Как построить несколько графиков на одном графике в Python?

Визуализация данных играет важнейшую роль в современном анализе данных, особенно в таких областях, как интернет-маркетинг и контекстная реклама. Построение нескольких графиков на одном графике позволяет наглядно представлять различные наборы данных и облегчает процесс выявления трендов и взаимосвязей. Рассмотрим, как эффективно использовать Python для создания такого рода визуализаций.

Основные библиотеки для визуализации данных в Python

Matplotlib

Matplotlib – это наиболее популярная библиотека для создания графиков и визуализаций в Python. Она предлагает широкие возможности для создания различных типов графиков, включая линейные, столбчатые и графики с разбросом.

Основные функции Matplotlib:

• plt.plot() для создания линейных графиков
• plt.bar() для столбчатых графиков
• plt.scatter() для графиков с разбросом

Пример использования Matplotlib для построения линейного графика:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y1 = [1, 4, 9, 16]
y2 = [1, 2, 3, 4]

plt.plot(x, y1, label='Квадраты')
plt.plot(x, y2, label='Линейный')
plt.legend()
plt.show()

Seaborn

Seaborn строит на основе Matplotlib и предлагает более высокоуровневые функции для создания сложных графиков. Seaborn упрощает создание статистических графиков и имеет отличные встроенные стили.

Сравнение с Matplotlib:

• Упрощенная настройка стилей и палитр
• Более удобные функции для работы с DataFrame

Пример использования Seaborn:

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

data = pd.DataFrame({
    'x': [1, 2, 3, 4],
    'y1': [1, 4, 9, 16],
    'y2': [1, 2, 3, 4]
})

sns.lineplot(x='x', y='y1', data=data, label='Квадраты')
sns.lineplot(x='x', y='y2', data=data, label='Линейный')
plt.legend()
plt.show()

Pandas Visualization

Pandas тоже предлагает базовые функции для визуализации, которые отлично интегрированы в DataFrame. Это позволяет быстро строить простые графики без необходимости импорта других библиотек.

Пример использования функции визуализации Pandas:

import pandas as pd

data = pd.DataFrame({
    'x': [1, 2, 3, 4],
    'y1': [1, 4, 9, 16],
    'y2': [1, 2, 3, 4]
})

data.plot(x='x', y=['y1', 'y2'], kind='line')
plt.show()

Подготовка данных

Перед визуализацией данных, необходима их подготовка. Возьмем данные о продажах в компании: соберем их и предварительно обработаем для визуализации.

Пример подготовки данных

import pandas as pd

# Сбор данных
data = {
    'Date': pd.date_range(start='2023-01-01', periods=4, freq='M'),
    'Sales_A': [200, 220, 250, 300],
    'Sales_B': [180, 210, 230, 310]
}
df = pd.DataFrame(data)

# Предварительная обработка
df['Month'] = df['Date'].dt.month
print(df)

Создание графиков

Построение линейных графиков

Линейные графики позволяет наглядно отобразить изменения показателей во времени.

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y1 = [1, 4, 9, 16]
y2 = [1, 2, 3, 4]

plt.plot(x, y1, label='Квадраты')
plt.plot(x, y2, label='Линейный')
plt.legend()
plt.show()

В этом коде мы используем plt.plot() для отображения двух линий на одном графике. Оси X и Y назначаются автоматически.

Построение графиков с разбросом

Графики с разбросом отлично подходят для визуализации зависимости между двумя переменными.

plt.scatter(x, y1, color='red', label='Данные A')
plt.scatter(x, y2, color='blue', label='Данные B')
plt.legend()
plt.show()

Такой подход можно использовать, например, для анализа рекламных кампаний, сравнивая бюджеты и прибыли.

Столбчатые графики

Столбчатые графики позволяют сравнивать несколько категорий.

import numpy as np

bar_width = 0.35
r1 = np.arange(len(y1))
r2 = [x + bar_width for x in r1]

plt.bar(r1, y1, width=bar_width, label='Данные A')
plt.bar(r2, y2, width=bar_width, label='Данные B')
plt.legend()
plt.show()

Столбчатые графики полезны для сравнения данных продаж между различными периодами или продуктами.

Компоновка нескольких графиков

Для создания нескольких графиков на одном графике можно использовать объектный подход Matplotlib.

fig, ax = plt.subplots()
ax.plot(x, y1, label='График 1')
ax.plot(x, y2, label='График 2')
ax.set_xlabel('Ось X')
ax.set_ylabel('Ось Y')
ax.set_title('Несколько графиков на одном')
ax.legend()
plt.show()

Альтернативные методы

Для более сложной компоновки, можно использовать Subplots:

fig, axs = plt.subplots(2, 2)
axs[0, 0].plot(x, y1)
axs[0, 1].plot(x, y2)
axs[1, 0].plot(y1, x)
axs[1, 1].plot(y2, x)
plt.show()

Заключение

Мы рассмотрели основные способы построения нескольких графиков на одном графике в Python с использованием библиотек Matplotlib, Seaborn и Pandas. Визуализация данных является неотъемлемой частью анализа данных, и использование этих инструментов позволяет более эффективно представлять и анализировать информацию.

Список источников

• Matplotlib documentation: https://matplotlib.org/stable/contents.html
• Seaborn documentation: https://seaborn.pydata.org/
• Pandas documentation: https://pandas.pydata.org/pandas-docs/stable/