Data visualiseren met Python: hoe doe ik dat? [incl. tutorial]

Python is een fantastische tool om data mee te visualiseren. De mogelijkheden zijn eindeloos. Zo zijn er verschillende packages waarmee data gevisualiseerd kan worden. In totaal zijn er honderden verschillende visualisaties mogelijk, een stuk meer dus dan in bijvoorbeeld Excel.

Data visualiseren is als data scientist van belang omdat je verborgen patronen makkelijker herkent en omdat je inzichten makkelijker over kunt dragen op anderen.

Het volgende overzicht geeft een indruk van de diversiteit aan mogelijkheden binnen visualisaties.

In deze blog leer je:

• Welke packages er zijn voor Python om data te visualiseren
• Hoe je Matplotlib gebruikt voor visualisaties
• Hoe je Pandas gebruikt voor visualisaties

import pandas as pd
corona_data = pd.read_csv('covid_19_data.csv')
corona_data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15769 entries, 0 to 15768
Data columns (total 8 columns):
SNo                15769 non-null int64
ObservationDate    15769 non-null object
Province/State     7940 non-null object
Country/Region     15769 non-null object
Last Update        15769 non-null object
Confirmed          15769 non-null float64
Deaths             15769 non-null float64
Recovered          15769 non-null float64
dtypes: float64(3), int64(1), object(4)
memory usage: 985.6+ KB

De dataset bevat gegevens over het aantal corona doden, bevestigde gevallen, en herstelde patiënten per land per provincie per datum. De dataset heeft 8 kolommen en 15.769 rijen.

Om data te visualiseren moeten we nu het package Matplotlib importeren. Ook dit package zal eenmalig geïnstalleerd moeten worden op jouw computer. Naast Matplotlib importeren we ook Numpy, een package dat we later nodig zullen hebben.

import matplotlib.pyplot as plt
import numpy as np

In [78]:

# maak een figuur aan en assen om op te plotten
fig, ax = plt.subplots()

# onderzoek de correlatie tussen het aantal confirmed cases en aantal sterfgevallen
ax.scatter(corona_data['Confirmed'], corona_data['Deaths'])
# Grafiektitel en as-labels
ax.set_title('Bevestigde gevallen en doded COVID-19')
ax.set_xlabel('Bevestigde COVID-19 patiënten')
ax.set_ylabel('Doden met doodsoorzaak COVID-19')

Out[78]:

Text(0, 0.5, 'Doden met doodsoorzaak COVID-19')

In de code kun je zien dat we eerst een leeg figuur aanmaken waarop we kunnen plotten. Vervolgens kiezen we voor een scatterplot om de relatie tussen het aantal bevestigde COVID-19 gevallen en het dodental te onderzoeken. We zien duidelijke lijnen naar voren komen. Voor hetzelfde aantal bevestigde patiënten zien we grote verschillen in dodental. Dit zou verklaard kunnen worden doordat bepaalde regio's of landen anders omgaan met het virus of anders over aantallen rapporteren. We geven met de code de grafiek, de x-as en de y-as een naam.

In [17]:

# maak een figuur aan en assen om op te plotten
fig, ax = plt.subplots()

# onderzoek de correlatie tussen het aantal confirmed cases en aantal sterfgevallen en licht Hubei uit in rood
ax.scatter(corona_data['Confirmed'], corona_data['Deaths'])
ax.scatter(corona_data[corona_data['Province/State']=='Hubei']['Confirmed'], corona_data[corona_data['Province/State']=='Hubei']['Deaths'], color='red')
# Grafiektitel en as-labels
ax.set_title('Bevestigde gevallen en doded COVID-19')
ax.set_xlabel('Bevestigde COVID-19 patiënten')
ax.set_ylabel('Doden met doodsoorzaak COVID-19')

Out[17]:

Text(0, 0.5, 'Doden met doodsoorzaak COVID-19')

Als we verschillende datapunten in dezelfde grafiek willen plotten dan kan dat makkelijk door een extra lijn code toe te voegen. In dit geval hebben we specifiek de gevallen uit Hubei (de bron van corona uitbraak) in het rood uitgelicht. Hiermee krijg je een indruk van de flexibiliteit die Matplotlib biedt.

Matplotlib kent honderden data-visualisaties die je kunt uitproberen. Wij blijven nu bij de basics en laten zien hoe je met een line-chart kunt onderzoeken hoe je oorspronkelijke uitbraak in Hubei zich verhoudt tot de uitbraak van New York die later volgde.

In [79]:

# maak een figuur aan en assen om op te plotten
fig, ax = plt.subplots()

# check het verloop door de tijd tussen Hubei en New York
ax.plot(corona_data[corona_data['Province/State']=='Hubei']['ObservationDate'], corona_data[corona_data['Province/State']=='Hubei']['Confirmed'], color='orange', label='Hubei')
ax.plot(corona_data[corona_data['Province/State']=='New York']['ObservationDate'], corona_data[corona_data['Province/State']=='New York']['Confirmed'], color='blue', label='New York')

# zorg voor nette x-as en titel en legenda
plt.xticks(np.arange(0,100,10), rotation = 45)
ax.set_title('Bevestigde COVID-19 gevallen Hubei vs New York')
ax.legend()
plt.show()

We kunnen zien dat de Chinezen een stuk effectiever te werk zijn gegaan in het terugdringen van het virus dan de Amerikanen. Tenminste, in de gerapporteerde cijfers...

Naast alle negatieve berichtgeving is het misschien leuk om te zien in welke landen er al veel mensen zijn hersteld van COVID-19. Met een bar chart visualisatie geven we inzicht in de landen die al meer dan 10.000 herstelde burgers kennen.

In [80]:

landen_met_corona = corona_data['Country/Region'].unique()
maximum_hersteld_per_land = {}

for land in landen_met_corona:
    sample_land = corona_data[corona_data['Country/Region']==land]
    max_hersteld = sample_land['Recovered'].max()
    if max_hersteld > 10000:
        maximum_hersteld_per_land[land] = max_hersteld
    
# maak een figuur aan en assen om op te plotten
fig, ax = plt.subplots()

ax.bar(list(maximum_hersteld_per_land.keys()), list(maximum_hersteld_per_land.values()))
plt.xticks(rotation = 45)
plt.show()

Deze basale visualisaties geven je een eerste indruk van de mogelijkheden, maar op deze pagina vind je >100 visualisatie-mogelijkheden binnen Matplotlib. In onze tweedaagse Python cursus voor data science leer je werken met Python en staan we uitgebreid stil bij visualisaties met Matplotlib. Na de cursus kun je zelfstandig datasets visualiseren in een grafiek-type naar wens.

We kunnen met zeer weinig code dezelfde scatterplot genereren in Pandas als dat we deden met Matplotlib:

In [81]:

corona_data.plot.scatter(x='Confirmed', y='Deaths', title='Bevestigde gevallen en doded COVID-19')

Out[81]:

<matplotlib.axes._subplots.AxesSubplot at 0x119cf2828>

Ook een line-chart is gemakkelijk te genereren. Hier bekijken we bijvoorbeeld het verloop van de ziekte in een andere infectie-haard, namelijk Iran.

In [82]:

corona_data[corona_data['Country/Region']=='Iran'][['ObservationDate','Confirmed','Deaths','Recovered']].plot.line(x='ObservationDate', rot=45)

Out[82]:

<matplotlib.axes._subplots.AxesSubplot at 0x119e8c7f0>

We kunnen dus met zeer weinig code op intuïtieve wijze data visualiseren met Pandas.

Wil je nog veel meer leren over visualisaties met Python? Schrijf je dan in voor onze Python cursus voor data science, onze machine learning cursus, of voor onze data science opleiding en leer met vertrouwen te programmeren en visualiseren in Python. Nadat je een van onze trainingen hebt gevolgd kun je zelfstandig verder aan de slag. Je kunt ook altijd even contact opnemen als je een vraag hebt.

Download één van onze opleidingsbrochures voor meer informatie