-
Notifications
You must be signed in to change notification settings - Fork 45
/
matplotlib.Rmd
407 lines (311 loc) · 14.1 KB
/
matplotlib.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
---
jupyter:
jupytext:
text_representation:
extension: .Rmd
format_name: rmarkdown
format_version: '1.2'
jupytext_version: 1.6.0
kernelspec:
display_name: Python 3
language: python
name: python3
title: "De beaux graphiques avec python: mise en pratique"
date: 2020-09-24T13:00:00Z
draft: false
weight: 10
slug: matplotlibTP
type: book
tags:
- visualisation
- matplotlib
- seaborn
categories:
- Exercice
summary: |
Une découverte des fonctionalités graphiques de matplotlib,
seaborn et plotly pour représenter des statistiques
sur les décomptes de vélo à Paris
---
```{r setup, include=FALSE}
dir_path <- gsub(here::here(), "..", here::here("course","visualisation"))
library(knitr)
library(reticulate)
knitr::knit_engines$set(python = reticulate::eng_python)
knitr::opts_chunk$set(fig.path = "")
knitr::opts_chunk$set(eval = TRUE, echo = FALSE, warning = FALSE, message = FALSE)
# Hook from Maelle Salmon: https://ropensci.org/technotes/2020/04/23/rmd-learnings/
knitr::knit_hooks$set(
plot = function(x, options) {
hugoopts <- options$hugoopts
paste0(
"{", "{<figure src=", # the original code is simpler
# but here I need to escape the shortcode!
'"', paste0(dir_path,"/",x), '" ',
if (!is.null(hugoopts)) {
glue::glue_collapse(
glue::glue('{names(hugoopts)}="{hugoopts}"'),
sep = " "
)
},
">}}\n"
)
}
)
#print(knitr::current_input(dir = TRUE))
```
```{r, echo = FALSE, results = 'asis', include = TRUE, eval = TRUE}
print_badges()
```
La pratique de la visualisation se fera, dans ce cours, en répliquant des graphiques qu'on peut trouver sur
la page de l'*open-data* de la ville de Paris
[ici](https://opendata.paris.fr/explore/dataset/comptage-velo-donnees-compteurs/information/?disjunctive.id_compteur&disjunctive.nom_compteur&disjunctive.id&disjunctive.name).
Ce TP vise à initier:
* Aux packages [matplotlib](https://matplotlib.org/) et
[seaborn](https://seaborn.pydata.org/) pour la construction de graphiques figés
* Au package [plotly](https://plotly.com/python/) pour les graphiques
dynamiques, au format HTML
Nous verrons par la suite la manière de construire des cartes facilement avec
des formats équivalents.
Un sous-ensemble des données de [paris open data](https://opendata.paris.fr/explore/dataset/comptage-velo-donnees-compteurs/information/?disjunctive.id_compteur&disjunctive.nom_compteur&disjunctive.id&disjunctive.name) a été mis à disposition
sur {{< githubrepo >}} pour faciliter l'import (élimination des colonnes
qui ne nous servirons pas mais ralentissent l'import)
```{python}
import matplotlib.pyplot as plt
import seaborn as sns
```
## Premier graphique avec l'API `matplotlib` de `pandas`
{{% panel status="exercise" title="Exercice 1: Importer les données et produire un premier graphique"
icon="fas fa-pencil-alt" %}}
1. Importer les données de compteurs de vélos. Vous pouvez utiliser l'url <https://github.com/linogaliana/python-datascientist/raw/master/data/bike.csv>. :warning: Il s'agit de données
compressées au format `gzip`, il faut donc utiliser l'option `compression`
2. En premier lieu, sans se préoccuper des éléments de style ni des labels des
graphiques, reproduire les deux premiers graphiques de la
[page d'analyse des données](https://opendata.paris.fr/explore/dataset/comptage-velo-donnees-compteurs/dataviz/?disjunctive.id_compteur&disjunctive.nom_compteur&disjunctive.id&disjunctive.name):
*Les 10 compteurs avec la moyenne horaire la plus élevée* et *Les 10 compteurs ayant comptabilisés le plus de vélos*.
{{< /panel >}}
{{< panel status="note" title="Conseil" icon="fa fa-comment" >}}
Pour obtenir un graphique ordonné du plus grand au plus petit, il faut avoir les données ordonnées du plus petit au
plus grand. C'est bizarre mais c'est comme ça...
{{< /panel >}}
```{r, include=FALSE}
path_data <- here::here("data","bike.csv")
```
```{python, include = FALSE}
import pandas as pd
df = pd.read_csv(r.path_data, compression = 'gzip')
df1 = df.groupby('Nom du compteur').agg({'Comptage horaire': "mean"}).sort_values('Comptage horaire', ascending = False).head(10)
df2 = df.groupby('Nom du compteur').agg({'Comptage horaire': "sum"}).sort_values('Comptage horaire', ascending = False).head(10)
```
```{python, include = FALSE}
p = df1.sort_values('Comptage horaire').plot(kind = "barh", figsize = (25,5), color = 'red')
p
plt.savefig('compte.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("compte.png")
```
```{python, include = FALSE}
p2 = df2.sort_values('Comptage horaire').plot(kind = "barh", figsize = (25,5), color = 'green')
p2
plt.savefig('compte2.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("compte2.png")
```
On peut remarquer plusieurs éléments problématiques (par exemple les labels) mais
aussi des éléments ne correspondant pas (les titres des axes, etc.) ou
manquants (le nom du graphique...)
Comme les graphiques produits par `pandas` suivent la logique très flexible
de `matplotlib`, il est possible de les customiser. Cependant, c'est
souvent beaucoup de travail et il peut être préférable de directement
utiliser *seaborn*, qui offre quelques arguments prêts à l'emploi
## Utiliser directement `seaborn`
Vous pouvez repartir des deux dataframes précédents. On va suppose qu'ils se
nomment `df1` et `df2`. Réinitialiser l'index pour avoir une colonne
*'Nom du compteur'*
```{python}
df1 = df1.reset_index()
df2 = df2.reset_index()
```
{{% panel status="exercise" title="Exercice 2: un peu de style"
icon="fas fa-pencil-alt" %}}
Il y a plusieurs manières de faire un *bar* plot en `seaborn`. La plus flexible,
c'est-à-dire celle qui permet le mieux d'interagir avec `matplotlib` est
`catplot`
1. Refaire le graphique précédent avec la fonction adéquate de `seaborn`. Pour
contrôler la taille du graphique vous pouvez utiliser les arguments `height` et
`aspect`
2. Ajouter les titres des axes et le titre du graphique pour le premier graphique
{{% /panel %}}
```{python, include = FALSE}
# Q1 + Q2
g = sns.catplot(x='Comptage horaire', y='Nom du compteur', data=df1, kind = "bar", height = 5, aspect = 4, color = "red")
g.set_axis_labels('Moyenne du comptage par heure sur la période sélectionnée', 'Nom du compteur')
plt.title('Les 10 compteurs avec la moyenne horaire la plus élevée')
g
plt.savefig('top10.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("top10.png")
```
```{python, eval = TRUE, include = FALSE}
# ALTERNATIVE Q1 + Q2
plt.figure(figsize=(20,5))
sns.barplot(x='Comptage horaire', y='Nom du compteur', data=df1, color = "red")
plt.xlabel('Moyenne du comptage par heure sur la période sélectionnée', size = 24)
plt.xlabel('Nom du compteur', size = 24)
plt.title('Les 10 compteurs avec la moyenne horaire la plus élevée', size=24)
plt.savefig("compte1_sns.png", bbox_inches='tight')
```
```{r}
knitr::include_graphics("compte1_sns.png")
```
Si vous désirez colorer en rouge l'axe des `x`, vous pouvez pré-définir un
style avec `sns.set_style("ticks", {"xtick.color": "red"})`
```{python, include = FALSE}
sns.set_style("ticks", {"xtick.color": "red"})
g = sns.catplot(x='Comptage horaire', y='Nom du compteur', data=df1, kind = "bar", height = 10, aspect = 2, color = "red")
g.set_axis_labels('Moyenne du comptage par heure sur la période sélectionnée', 'Nom du compteur')
plt.title('Les 10 compteurs avec la moyenne horaire la plus élevée')
plt.savefig('top10_sns.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("top10_sns.png")
```
{{% panel status="exercise" title="Exercice 3: refaire les graphiques"
icon="fas fa-pencil-alt" %}}
Certaines opérations vont nécessiter un peu d'agilité dans la gestion des dates.
Avant cela, il faut créer une variable temporelle (vous pouvez la nommer
`datetime`) et la transformer en variable mensuelle (grâce à
`dt.to_period('M')`). Vous pouvez essayer de le faire vous même ou cliquer
ci-dessous pour la solution :
{{< spoiler text="Click to view the spoiler" >}}
```{python, echo = TRUE}
df['timestamp'] = pd.to_datetime(df['Date et heure de comptage'], format='%Y-%m-%dT%H:%M:%SZ', errors='coerce').dt.to_period('M')
```
{{< /spoiler >}}
1. Refaire le graphique *Les 10 compteurs ayant comptabilisés le plus de vélos *
2. Refaire le graphique *Moyenne mensuelle des comptages vélos *. Pour cela,
n'oubliez pas de créer la variable mensuelle.
3. Refaire le graphique *Moyenne journalière des comptages vélos* (créer d'abord
une variable de jour avec `.dt.day`)
4. Refaire le graphique *Comptages vélo au cours des 7 derniers jours * (de l'échantillon)
{{% /panel %}}
```{python, include = FALSE}
# Q1
sns.set_style("ticks", {"xtick.color": "green"})
g = sns.catplot(x='Comptage horaire', y='Nom du compteur', data=df2, kind = "bar", height = 5, aspect = 4, color = "green")
g.set_axis_labels('La somme des vélos comptabilisés sur la période sélectionnée', 'Nom du compteur')
plt.title('Les 10 compteurs ayant comptabilisés le plus de vélos')
plt.savefig('top10_bike.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("top10_bike.png")
```
```{python, include = FALSE}
# Q2
df['month'] = df.timestamp.dt.to_period('M')
sns.set_style("whitegrid")
df3 = df.groupby('month').agg({'Comptage horaire':'mean'}).reset_index()
g = sns.catplot(x='month', y='Comptage horaire', data=df3, kind = "bar", height = 5, aspect = 4, color = "yellow")
g.set_axis_labels('Date et heure de comptage', 'Moyenne mensuelle du comptage par heure sur la période sélectionnée')
plt.title('Moyenne mensuelle des comptages vélos')
plt.savefig('top10_bike_sns.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("top10_bike_sns.png")
```
```{python, include = FALSE}
# Q3
df['day'] = df.timestamp.dt.date
df4 = df.groupby('day').agg({'Comptage horaire':'mean'}).reset_index()
sns.lineplot(x='day', y='Comptage horaire', data=df4, color = "magenta")
plt.savefig("lineplot_seaborn.png", bbox_inches='tight')
# TO DO: fill sous la courbe
```
```{r}
knitr::include_graphics("lineplot_seaborn.png")
```
```{python, include = FALSE}
# Q4
df['Date'] = pd.to_datetime(df['day'])
df['NewDate'] = pd.to_datetime(df.Date) - pd.to_timedelta(7, unit="D")
df5 = df[df.day >= (max(df['NewDate']))]
df5 = df5.groupby('Date').agg({'Comptage horaire': 'sum'})
g = sns.catplot(y='Comptage horaire', x='Date', data=df5, kind = "bar", height = 10, aspect = 2, color = "lightblue")
g
plt.savefig("barplot_seaborn.png", bbox_inches='tight')
```
```{r}
knitr::include_graphics("barplot_seaborn.png")
```
## Des graphiques dynamiques avec `Plotly`
Le package `Plotly` est une surcouche à la librairie Javascript
`Plotly.js` qui permet de créer et manipuler des objets graphiques de manière
très flexible afin de produire des objets réactifs sans avoir à recourir
à Javascript.
Le point d'entrée recommandé est le module `Plotly Express`
([documentation ici](https://plotly.com/python/plotly-express/)) qui offre une arborescence
riche mais néanmoins intuitive pour construire des graphiques
(objets `plotly.graph_objects.Figure`) pouvant être modifiés *a posteriori*
si besoin (par exemple pour *customiser* les axes).
### Comment visualiser un graphique `plotly` ?
Dans un notebook Jupyter classique, les lignes suivantes de code permettent
d'afficher le résultat d'une commande `Plotly` sous un bloc de code:
```{python, eval = FALSE, echo = TRUE}
from plotly.offline import init_notebook_mode
init_notebook_mode(connected = True)
```
Pour `JupyterLab`, l'extension `jupyterlab-plotly` s'avère nécessaire:
```{python, eval = FALSE, echo = TRUE}
jupyter labextension install jupyterlab-plotly
```
Pour les utilisateurs de `python` via l'excellent package `R` `reticulate`, il
est possible d'écrire le résultats dans un fichier `.html` et d'utiliser
`htmltools::includeHTML` pour l'afficher via `R Markdown` (les utilisateurs
de `R` trouveront bien-sûr une technique bien plus simple: utiliser
directement le package `R` `plotly`...)
### Réplication de l'exemple précédent avec `plotly`
Les modules suivants seront nécessaires pour construire des graphiques
avec `plotly`:
```{python, echo = TRUE}
import plotly
import plotly.express as px
```
{{% panel status="exercise" title="Exercice 4: premier graphique avec plotly"
icon="fas fa-pencil-alt" %}}
L'objectif est de reconstuire le premier diagramme en barre avec `plotly`
1. Utiliser la fonction adéquate avec `Plotly Express`. Ne pas prendre le
thème par défaut mais un à fond blanc, pour avoir un résultat ressemblant
à celui proposé sur le site de l'*open-data*. Pour la couleur rouge,
vous pouvez utiliser l'argument `color_discrete_sequence`.
2. Ne pas oublier de nommer les axes, et la couleur du texte de l'axe inférieur
3. Tester un autre thème, à fond sombre. Pour les couleurs, faire un
groupe stockant les trois plus fortes valeurs puis les autres.
{{< /panel >}}
```{python, include = FALSE}
fig = px.bar(df1.sort_values('Comptage horaire', ascending=True), orientation='h', x='Comptage horaire',
y='Nom du compteur', color_discrete_sequence=["red"], template="plotly_white")
fig.update_layout(
title='Les 10 compteurs avec la moyenne horaire la plus élevée',
xaxis_title='Moyenne du comptage par heure sur la période sélectionnée')
fig.update_xaxes(title_font=dict(color='red'))
# Pour inclusion dans le site web
fig.write_json("plotly1.json")
```
```{python, include = FALSE}
df1['top'] = df1['Comptage horaire'] > df1.sort_values('Comptage horaire', ascending=False)['Comptage horaire'][3]
fig2 = px.bar(df1.sort_values('Comptage horaire', ascending=True), orientation='h', x='Comptage horaire',
y='Nom du compteur', template="plotly_dark", color='top')
fig2.update_layout(
title='Les 10 compteurs avec la moyenne horaire la plus élevée',
xaxis_title='Moyenne du comptage par heure sur la période sélectionnée')
# Pour inclusion dans le site web
fig.write_json("plotly2.json")
```
Le résultat devrait ressembler aux deux graphiques suivants:
{{< chart data="../course/visualisation/plotly" >}}
{{< chart data="../course/visualisation/plotly2" >}}
# Exercices supplémentaires
https://plotly.com/python/v3/3d-network-graph/