Data Visualization (Plotly.express)

Table of Contents

• 1) พื้นฐานการสร้าง Data Visualization
• 1.1) การใช้งาน plotly.express
• 2) Customization
• 2.1) ปรับประเภทของ visualization
• 2.2) เพิ่ม channel ของ visualization
• 2.3) เลือกข้อมูลเพิ่มเติมก่อนสร้าง visualization
• 3) แหล่งเรียนรู้เพิ่มเติม

• โดยปกติแล้วเราอาจจะไม่คุ้นชินกับการอ่านข้อมูลขนาดใหญ่ๆ ด้วยตัวเอง
• การใช้ภาพหรือกราฟในการสรุปข้อมูลสามารถทำให้เราเห็นภาพรวมของข้อมูลได้ง่ายขึ้น
• การทำ data visualization จึงมีความสำคัญในการนำข้อมูลมาทำให้อยู่ในรูปแบบที่อธิบายต่อได้ง่ายขึ้น
• ทั้งนี้โปรแกรมในการทำ data visualization มีอยู่มากมายไม่ว่าจะเป็น Microsoft Excel, Google Sheets, หรืออื่นๆ
• แต่ในแลปนี้จะมาแนะนำวิธีการใช้ library plotly.express ในการทำ data visualization

1) พื้นฐานการสร้าง Data Visualization

top

เราจะเริ่มด้วยการใช้ข้อมูล gapminder ที่มีอยู่ใน library plotly.express

import plotly.express as px
df = px.data.gapminder()
df.head()

	country	continent	year	lifeExp	pop	gdpPercap	iso_alpha	iso_num
0	Afghanistan	Asia	1952	28.801	8425333	779.445314	AFG	4
1	Afghanistan	Asia	1957	30.332	9240934	820.853030	AFG	4
2	Afghanistan	Asia	1962	31.997	10267083	853.100710	AFG	4
3	Afghanistan	Asia	1967	34.020	11537966	836.197138	AFG	4
4	Afghanistan	Asia	1972	36.088	13079460	739.981106	AFG	4

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1704 entries, 0 to 1703
Data columns (total 8 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   country    1704 non-null   object 
 1   continent  1704 non-null   object 
 2   year       1704 non-null   int64  
 3   lifeExp    1704 non-null   float64
 4   pop        1704 non-null   int64  
 5   gdpPercap  1704 non-null   float64
 6   iso_alpha  1704 non-null   object 
 7   iso_num    1704 non-null   int64  
dtypes: float64(2), int64(3), object(3)
memory usage: 106.6+ KB

ข้อมูลจะมีคอลัมภ์ดังนี้

• lifeExp: อายุขัย
• pop: จำนวนประชากร
• gdpPercap: gdp ต่อหัว สำหรับแต่ละประเทศ (country) และปีที่เก็บข้อมูล (year)

1.1) การใช้งาน plotly.express

px.strip(df, x="gdpPercap")

คำสั่งของ plotly.express มีการทำงานดังนี้

• px เป็นการเรียก library plotly.express (จากที่เรา import plotly.express as px)
• .strip(df, x="gdpPercap)
  • เป็นการระบุว่าเราจะพลอตกราฟแบบ strip (ดูได้จากลิส https://plotly.com/python-api-reference/plotly.express.html)
  • จากชุดข้อมูล df
  • โดยใช้ gdpPercap เป็นแกน x

และเราสามารถเปลี่ยนจากแกน x เป็น y ได้เช่น

px.strip(df, y="gdpPercap")

2) Customization

top

โค้ดดังต่อไปนี้จะเป็นการดัดแปลงกราฟเพิ่มเติม ให้นักเรียนลองศึกษาความแตกต่างของโค้ดและตัวอย่างกราฟที่เปลี่ยนแปลงไป

โดยจะสร้าง df2002 เพิ่มเติมเพื่อใช้สร้าง data visualization ที่มีข้อมูลเฉพาะปี 2002

df2002 = df[df["year"]==2002]
df2002.head()

	country	continent	year	lifeExp	pop	gdpPercap	iso_alpha	iso_num
10	Afghanistan	Asia	2002	42.129	25268405	726.734055	AFG	4
22	Albania	Europe	2002	75.651	3508512	4604.211737	ALB	8
34	Algeria	Africa	2002	70.994	31287142	5288.040382	DZA	12
46	Angola	Africa	2002	41.003	10866106	2773.287312	AGO	24
58	Argentina	Americas	2002	74.340	38331121	8797.640716	ARG	32

2.1) ปรับประเภทของ visualization

px.strip(df2002, x="gdpPercap")

px.scatter(df2002, x="gdpPercap")

px.bar(df2002, x="gdpPercap")

2.2) เพิ่ม channel ของ visualization

px.scatter(df2002, x="gdpPercap", color="pop")

px.scatter(df2002, x="gdpPercap", y="lifeExp", color="pop")

px.line(df, x="year", y="lifeExp", color="country")

2.3) เลือกข้อมูลเพิ่มเติมก่อนสร้าง visualization

px.line(df[df["country"] == "China"], x="year", y="lifeExp", color="country")

px.line(df[df["country"].isin(["China", "India", "United States"])], x="year", y="lifeExp", color="country")

px.histogram(df, x="lifeExp")

top

3) แหล่งเรียนรู้เพิ่มเติม

top

• https://plotly.com/python/plotly-express/
• https://plotly.com/python-api-reference/