In [1]:

from datetime import datetime
print(f'Päivitetty {datetime.now().date()} / Aki Taanila')

Päivitetty 2023-12-08 / Aki Taanila

Matplotlib - osa 1¶

Yksinkertainen pylväskaavio¶

Jos käytän pandas-kirjastoa, niin voin tehdä kaavion suoraan dataframesta plot-funktiolla. Käytettävissä on monia kaavioon vaikuttavia parametreja: https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html
Kaavion luonnin jälkeen voin muotoilla ja täydentää kaaviota matplotlib.pyplot-paketin komennoilla. Lue lisää https://matplotlib.org/stable/tutorials/pyplot.html ja https://matplotlib.org/stable/api/pyplot_summary.html
Joissain tapauksissa tarvitaan kaavion luonnin palauttamaa Axes-luokan oliota kaavion muotoiluun. Lue lisää https://matplotlib.org/stable/api/axes_api.html

Seaborn on matplotlibin päälle rakennettu paketti, joka tekee monista vaikeista asioista helppoja. Tässä muistiossa en käytä sitä muuuhun kuin grafiikan tyylimäärittelyyn.

In [2]:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Grafiikan tyylimäärittely, joka sisältää taustaviivoitukset (grid)
# Muita tyylivaihtoehtoja ovat 'darkgrid', 'dark', 'white' ja 'ticks'
sns.set_style('whitegrid')

In [3]:

df = pd.read_excel('https://taanila.fi/data1.xlsx')
df

Out[3]:

	nro	sukup	ikä	perhe	koulutus	palveluv	palkka	johto	työtov	työymp	palkkat	työteht	työterv	lomaosa	kuntosa	hieroja
0	1	1	38	1	1.0	22.0	3587	3	3.0	3	3	3	NaN	NaN	NaN	NaN
1	2	1	29	2	2.0	10.0	2963	1	5.0	2	1	3	NaN	NaN	NaN	NaN
2	3	1	30	1	1.0	7.0	1989	3	4.0	1	1	3	1.0	NaN	NaN	NaN
3	4	1	36	2	1.0	14.0	2144	3	3.0	3	3	3	1.0	NaN	NaN	NaN
4	5	1	24	1	2.0	4.0	2183	2	3.0	2	1	2	1.0	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
77	78	1	22	1	3.0	0.0	1598	4	4.0	4	3	4	NaN	1.0	1.0	NaN
78	79	1	33	1	1.0	2.0	1638	1	3.0	2	1	2	1.0	NaN	NaN	NaN
79	80	1	27	1	2.0	7.0	2612	3	4.0	3	3	3	1.0	NaN	1.0	NaN
80	81	1	35	2	2.0	16.0	2808	3	4.0	3	3	3	NaN	NaN	NaN	NaN
81	82	2	35	2	3.0	15.0	2183	3	4.0	4	3	4	1.0	NaN	NaN	NaN

82 rows × 16 columns

In [4]:

# Lasken eri koulutuksen suorittaneiden lukumäärät
df1 = pd.crosstab(df['koulutus'], 'lkm')
df1.index = ['Peruskoulu', '2. aste', 'Korkeakoulu', 'Ylempi korkeakoulu']
df1.columns.name = ''
df1

Out[4]:

	lkm
Peruskoulu	27
2. aste	30
Korkeakoulu	22
Ylempi korkeakoulu	2

Vaakapylväskaavio¶

Teen äsken luomastani dataframesta vaakapylväskaavion plot-funktiolla. Plot-funktiolla voin luoda eri kaaviolajeja, esimerkiksi pystypylväskaavion bar tai vaakapylväskaavion barh.

In [5]:

df1.plot(kind='barh')

Out[5]:

<Axes: >

Kaavion muotoilua¶

Mielestäni yhden arvosarjan kaavioissa selite on tarpeeton, joten piilotan sen legend-parametrilla
Kaavion otsikoksi (title) annan 'Koulutusjakauma'
Arvoakselin otsikoksi (xlabel) annan 'Lukumäärä'
Poistan tyylimäärittelystä tulleen vaakasuuntaisen taustaviivoituksen (grid)

In [6]:

df1.plot(kind='barh', legend=False)

plt.title('Koulutusjakauma')
plt.xlabel('Lukumäärä')
plt.grid(axis='y')

Hienosäätöä¶

Tallennan kaavion ax-muuttujaan, jotta voin viitata siihen myöhemmin
Määritän koon figsize-parametrilla
Lisään pylväiden pituuksia vastaavat lukumäärät pylväiden viereen bar_label-funtiolla
Käytän apuna for-silmukkaa, jolla käyn läpi kaavion pylväät containers-kokoelmasta yksi kerrallaan
padding-parametrilla lisään tyhjää tilaa pylvään ja arvon väliin

In [7]:

ax = df1.plot(kind='barh', figsize=(5, 3), legend=False)

plt.title('Koulutusjakauma')
plt.xlabel('Lukumäärä')
plt.grid(axis='y')

for container in ax.containers:
    ax.bar_label(container, padding=2)

Pystypylväskaavio¶

Pienin muutoksin voin toteuttaa edellisen pystypylväskaaviona.

Huomaa luokka-akselin otsikoiden 0 asteen kääntö (rot) ja pysty-akselin rajojen määritys (ylim).

In [8]:

ax = df1.plot(kind='bar', figsize=(6, 3), legend=False, rot=0)

plt.title('Koulutusjakauma')
plt.ylabel('Lukumäärä')
plt.grid(axis='x')
plt.ylim(0, 35)

for container in ax.containers:
    ax.bar_label(container, padding=2)

Prosenttien esittäminen¶

In [9]:

# Luon dataframen, jossa prosentit
df2 = pd.crosstab(df['koulutus'], 'f')
df2['%'] = df2['f'] / df2['f'].sum() * 100
df2.index = ['Peruskoulu', '2. aste', 'Korkeakoulu', 'Ylempi korkeakoulu']
df2.columns.name = ''
df2

Out[9]:

	f	%
Peruskoulu	27	33.333333
2. aste	30	37.037037
Korkeakoulu	22	27.160494
Ylempi korkeakoulu	2	2.469136

n-arvo¶

Kirjoitan x-akselin otsikon muotoiltuna merkkijonona (f-string). Muotoillussa merkkijonossa voin aaltosulkujen sisällä viitata muuttujan arvoon tai laskutoimituksen tulokseen. Tässä tapauksessa lasken df2:n f-sarakkeen lukujen summan ja muunnan tuloksen merkkijonoksi str-funktiolla. Jos mutoiltu merkkijono on heittomerkkien välissä, niin en voi käyttää heittomerkkejä merkkijonon sisällä. Sen sijaan voin käyttää lainausmerkkejä. Toisinpäin: jos muotoiltu merkkijono on lainausmerkkien välissä, niin merkkijonon sisällä pitää käyttää heittomerkkejä lainausmerkkien sijasta.

Prosenttilukujen muotoilu¶

Muotoilen pylväiden viereen sijoitettavat prosenttiluvut muotoilukoodilla '{:.1f} %' prosenttiluvuiksi yhdellä desimaalilla.

In [10]:

ax = df2['%'].plot(kind='barh', figsize=(5, 3))

plt.title('Koulutusjakauma')
plt.xlabel(f'%, n = {str(df2["f"].sum())}')
plt.grid(axis='y')
plt.xlim(0, 42)

for container in ax.containers:
    ax.bar_label(container, padding=2, fmt='{:.1f} %')

Kaavion tallennus¶

Kun tallennan kaavion savefig-funktiolla, niin tarkkaan ottaen tallennan kuvion (figure), jonka sisällä kaavio on. Kuvioon pääsen käsiksi plt.gcf-funktiolla (get current figure).

Ilman parametria bbox_inches='tight' osia kaavion reunoilta voi jäädä tallentumatta.

Tallennusmuoto määräytyy tiedostonimen tarkentimen (esimerkiksi .png) perusteella. Mahdolliset tallennusmuodot selviävät komennolla plt.gcf().canvas.get_supported_filetypes()

In [11]:

ax = df2['%'].plot(kind='barh', figsize=(5, 3))

plt.title('Koulutusjakauma')
plt.xlabel(f'%, n = {str(df2["f"].sum())}')
plt.grid(axis='y')
plt.xlim(0, 43)

for container in ax.containers:
    ax.bar_label(container, padding=2, fmt='{:.1f} %')

# Tallennus
plt.gcf().savefig('testi1.png', bbox_inches='tight')

Lisätietoa¶

Matplotlib - osa 2 käsittelee useamman arvosarjan pylväskaavioita: https://nbviewer.jupyter.org/github/taanila/kaaviot/blob/master/matplotlib2.ipynb