メインコンテンツへスキップ

ホーム Python

コース

Pythonでデータ可視化を磨く

中級スキルレベル

更新日 2026/01

結果を効率的かつ効果的に伝える、魅力的で説得力のある可視化の作り方を学ぶ。

コースを無料で開始

PythonData Visualization

4 時間

15 ビデオ

54 演習

4,650 XP

19,160

修了証明書

何千もの企業の従業員が愛用

チームのトレーニングを担当していますか？

ビジネス向けをお試しください

コース内容

優れたデータ可視化は、インパクトのあるデータサイエンスの要です。可視化は、データから洞察を見つけることにも、その洞察を相手に伝えることにも役立ちます。データサイエンティストを目指す過程で、誰もが散布図や棒グラフの基本は学びますが、可視化の真価は、データを「何を・なぜ・どのように」見せるかを一歩引いて考えたときに発揮されます。本コースでは、分析結果を効率的かつ効果的に伝えられる、説得力があり見た目に優れた可視化の作り方を学びます。データ比較、色の使い方、不確実性の表現、そして対象となる受け手に合った可視化の選び方を、全米の大気汚染とファーマーズマーケットのデータセットを用いて解説します。最後に、オープンアクセスのファーマーズマーケットデータを用いて、完成度が高く印象的なビジュアルレポートを作成して締めくくります。

前提条件

Python Toolbox Introduction to Data Visualization with Matplotlib Introduction to Data Visualization with Seaborn

1

Highlighting Your Data

How do you show all of your data while making sure that viewers don't miss an important point or points? Here we discuss how to guide your viewer through the data with color-based highlights and text. We also introduce a dataset on common pollutant values across the United States.

Highlighting data

Hardcoding a highlight

Programmatically creating a highlight

Comparing groups

Comparing with two KDEs

Improving your KDEs

Annotations

A basic text annotation

Arrow annotations

Combining annotations and color

チャプター開始

2

Using Color in Your Visualizations

Color is a powerful tool for encoded values in data visualization. However, with this power comes danger. In this chapter, we talk about how to choose an appropriate color palette for your visualization based upon the type of data it is showing.

Color in visualizations

Getting rid of unnecessary color

Fixing Seaborn's bar charts

Continuous color palettes

Making a custom continuous palette

Customizing a diverging palette heatmap

Adjusting your palette according to context

Categorical palettes

Using a custom categorical palette

Dealing with too many categories

Coloring ordinal categories

Choosing the right variable to encode with color

チャプター開始

3

Showing Uncertainty

Uncertainty occurs everywhere in data science, but it's frequently left out of visualizations where it should be included. Here, we review what a confidence interval is and how to visualize them for both single estimates and continuous functions. Additionally, we discuss the bootstrap resampling technique for assessing uncertainty and how to visualize it properly.

Point estimate intervals

Basic confidence intervals

Annotating confidence intervals

Confidence bands

Making a confidence band

Separating a lot of bands

Cleaning up bands for overlaps

90, 95, and 99% intervals

90 and 95% bands

Using band thickness instead of coloring

Visualizing the bootstrap

The bootstrap histogram

Bootstrapped regressions

Lots of bootstraps with beeswarms

チャプター開始

4

Visualization in the Data Science Workflow

Often visualization is taught in isolation, with best practices only discussed in a general way. In reality, you will need to bend the rules for different scenarios. From messy exploratory visualizations to polishing the font sizes of your final product; in this chapter, we dive into how to optimize your visualizations at each step of a data science workflow.

First explorations

Looking at the farmers market data

Scatter matrix of numeric columns

Digging in with basic transforms

Exploring the patterns

Is latitude related to months open?

What state is the most market-friendly?

Popularity of goods sold by state

Making your visualizations efficient

Stacking to find trends

Using a plot as a legend

Tweaking your plots

Cleaning up the background

Remixing a plot

Enhancing legibility

チャプター開始

Pythonでデータ可視化を磨く

コース完了

修了証明書を取得

この資格をLinkedInプロフィール、履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と一緒にPythonでデータ可視化を磨くを今日から始めましょう！

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。