기술나눔

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

소개하다

1.1 데이터 시각화의 중요성

데이터 시각화란 데이터를 그래픽 형태로 표시해 사람들이 데이터 이면의 정보와 패턴을 보다 직관적이고 빠르게 이해할 수 있도록 돕는 것입니다. 오늘날 정보가 폭발적으로 증가하는 시대에 데이터 시각화는 다음과 같은 이유로 특히 중요합니다.

• 이해 효율성 향상 : 그래픽 데이터는 일반 텍스트나 숫자보다 뇌가 이해하고 기억하기 더 쉽습니다. 차트를 통해 사람들은 데이터의 핵심 사항을 신속하게 파악하여 더 많은 정보를 바탕으로 결정을 내릴 수 있습니다.
• 데이터 패턴 공개 : 데이터 시각화는 데이터에 숨겨진 패턴, 추세 및 이상치를 발견하는 데 도움이 될 수 있습니다. 예를 들어, 꺾은선형 차트를 사용하면 시간이 지남에 따라 데이터가 어떻게 변하는지 명확하게 확인할 수 있습니다.
• 커뮤니케이션 효과 강화 : 비즈니스, 과학 연구, 교육 등의 분야에서 데이터 시각화는 복잡한 정보를 전달하는 강력한 도구입니다. 이는 데이터 분석 결과를 다른 사람들이 더 쉽게 이해하고 수용할 수 있도록 해줍니다.
• 의사결정 지원: 데이터 시각화는 의사결정자에게 직관적인 데이터 지원을 제공하여 복잡한 데이터에서 핵심 정보를 찾고 보다 과학적이고 합리적인 의사결정을 내릴 수 있도록 도와줍니다.

1.2 bqplot 라이브러리 개요

비큐플롯 에 기반을 두고 있다그래픽의 문법 2D 시각화 라이브러리, 특히주피터 노트북 설계.그것은 결합한다d3.js 그리고아이피위젯 d3.js의 강력한 시각화 기능을 Python에 제공하도록 설계된 기능입니다. bqplot 라이브러리의 주요 기능은 다음과 같습니다.

• 상호작용: bqplot은 풍부한 대화형 기능을 제공합니다. 사용자는 차트에서 이동, 확대/축소, 선택 및 기타 작업을 수행하여 데이터를 더 깊이 탐색할 수 있습니다.
• 유연성: 객체 지향 접근 방식을 사용하면 사용자는 그래픽 문법을 사용하여 고도로 개인화된 차트를 만들 수 있습니다.
• 사용의 용이성: bqplot은 matplotlib와 유사한 pyplot 인터페이스를 제공하므로 matplotlib에 익숙한 사용자가 빠르게 시작할 수 있습니다.
• 완성: Jupyter Notebook의 기본 라이브러리인 bqplot은 데이터 분석 워크플로에 원활하게 통합되어 사용자에게 원활한 대화형 경험을 제공할 수 있습니다.

설치 및 빠른 시작

bqplot 설치는 매우 간단합니다. 터미널이나 명령 프롬프트에서 다음 명령을 실행하면 됩니다.

pip install bqplot
jupyter nbextension enable --py --sys-prefix bqplot
1
2

성공적으로 설치한 후 필요한 라이브러리를 Jupyter Notebook으로 가져와서 다음을 사용하세요.

import numpy as np
import bqplot.pyplot as plt
1
2

다음은 bqplot을 사용하여 히스토그램을 만드는 방법을 보여주는 간단한 예입니다.

# 生成随机数据
data = np.random.randn(100)

# 创建直方图
fig = plt.figure(title='Histogram by bqplot')
hist = plt.hist(sample=data, bins=10, colors=['#01a2d9'])
fig
1
2
3
4
5
6
7

이 간단한 예를 통해 bqplot의 사용 용이성과 강력한 대화형 기능을 확인할 수 있습니다. 다음 장에서는 bqplot의 다양한 차트 유형과 고급 기능을 자세히 살펴보겠습니다.

설치 및 가져오기

2.1 bqplot 설치

데이터 시각화를 위해 bqplot을 사용하려면 먼저 사용자 환경에 bqplot 라이브러리를 설치해야 합니다. bqplot은 다양한 방법으로 설치할 수 있으며 가장 일반적으로 pip 또는 conda를 사용합니다. 두 가지 방법을 모두 사용하는 자세한 단계는 다음과 같습니다.

pip를 사용하여 설치

pip install bqplot
1

콘다를 사용하여 설치

conda install -c conda-forge bqplot
1

설치가 완료되면 다음 명령을 실행하여 설치가 성공했는지 확인할 수 있습니다.

import bqplot
print(bqplot.__version__)
1
2

2.2 필요한 라이브러리 가져오기

bqplot을 설치한 후 데이터 시각화 작업을 시작하려면 필요한 라이브러리를 가져와야 합니다. 일반적으로 다음 라이브러리를 가져와야 합니다.

• bqplot: 대화형 차트를 만드는 데 사용됩니다.
• numpy: 수치 계산 및 데이터 처리에 사용됩니다.
• pandas: 데이터 조작 및 분석에 사용됩니다.

다음은 이러한 라이브러리를 가져오기 위한 샘플 코드입니다.

import bqplot.pyplot as plt
import numpy as np
import pandas as pd
1
2
3

예: bqplot을 가져와서 사용하여 간단한 차트 만들기

모든 것이 올바르게 설정되었는지 확인하려면 간단한 막대 차트를 만들어 보세요. 다음은 필요한 라이브러리를 가져오고 간단한 막대 차트를 만드는 방법을 보여주는 샘플 코드입니다.

# 导入必要的库
import bqplot.pyplot as plt
import numpy as np

# 创建一个简单的条形图
fig = plt.figure(title="简单条形图示例")
x = list("ABCDE")
y = np.random.rand(5)
bar = plt.bar(x, y)
fig
1
2
3
4
5
6
7
8
9
10

이 예에서는 먼저 가져옵니다.bqplot.pyplot~처럼plt, 그런 다음 사용numpy 무작위 데이터를 생성합니다. 다음으로, 5개의 막대가 포함된 간단한 막대 차트를 만들어 Jupyter Notebook에 표시했습니다.

위 단계를 통해 bqplot 라이브러리를 성공적으로 설치하고 가져왔고 첫 번째 간단한 대화형 차트를 만들었습니다. 다음으로, 더 많은 고급 기능과 차트 유형을 계속 탐색할 수 있습니다.

데이터세트 준비

3.1 데이터 세트 가져오기

사용을 시작하기 전에 bqplot 데이터 시각화를 수행하려면 먼저 필요한 데이터세트를 가져와야 합니다.다음은 몇 가지 일반적인 데이터세트 가져오기 방법과 사용 방법입니다.pandas 이 데이터를 처리하는 라이브러리입니다.

Pandas를 사용하여 CSV 파일 가져오기

pandas 데이터 분석 및 전처리에 널리 사용되는 강력한 데이터 처리 라이브러리입니다.사용 방법은 다음과 같습니다.pandas CSV 파일 가져오기의 예:

import pandas as pd

# 导入CSV文件
df1 = pd.read_csv("../input/autompg-dataset/auto-mpg.csv")
1
2
3
4

Pandas를 사용하여 다른 형식의 데이터 가져오기

CSV 파일 외에도pandas 또한 Excel 파일, JSON 파일 등과 같은 다양한 형식의 데이터 가져오기를 지원합니다. 여기 몇 가지 예가 있어요.

# 导入Excel文件
df_excel = pd.read_excel("../input/dataset.xlsx")

# 导入JSON文件
df_json = pd.read_json("../input/dataset.json")
1
2
3
4
5

팬더를 사용하여 데이터베이스에서 데이터 가져오기

데이터가 데이터베이스에 저장되어 있는 경우 다음을 사용할 수 있습니다. pandas ~의read_sql 데이터를 가져오는 기능입니다. 예는 다음과 같습니다.

import sqlite3

# 连接到SQLite数据库
conn = sqlite3.connect('../input/database.db')

# 从数据库中读取数据
df_sql = pd.read_sql('SELECT * FROM table_name', conn)
1
2
3
4
5
6
7

3.2 데이터세트 미리보기

데이터세트를 가져온 후에는 일반적으로 데이터의 구조와 내용을 이해하기 위해 데이터세트를 미리 봐야 합니다.pandas 데이터 세트를 미리 볼 수 있는 다양한 방법이 제공됩니다.

데이터 세트의 처음 몇 행 보기

사용 head() 데이터 세트의 처음 몇 행을 보는 방법:

# 查看前5行数据
print(df1.head())
1
2

데이터 세트에 대한 기본 정보 보기

사용 info() 이 메서드는 데이터 유형 및 누락된 값을 포함하여 데이터 세트의 기본 정보를 볼 수 있습니다.

# 查看数据集的基本信息
print(df1.info())
1
2

데이터 세트에 대한 통계 보기

사용 describe() 이 방법은 평균, 표준 편차, 최소값, 최대값 등을 포함하여 데이터 세트의 통계 정보를 볼 수 있습니다.

# 查看数据集的统计信息
print(df1.describe())
1
2

데이터 세트의 열 이름 보기

사용 columns 속성은 데이터 세트의 열 이름을 볼 수 있습니다.

# 查看数据集的列名
print(df1.columns)
1
2

위의 방법을 통해 가져온 데이터 세트에 대한 기본적인 이해를 얻을 수 있으며, 이를 통해 후속 데이터 시각화 작업의 기반을 마련할 수 있습니다.

{
  "title": "bqplot教程：在Jupyter Notebook中进行交互式数据可视化",
  "summary": "本文详细介绍了如何使用bqplot库在Jupyter Notebook中进行交互式数据可视化。bqplot是一个基于Grammar of Graphics的2D可视化解决方案，结合了d3.js和ipywidgets的功能，旨在将d3.js的功能带到Python中。",
  "content_outline": [
    {
      "h1": "基本图表类型",
      "h2": [
        "4.1 散点图",
        "4.2 饼图",
        "4.3 箱线图",
        "4.4 条形图",
        "4.5 堆积条形图"
      ]
    }
  ]
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

기본 차트 유형

4.1 산점도

산점도는 두 변수 간의 관계를 표시하는 데 사용되는 차트입니다. 산점도를 사용하면 데이터의 분포와 상관관계를 시각적으로 관찰할 수 있습니다. bqplot에서는 산점도를 만드는 것이 매우 간단합니다.

import bqplot as bq
import numpy as np

# 创建数据
x = np.random.rand(100)
y = np.random.rand(100)

# 创建尺度
x_sc = bq.LinearScale()
y_sc = bq.LinearScale()

# 创建散点标记
scatter = bq.Scatter(x=x, y=y, scales={'x': x_sc, 'y': y_sc})

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='X Axis')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Y Axis')

# 创建图表
fig = bq.Figure(marks=[scatter], axes=[ax_x, ax_y], title='Scatter Plot')

# 显示图表
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

4.2 원형 차트

파이 차트(Pie Chart)는 데이터의 비율을 표시하는 데 사용되는 차트입니다. bqplot에서는 원형 차트를 만드는 것도 마찬가지로 쉽습니다.

import bqplot as bq

# 创建数据
data = [10, 20, 30, 40]
labels = ['A', 'B', 'C', 'D']

# 创建饼图标记
pie = bq.Pie(sizes=data, labels=labels)

# 创建图表
fig = bq.Figure(marks=[pie], title='Pie Chart')

# 显示图表
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14

4.3 박스 플롯

상자 그림은 데이터의 분포를 표시하는 데 사용되는 차트입니다. 데이터의 중앙값, 사분위수, 이상값을 표시할 수 있습니다.

import bqplot as bq
import numpy as np

# 创建数据
data = [np.random.normal(0, 1, 100), np.random.normal(3, 1, 100), np.random.normal(6, 1, 100)]

# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()

# 创建箱线图标记
boxplot = bq.Boxplot(x=data, scales={'x': x_sc, 'y': y_sc})

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Groups')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')

# 创建图表
fig = bq.Figure(marks=[boxplot], axes=[ax_x, ax_y], title='Box Plot')

# 显示图表
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

4.4 막대 그래프

막대 차트는 범주형 데이터 간의 비교를 표시하는 데 사용되는 차트입니다. 각 막대의 높이는 해당 범주의 데이터 값을 나타냅니다.

import bqplot as bq

# 创建数据
x_labels = ['A', 'B', 'C', 'D']
y_values = [30, 20, 40, 10]

# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()

# 创建条形图标记
bar = bq.Bars(x=x_labels, y=y_values, scales={'x': x_sc, 'y': y_sc})

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Categories')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')

# 创建图表
fig = bq.Figure(marks=[bar], axes=[ax_x, ax_y], title='Bar Chart')

# 显示图表
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

4.5 누적 막대 차트

누적 막대 차트는 여러 범주형 데이터 간의 비교를 표시하는 데 사용되는 차트입니다. 각 막대의 높이는 해당 범주의 데이터 값을 나타내며, 각 막대는 하위 범주를 나타내는 세그먼트로 나눌 수 있습니다.

import bqplot as bq

# 创建数据
x_labels = ['A', 'B', 'C', 'D']
y_values = [
    [30, 20],
    [20, 30],
    [40, 10],
    [10, 40]
]

# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()

# 创建堆积条形图标记
stacked_bar = bq.Bars(x=x_labels, y=y_values, scales={'x': x_sc, 'y': y_sc}, type='stacked')

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Categories')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')

# 创建图表
fig = bq.Figure(marks=[stacked_bar], axes=[ax_x, ax_y], title='Stacked Bar Chart')

# 显示图表
fig
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

고급 차트 유형

5.1 히스토그램

히스토그램은 데이터의 분포를 표시하는 데 사용되는 차트 유형입니다.존재하다bqplot에서 사용할 수 있습니다plt.hist 히스토그램을 생성하는 함수입니다. 간단한 예는 다음과 같습니다.

import numpy as np
import bqplot.pyplot as plt

# 生成随机数据
data = np.random.randn(1000)

# 创建直方图
fig = plt.figure()
hist = plt.hist(data, bins=30)
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')

fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14

이 예에서는 먼저 1000개의 무작위 데이터 포인트를 생성한 다음plt.hist 이 함수는 30개의 빈으로 구성된 히스토그램을 생성합니다. 제목과 축 레이블을 설정하면 차트를 더 명확하고 이해하기 쉽게 만들 수 있습니다.

5.2 꺾은선형 차트

꺾은선형 차트는 시간 경과에 따른 데이터 추세 또는 기타 연속 변수를 표시하는 데 사용되는 일반적인 차트 유형입니다.존재하다bqplot에서 사용할 수 있습니다plt.plot 라인 차트를 생성하는 기능입니다. 예는 다음과 같습니다.

import numpy as np
import bqplot.pyplot as plt

# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建折线图
fig = plt.figure()
line = plt.plot(x, y)
plt.title('Line Chart of Sine Function')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

이 예에서는 100개의 데이터 포인트가 있는 사인 함수 데이터를 생성한 다음plt.plot 이 함수는 선형 차트를 생성합니다. 제목과 축 레이블을 설정하면 차트를 더 명확하고 이해하기 쉽게 만들 수 있습니다.

5.3 캔들스틱 차트

캔들스틱 차트(캔들스틱 차트라고도 함)는 주가와 같은 재무 데이터를 표시하는 데 사용되는 차트 유형입니다.존재하다bqplot에서 사용할 수 있습니다plt.candle 촛대형 차트를 생성하는 기능입니다. 예는 다음과 같습니다.

import numpy as np
import bqplot.pyplot as plt

# 生成随机金融数据
n = 100
open_prices = np.random.randn(n)
high_prices = open_prices + np.random.rand(n)
low_prices = open_prices - np.random.rand(n)
close_prices = open_prices + np.random.randn(n) * 0.5

# 创建蜡烛图
fig = plt.figure()
candle = plt.candle(open_prices, high_prices, low_prices, close_prices)
plt.title('Candlestick Chart of Random Financial Data')
plt.xlabel('Time')
plt.ylabel('Price')

fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

이 예에서는 임의의 시가, 고가, 저가 및 종가 데이터를 생성한 후 다음을 사용합니다.plt.candle 이 함수는 촛대 차트를 생성합니다. 제목과 축 레이블을 설정하면 차트를 더 명확하고 이해하기 쉽게 만들 수 있습니다.

5.4 히트맵

히트맵은 2차원 데이터의 밀도나 강도 분포를 표시하는 데 사용되는 차트 유형입니다.존재하다bqplot에서 사용할 수 있습니다plt.heatmap 히트맵을 생성하는 기능입니다. 예는 다음과 같습니다.

import numpy as np
import bqplot.pyplot as plt

# 生成随机数据
data = np.random.rand(10, 10)

# 创建热力图
fig = plt.figure()
heatmap = plt.heatmap(data)
plt.title('Heatmap of Random Data')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14

이 예에서는 무작위 데이터의 10x10 행렬을 생성한 다음plt.heatmap 이 함수는 히트맵을 생성합니다. 제목과 축 레이블을 설정하면 차트를 더 명확하고 이해하기 쉽게 만들 수 있습니다.

5.5 지리적 지도

지리 차트는 지도와 같은 지리 데이터를 표시하는 데 사용되는 차트 유형입니다.존재하다bqplot에서 사용할 수 있습니다plt.geo 지리지도를 생성하는 기능입니다. 예는 다음과 같습니다.

import bqplot.pyplot as plt

# 加载地理数据
map_data = 'World'

# 创建地理图
fig = plt.figure()
geo = plt.geo(map_data)
plt.title('Geographical Map')

fig
1
2
3
4
5
6
7
8
9
10
11

이 예에서는 세계 지도 데이터를 로드한 다음plt.geo 이 함수는 지리적 지도를 생성합니다. 제목을 설정하면 차트를 더 명확하고 이해하기 쉽게 만들 수 있습니다.

대화형 기능

6.1 대화형 구성 요소 개요

데이터 시각화에서 대화형 기능은 사용자 경험과 데이터 탐색 기능을 향상시키는 데 핵심입니다.bqplot 사용자가 Jupyter Notebook에서 동적이고 반응이 빠른 데이터 탐색을 수행할 수 있도록 풍부한 대화형 구성 요소를 제공합니다. 이러한 대화형 구성 요소에는 다음이 포함되지만 이에 국한되지는 않습니다.

• 확대/축소 및 이동: 사용자가 차트를 확대하거나 축소할 수 있을 뿐만 아니라 차트 전체를 이동하여 다양한 데이터 영역을 볼 수 있습니다.
• 선택하고 스와이프하세요.: 사용자가 추가 분석을 위해 차트에서 특정 데이터 포인트나 영역을 선택할 수 있습니다.
• 툴팁: 데이터 포인트 위에 마우스를 올리면 상세 정보가 표시됩니다.
• 동적 업데이트: 사용자 입력이나 데이터 변경에 따라 차트를 동적으로 업데이트할 수 있습니다.

이러한 대화형 구성 요소는 bqplot ~의Interactions 모듈 구현은 사용자에게 직관적이고 강력한 데이터 탐색 도구를 제공합니다.

6.2 일반적인 대화형 구성 요소 사용

확대/축소 및 이동

확대/축소 및 패닝은 데이터 시각화의 가장 기본적인 대화형 기능입니다.bqplot 내장된 확대/축소 및 이동 기능을 제공하며 사용자는 마우스 휠을 통해 확대/축소하고 마우스 드래그를 통해 이동할 수 있습니다. 간단한 예는 다음과 같습니다.

import bqplot.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-10, 10, 100)
y = np.sin(x)

# 创建图表
fig = plt.figure(title="Zoom and Pan Example")
plt.plot(x, y)
plt.show()
1
2
3
4
5
6
7
8
9
10
11

이 예에서 사용자는 마우스 휠을 사용하여 차트를 확대 또는 축소하고 마우스를 드래그하여 차트를 이동할 수 있습니다.

선택하고 스와이프하세요.

선택 및 브러시 선택 기능을 통해 사용자는 추가 분석을 위해 차트 내의 특정 데이터 포인트나 영역을 선택할 수 있습니다.bqplot 제공BrushSelector 그리고LassoSelector 이 기능을 구현하는 구성 요소입니다.다음은 용도입니다BrushSelector 예:

from bqplot import BrushSelector

# 创建选择器
brush = BrushSelector(x_scale=x_scale, y_scale=y_scale)

# 将选择器添加到图表
fig.interaction = brush
1
2
3
4
5
6
7

이 예에서 사용자는 마우스를 드래그하여 차트의 직사각형 영역을 선택할 수 있으며 선택한 데이터 포인트가 강조 표시됩니다.

툴팁

사용자가 데이터 포인트 위에 마우스를 올리면 도구 설명에 자세한 정보가 표시될 수 있습니다.bqplot 제공Tooltip 이 기능을 달성하기 위한 구성 요소입니다. 간단한 예는 다음과 같습니다.

from bqplot import Tooltip

# 创建工具提示
tooltip = Tooltip(fields=['x', 'y'], formats=['.2f', '.2f'])

# 将工具提示添加到图表
scatter.tooltip = tooltip
1
2
3
4
5
6
7

이 예에서 사용자가 분산형 차트 데이터 포인트 위로 마우스를 가져가면 x 그리고y 값.

동적 업데이트

동적 업데이트 기능을 사용하면 사용자 입력이나 데이터 변경에 따라 차트를 동적으로 업데이트할 수 있습니다.bqplot 제공interacts 이 기능을 구현하는 모듈입니다. 간단한 예는 다음과 같습니다.

from ipywidgets import IntSlider

# 创建滑块
slider = IntSlider(value=50, min=0, max=100, step=1)

# 定义更新函数
def update_plot(change):
    new_value = change['new']
    scatter.x = np.linspace(0, new_value, 100)

# 绑定滑块到更新函数
slider.observe(update_plot, names='value')

# 显示滑块和图表
slider
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

이 예에서 사용자는 슬라이더 값을 조정하여 차트의 데이터를 동적으로 업데이트할 수 있습니다.

고급 기능 및 애플리케이션

7.1 대화형 대시보드

대화형 대시보드는 사용자가 대화형 구성 요소를 통해 데이터를 동적으로 탐색하여 데이터 뒤에 있는 정보를 더 깊이 이해할 수 있도록 하는 데이터 시각화의 중요한 응용 프로그램입니다. bqplot은 대화형 대시보드를 만드는 강력한 기능을 제공합니다. 다음은 여러 차트와 대화형 구성 요소가 포함된 대시보드를 만드는 방법을 보여주는 간단한 예입니다.

대화형 대시보드를 생성하려면

1. 필요한 라이브러리 가져오기：

   import bqplot as bq
   import ipywidgets as widgets
   from bqplot import pyplot as plt
   import numpy as np
   1
   2
   3
   4

2. 데이터 준비：

   x = np.arange(100)
   y = np.random.randn(100).cumsum()
   1
   2

3. 차트 구성 요소 만들기：

   line_chart = plt.plot(x, y, 'Line Chart')
   bar_chart = plt.bar(x, y, 'Bar Chart')
   1
   2

4. 대화형 구성 요소 만들기：

   dropdown = widgets.Dropdown(
       options=['Line Chart', 'Bar Chart'],
       value='Line Chart',
       description='Chart Type:'
   )
   1
   2
   3
   4
   5

5. 상호 작용 논리 정의：

   def on_change(change):
       if change['new'] == 'Line Chart':
           plt.clear()
           plt.plot(x, y, 'Line Chart')
       elif change['new'] == 'Bar Chart':
           plt.clear()
           plt.bar(x, y, 'Bar Chart')
   
   dropdown.observe(on_change, names='value')
   1
   2
   3
   4
   5
   6
   7
   8
   9

6. 복합 부품：

   dashboard = widgets.VBox([dropdown, plt.figure])
   display(dashboard)
   1
   2

위의 단계를 통해 사용자가 드롭다운 메뉴를 통해 다양한 차트 유형을 선택하여 동적 데이터 시각화를 달성할 수 있는 간단한 대화형 대시보드를 만들 수 있습니다.

7.2 데이터 선택기(Selector)

데이터 선택기는 데이터 필터링 및 상호 작용을 위한 bqplot의 중요한 구성 요소입니다. 데이터 선택기를 통해 사용자는 차트에서 직접 데이터를 선택하고 조작하여 보다 정교한 데이터 분석을 얻을 수 있습니다.

데이터 선택기 사용 예

1. 필요한 라이브러리 가져오기：

   import bqplot as bq
   import ipywidgets as widgets
   from bqplot import pyplot as plt
   import numpy as np
   1
   2
   3
   4

2. 데이터 준비：

   x = np.arange(100)
   y = np.random.randn(100).cumsum()
   1
   2

3. 차트 만들기：

   scatter_chart = plt.scatter(x, y, 'Scatter Chart')
   1

4. 데이터 선택기 만들기：

   selector = bq.interacts.BrushSelector(x_scale=scatter_chart.scales['x'], y_scale=scatter_chart.scales['y'])
   scatter_chart.interaction = selector
   1
   2

5. 선택 논리 정의：

   def on_selection(change):
       selected_data = scatter_chart.selected
       print(f"Selected Data: {selected_data}")
   
   selector.observe(on_selection, names='selected')
   1
   2
   3
   4
   5

6. 차트 표시：

   display(plt.figure)
   1

위의 단계를 통해 산점도에서 데이터 선택기를 만들 수 있습니다. 사용자는 마우스를 드래그하여 데이터 포인트를 선택하고 선택한 데이터를 콘솔에 출력할 수 있습니다.

7.3 투영 및 지도의 고급 응용

bqplot은 기본 2D 차트를 지원할 뿐만 아니라 다양한 지도 투영 및 고급 지리 차트를 만드는 데 사용할 수 있는 강력한 지리 차트 기능도 제공합니다.

지리 지도 생성의 예

1. 필요한 라이브러리 가져오기：

   import bqplot as bq
   import ipywidgets as widgets
   from bqplot import pyplot as plt
   import numpy as np
   1
   2
   3
   4

2. 지리 데이터 준비：

   import json
   with open('world.json') as f:
       world_data = json.load(f)
   1
   2
   3

3. 지리 지도 만들기：

   map_chart = bq.Map(
       map_data=bq.topo_load('world.json'),
       scales={'projection': bq.AlbersUSA()}
   )
   1
   2
   3
   4

4. 대화형 구성 요소 만들기：

   dropdown = widgets.Dropdown(
       options=['AlbersUSA', 'Mercator', 'Orthographic'],
       value='AlbersUSA',
       description='Projection:'
   )
   1
   2
   3
   4
   5

5. 상호 작용 논리 정의：

   def on_change(change):
       if change['new'] == 'AlbersUSA':
           map_chart.scales['projection'] = bq.AlbersUSA()
       elif change['new'] == 'Mercator':
           map_chart.scales['projection'] = bq.Mercator()
       elif change['new'] == 'Orthographic':
           map_chart.scales['projection'] = bq.Orthographic()
   
   dropdown.observe(on_change, names='value')
   1
   2
   3
   4
   5
   6
   7
   8
   9

6. 복합 부품：

   map_dashboard = widgets.VBox([dropdown, map_chart])
   display(map_dashboard)
   1
   2

위의 단계를 통해 다양한 지도 투영을 지원하는 지리적 지도를 만들 수 있습니다. 사용자는 드롭다운 메뉴를 통해 다양한 투영 방법을 선택하여 동적 지도 표시를 구현할 수 있습니다.

이러한 고급 기능과 애플리케이션을 통해 bqplot은 사용자에게 강력한 데이터 시각화 도구를 제공하여 Jupyter Notebook의 대화형 데이터 분석을 더욱 편리하고 효율적으로 만듭니다.

API 문서

8.1 파이플롯

bqplot 다음과 같은 것을 제공합니다matplotlib ~의pyplot API를 사용하면 사용자가 차트를 빠르게 만들고 표시할 수 있습니다.다음은 일반적으로 사용되는 몇 가지 사항입니다.pyplot 기능 및 예:

• figure(): 새 그래픽을 만듭니다.
• plot(): 꺾은선형 차트를 그립니다.
• scatter(): 산점도를 그립니다.
• bar(): 막대 차트를 그립니다.
• pie(): 원형 차트를 그립니다.
• hist(): 히스토그램을 그립니다.

샘플 코드:

from bqplot import pyplot as plt
import numpy as np

# 创建数据
x = np.arange(10)
y = x ** 2

# 创建图形
fig = plt.figure()

# 绘制折线图
plt.plot(x, y)

# 显示图形
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

8.2 객체 모델

bqplot 개체 모델은 그래픽 문법을 기반으로 하여 차트를 사용자 정의하는 보다 유연하고 자세한 방법을 제공합니다. 다음은 몇 가지 핵심 개체와 예입니다.

• Figure: 모든 마커와 축을 포함하는 그래프 컨테이너입니다.
• Mark: 선, 점, 막대 등 특정 그래픽 요소입니다.
• Axis: 축.
• Scale: 데이터를 그래프로 매핑합니다.

샘플 코드:

from bqplot import Figure, Axis, Scale, Lines
import numpy as np

# 创建数据
x = np.arange(10)
y = x ** 2

# 创建比例尺
x_scale = Scale(min=0, max=10)
y_scale = Scale(min=0, max=100)

# 创建轴
x_axis = Axis(scale=x_scale, label='X Axis')
y_axis = Axis(scale=y_scale, label='Y Axis', orientation='vertical')

# 创建标记
line = Lines(x=x, y=y, scales={'x': x_scale, 'y': y_scale})

# 创建图形
fig = Figure(marks=[line], axes=[x_axis, y_axis])

# 显示图形
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

8.3 도구 설명 및 도구 모음

bqplot 풍부한 툴팁과 툴바 기능을 제공하여 사용자가 더욱 편리하게 그래픽과 상호 작용할 수 있도록 합니다.

• Tooltip: 마우스를 올리면 데이터 정보를 표시합니다.
• Toolbar: 줌, 패닝 등의 인터랙티브 기능을 제공합니다.

샘플 코드:

from bqplot import Tooltip, Toolbar

# 创建工具提示
tooltip = Tooltip(fields=['x', 'y'], formats=['.2f', '.2f'])

# 创建工具栏
toolbar = Toolbar(figure=fig)

# 添加到图形
line.tooltip = tooltip
fig.toolbar = toolbar

# 显示图形
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14

8.4 상호 작용 및 시장 지도

bqplot 선택, 확대/축소, 패닝 등 복잡한 대화형 기능을 지원합니다. 또한,bqplot 또한 시장 지도와 같은 고급 시각화를 만드는 데에도 사용할 수 있습니다.

샘플 코드:

from bqplot import MarketMap
import pandas as pd

# 创建数据
data = pd.DataFrame({
    'label': ['A', 'B', 'C', 'D'],
    'values': [100, 200, 150, 300],
    'color': ['red', 'green', 'blue', 'yellow']
})

# 创建市场地图
market_map = MarketMap(names=data['label'], values=data['values'], colors=data['color'])

# 创建图形
fig = Figure(marks=[market_map])

# 显示图形
fig
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

위 API 문서의 도입을 통해 사용자는 더 잘 이해하고 사용할 수 있습니다. bqplot 풍부한 대화형 데이터 시각화를 생성하는 라이브러리입니다.

마이그레이션 가이드 및 기여

9.1 마이그레이션 가이드

Matplotlib 또는 Plotly와 같은 다른 데이터 시각화 라이브러리에서 bqplot으로 기존 프로젝트를 마이그레이션할 때 발생할 수 있는 몇 가지 문제가 있습니다. 마이그레이션 프로세스를 탐색하는 데 도움이 되는 몇 가지 주요 단계와 고려 사항은 다음과 같습니다.

9.1.1 bqplot의 기본 개념을 이해한다

마이그레이션을 시작하기 전에 먼저 다음을 포함하여 bqplot의 기본 개념을 이해해야 합니다.

• 저울: 선형 스케일, 로그 스케일 등 데이터의 매핑 방법을 정의합니다.
• 점수: 분산점, 선, 막대 등 차트의 시각적 요소를 나타냅니다.
• 축: 차트의 좌표축을 정의합니다.
• 상호작용: 사용자가 차트와 상호 작용하는 방법을 정의합니다.

9.1.2 데이터 준비

데이터가 준비되어 있고 bqplot에 필요한 형식으로 쉽게 변환될 수 있는지 확인하세요. 일반적으로 데이터는 Pandas DataFrame에 저장될 수 있으므로 데이터를 쉽게 조작하고 시각화할 수 있습니다.

9.1.3 점진적 이주

1. 필요한 라이브러리 가져오기：

   import bqplot as bq
   import pandas as pd
   import numpy as np
   1
   2
   3

2. 눈금 및 축 만들기：

   x_sc = bq.LinearScale()
   y_sc = bq.LinearScale()
   ax_x = bq.Axis(scale=x_sc, label='X Axis')
   ax_y = bq.Axis(scale=y_sc, label='Y Axis', orientation='vertical')
   1
   2
   3
   4

3. 태그 만들기：

   data = pd.DataFrame(np.random.randn(100, 2), columns=['X', 'Y'])
   scatter = bq.Scatter(x=data['X'], y=data['Y'], scales={'x': x_sc, 'y': y_sc})
   1
   2

4. 차트 만들기：

   fig = bq.Figure(axes=[ax_x, ax_y], marks=[scatter])
   1

5. 차트 표시：

   display(fig)
   1

9.1.4 상호작용 처리

bqplot은 다양한 속성을 설정하여 얻을 수 있는 풍부한 대화형 기능을 제공합니다. 예를 들어 확대/축소 및 이동 기능을 활성화하려면 다음을 수행하세요.

scatter.enable_move = True
scatter.enable_zoom = True
1
2

9.1.5 사용자 정의 스타일

bqplot을 사용하면 색상, 마커 스타일, 선 스타일 등을 포함하여 차트 스타일을 맞춤설정할 수 있습니다. 예를 들어, 분산형 차트의 모양을 사용자 정의하려면 다음을 수행하십시오.

scatter = bq.Scatter(x=data['X'], y=data['Y'], scales={'x': x_sc, 'y': y_sc}, colors=['blue'], default_size=20, marker='triangle-up', stroke='black')
1

9.2 기여 지침

bqplot은 오픈소스 프로젝트이며 커뮤니티 구성원은 코드, 문서, 예제를 기꺼이 제공할 수 있습니다. 다음은 bqplot 프로젝트에 기여를 시작하는 데 도움이 되는 몇 가지 기여 지침입니다.

9.2.1 개발 환경 설정

1. 복제 저장소：

   git clone https://github.com/bqplot/bqplot.git
   cd bqplot
   1
   2

2. 종속성 설치：

   pip install -r requirements.txt
   1

3. 개발 버전 설치：

   pip install -e .
   1

9.2.2 코드 작성

코드를 기여할 때 다음 지침을 따르십시오.

• 코딩 스타일:PEP 8 스타일 가이드를 따르세요.
• 문서: 새로운 기능이나 수정 사항에 대한 문서를 추가합니다.
• 시험:코드의 정확성을 보장하기 위해 단위 테스트를 작성합니다.

9.2.3 PR 제출

1. 지점 만들기：

   git checkout -b my-new-feature
   1

2. 변경 사항 커밋：

   git add .
   git commit -m "Add some feature"
   1
   2

3. 푸시 브랜치：

   git push origin my-new-feature
   1

4. 풀 요청 생성：
   변경 사항과 동기를 설명하는 새로운 끌어오기 요청을 GitHub에 작성하세요.

9.2.4 커뮤니티 참여

• 토론에 참여: bqplot의 Gitter 채팅방이나 GitHub 토론 포럼에 참여하여 다른 개발자와 소통하세요.
• 문제 신고: 문제나 버그를 발견하면 GitHub에 문제를 제출해 주세요.
• 피드백을 제공하다: 프로젝트가 더 잘 발전할 수 있도록 새로운 기능이나 개선 사항에 대한 피드백을 제공합니다.

이러한 지침을 따르면 bqplot 프로젝트에 귀중한 기여를 하고 Python 커뮤니티에서 대화형 데이터 시각화를 발전시키는 데 도움이 될 수 있습니다.

요약 및 전망

10.1 bqplot의 장점과 한계

이점

비큐플롯 에 기반을 두고 있다그래픽의 문법 2D 시각화 시스템은 다음을 위해 설계되었습니다.주피터 노트북 설계. 여기에는 다음과 같은 중요한 이점이 있습니다.

1. 상호작용: bqplot의 각 구성 요소는 대화형 위젯이므로 사용자는 시각화를 다른 Jupyter 대화형 위젯과 쉽게 통합하여 복잡한 그래픽 사용자 인터페이스(GUI)를 만들 수 있습니다.
2. 사용의 용이성: 사용자는 복잡한 그래픽 프로그래밍을 깊이 이해하지 않고도 간단한 Python 코드를 통해 다양한 차트를 빠르게 생성하고 사용자 정의할 수 있습니다.
3. 유연성: 다양한 데이터 시각화 요구 사항을 충족하기 위해 분산형 차트, 원형 차트, 상자 그림, 막대 차트 등 다양한 차트 유형을 지원합니다.
4. 완성: Jupyter 생태계와 완벽하게 통합되어 데이터 과학자 및 분석가가 데이터 분석 프로세스에 쉽게 사용할 수 있습니다.

한계

bqplot은 강력한 기능과 유연성을 제공하지만 몇 가지 제한사항도 있습니다.

1. 성능: 대규모 데이터 세트의 경우 특히 복잡한 차트와 대용량 데이터를 처리할 때 bqplot의 성능이 일부 전문 시각화 도구만큼 좋지 않을 수 있습니다.
2. 학습 곡선: bqplot은 상대적으로 시작하기 쉽지만 초보자의 경우 API 및 대화형 구성 요소에 익숙해지는 데는 시간이 걸립니다.
3. 지역사회 지원: 일부 성숙한 시각화 라이브러리에 비해 bqplot의 커뮤니티는 더 작으므로 문제가 발생할 때 도움을 받을 수 있는 리소스가 제한될 수 있습니다.

10.2 향후 개발 동향

활발한 오픈소스 프로젝트로서 bqplot의 향후 개발 동향은 주목할 만합니다.

1. 성능 최적화: 기술이 발전함에 따라 bqplot은 성능이 크게 향상되고 대규모 데이터 세트와 복잡한 차트를 더 잘 처리할 것으로 예상됩니다.
2. 새로운 기능 통합: 향후 버전에서는 3D 시각화, 애니메이션 지원 등과 같은 더욱 향상된 차트 유형과 대화형 기능이 도입될 수 있습니다.
3. 지역사회 성장: bqplot의 인기와 적용 범위가 확대됨에 따라 커뮤니티는 지속적으로 성장하고 더 많은 개발자와 사용자의 참여를 유도할 것으로 예상됩니다.
4. 크로스 플랫폼 지원: Jupyter Notebook 외에도 bqplot은 더 넓은 범위의 애플리케이션 시나리오를 제공하기 위해 다른 플랫폼 및 환경으로 확장될 수 있습니다.

간단히 말해서, 강력한 대화형 데이터 시각화 도구인 bqplot은 데이터 과학 분야에서 광범위한 응용 가능성을 가지고 있습니다. 지속적인 최적화와 기능 확장을 통해 데이터 분석 및 시각화에 대한 더 많은 가능성을 계속해서 제공할 것입니다.