9. Visualisering med Plotly

Kapitlet bruker følgende datafiler: oda-master-thesis.csv folkebibl-2020-kommuner.csv

I dette kapitlet går vi igjennom hvordan visualisere aggregerte mønstre i form av grafer, og gir en inngang til enkle statistiske oversikter.

Det finnes flere Python-moduler som kan brukes for å generere diagramer (stolpediagram, kakediagram, osv.). Noen av de meste kjente er Matplotlib[1], Seaborn[2] og Bokeh[3]. Her skal vi bruke Plotly. Det er også mulig å lage og eksportere csv-filer som kan brukes i eksterne visualiseringsprogrammer. Dette er alt fra verktøy som gir tilgang til hundrevis av tilpassbare måter å visualisere data som hos RawGraphs, til verkøy som er laget for spesifikke typer nettverksanalyser og -visualiseringer, som GephiLite.

En fordel med Plotly er at det lar deg lage interaktive diagramer direkte i Jupyter Notebooks.

Innlasting av modulene og tilrettelegging

Data som brukes med Plotly kommer fra en Pandas dataframe. Vi må derfor importere både Plotly og Pandas.

import pandas as pd
import plotly.express as px
import plotly.io as pio 
pio.renderers.default = 'notebook'

Plotly Express er en del av Plotly. Det er vanlig å referere til modulen som px, på samme måte som det er vanlig å referere til Pandas som pd. De to siste linjene, 3 og 4 trenges i visse situasjoner for at plottene skal vises. Vi skal nå gå gjennom enkle diagrammer som vi kan generere med Plotly

Stolpediagram

I forrige kapittel så vi på et eksempel av data om masteroppgaver ved OsloMet. Vi starter ved å opprette dataframen fra csv-filen i data-katalogen, og ber den vise oss hvilke kolonner datasettet består av:

df_oda = pd.read_csv('data/oda-master-thesis.csv', sep = ',')
df_oda.columns

Index(['Title', 'Identifier', 'Creators', 'Supervisors', 'Lang', 'Subjects',
       'SubjectsVDP', 'Date', 'Institute', 'FacultyShort', 'FacultyLong',
       'InstituteShort', 'InstituteLong', 'MasterProg', 'LangNorm'],
      dtype='object')

For helt grunnleggende statistikk er det viktig å kunne telle antall forekomster av verdier i diverse kolonner. Nedenfor bruker vi funksjonen .value_counts() til å telle antall oppgaver hvert institutt har i datasettet.

df_oda['InstituteShort'].value_counts()

SHA    521
SF     499
HHS    478
GFU    275
YLU    263
EST    185
AV     167
IT     133
ABI    129
BLU    102
PD      93
BE      84
FYS     78
IST     70
NVH     42
JM      23
EO       7
Name: InstituteShort, dtype: int64

Vårt første plott blir et stolpediagram med disse fordelingen av språk på tvers av alle oppavene. For å bruke dette i Plotly må vi først gjør om resultatet av tellingen (.value_counts()) til en dataframe.

df_temp = df_oda['LangNorm'].value_counts().to_frame()
df_temp

	LangNorm
nor	2443
eng	695
oth	11

I cellen nedenfor gjør vi om den gamle rad-indeksen (kolonnen med språkene) til en vanlig kolonne og gir deretter kolonnene nye navn. Denne eksisterer nå som en ny dataframe.

df_temp.reset_index(inplace = True)

col_map = {
    'index' : 'Språk',
    'LangNorm' : 'Antall'
}

df_temp.rename(columns = col_map, inplace = True)
df_temp

	Språk	Antall
0	nor	2443
1	eng	695
2	oth	11

Den resulterende dataframen, df_temp, kan nå brukes for å lage stolpediagrammet. I cellen nedenfor opprettes en objektvariabel fig som tilordnes resultatet av .bar()-funskjonen fra Plotly Express. fig representerer et objekt av typen Figure, som har mange funksjoner (også kalt metoder). Metoden show() som brukes til slutt er den som driver mekanismen som viser diagrammet i tegneområdet. Metoden .bar() som produserer og returnerer fig-objektet kan ta mange parametre. De viktigste listes nedenfor:

* dataframen i eksempelet: `df_temp`
* tittelen gitt til horisontalaksen (x) i eksempelet: 'Språk'
* tittelen gitt til vertikalaksen (y) i eksempelet: 'Antall'

import plotly.io as pio 
pio.renderers.default = 'notebook'
fig = px.bar(
    df_temp,
    x = 'Språk',
    y = 'Antall'
)

fig.show()