näpunäiteid diagrammile suurendab veelgi kasutatavust, pakkudes üksikasjalikku teavet iga hõljutatud punkti kohta, andes kasutajatele kiire võimaluse alusandmete kontrollimiseks.

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()

Altairi paindlikkuse uurimine andmete visualiseerimisel

Üks Altairiga töötamise oluline aspekt on selle võime sujuvalt käsitleda keerulisi andmekogumeid, säilitades samas lihtsa ja deklaratiivse lähenemisviisi andmete visualiseerimisele. Altair kasutab Vega-Lite grammatika, mis võimaldab kasutajatel luua interaktiivseid visualiseerimisi, vastendades andmeväljad visuaalsete omadustega, nagu värv, suurus ja kuju. See muudab Altairi võimsaks tööriistaks toorandmetest kiirelt sisukate visualisatsioonide loomiseks, eriti juhtudel, kui tegemist on geograafilise graafiku või mitme kategooriaga.

Veel üks Altairi kriitiline omadus on selle tugi interaktiivsus. Sisseehitatud funktsioonide (nt valikud) abil saavad kasutajad hõlpsasti andmeid diagrammil filtreerida ja esile tõsta. See on äärmiselt kasulik georuumiliste andmete uurimiseks, kus konkreetse piirkonna või ajaraami valimine võib anda sügavama ülevaate. Interaktiivsus võimaldab kasutajatel ka andmeid kombineerides süveneda valikud teisendustega, mis võimaldab lisada dünaamilisi elemente, nagu suumi- või panoraami juhtnupud või kohandatud tööriistavihjed.

Kui käsitlete keerulisi visualiseerimisi, nagu kaart, mida arutasime, on oluline hallata võimalikke vigu või kuvamisprobleeme. Mõnikord on need vead tingitud valest andmete kodeeringust või toetamata andmetüüpidest. Veenduge, et joonistatavad andmed on õiget tüüpi (nt kvantitatiivne arvväärtuste jaoks või nominaalne kategooriliste väärtuste jaoks) on täpsete visualiseerimiste loomiseks ülioluline. Andmevormingute õige käsitlemine ja lisamine vigade käsitlemine oma skriptides säästavad silumisel märkimisväärselt aega ja vaeva.