Przejdź do głównej treści

course

Ulepszanie wizualizacji danych w Pythonie

Średnio zaawansowanyPoziom umiejętności

Zaktualizowano 01.2026

Twórz atrakcyjne wizualizacje, które skutecznie i efektywnie pomagają komunikować wyniki.

Rozpocznij Kurs Za Darmo

PythonData Visualization

4 godz.

15 videos

54 Exercises

4,650 PD

19,160

Oświadczenie o ukończeniu

Uwielbiane przez uczących się w tysiącach firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Dobra wizualizacja danych to fundament skutecznej analizy. Pomaga zarówno odkrywać wnioski ukryte w danych, jak i przekazywać je odbiorcom w przejrzysty sposób. Każdy na swojej drodze do zostania analitykiem danych uczy się tworzyć podstawowe wykresy punktowe czy słupkowe – jednak prawdziwy potencjał wizualizacji ujawnia się dopiero wtedy, gdy zatrzymasz się i zastanowisz: co, dlaczego i jak chcesz zwizualizować. W tym kursie nauczysz się tworzyć atrakcyjne i przekonujące wizualizacje, które pozwalają komunikować wyniki analiz w sposób jasny i efektywny. Omówimy porównywanie danych, zasady doboru kolorów, prezentowanie niepewności oraz dobieranie odpowiedniego rodzaju wykresu do konkretnej grupy odbiorców – na przykładach zbiorów danych dotyczących zanieczyszczenia powietrza w USA oraz targów rolniczych. Kurs zakończymy budowaniem dopracowanego raportu wizualnego na podstawie otwartych danych o targach rolniczych.

Wymagania wstępne

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

Rozpocznij Rozdział

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

Rozpocznij Rozdział

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

Rozpocznij Rozdział

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

Rozpocznij Rozdział

Ulepszanie wizualizacji danych w Pythonie

Ukończono
kurs

Zdobądź Certyfikat Ukończenia

Dodaj ten certyfikat do swojego profilu na LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i w swojej ocenie okresowejZapisz Się Teraz

Dołącz do ponad 19 milionów osób uczących się i zacznij Ulepszanie wizualizacji danych w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.