
منتشرشده در towardsdatascience به تاریخ ۲ سپتامپر ۲۰۲۱
لینک منبع Connecting Widgets To Visualizations
تجسم دادهها به تجزیه و تحلیل الگوهای پنهان در دادههایی کمک میکند که برای چشمان انسان قابلرویت نیستند. همچنین میتواند به درک رفتار داده و ارتباط داده کمک کند. طیف گستردهای از تصویرسازیها وجود دارند که میتوانند برای تجزیه و تحلیل دادههایی مانند نمودارهای بار، نمودارهای پراکندگی و غیره مورد استفاده قرار گیرند.
کنترل تصویرسازی زمانی میتواند مفید باشد که ما در حال تلاش برای تجزیه و تحلیل نقاط داده مختلف هستیم. این روش نه تنها به کنترل دادهها کمک میکند بلکه میتواند برای نشان دادن نحوه رفتار یک نقطه داده نسبت به دیگر نقاط داده نیز مورد استفاده قرار گیرد.
آی پی ویجت یک کتابخانه پایتون منبع باز است که برای ایجاد ویجتها استفاده میشود که میتواند در کنترل نمودارها یا دادهها مفید باشد و آن را تعاملی کند.
در این مقاله، ما به بررسی چگونگی کنترل مصورسازی دادهها با استفاده از ویجتهای ایجاد شده با استفاده از IPyWidgets میپردازیم.
بیایید شروع کنیم …
در این مقاله، ما یک تصویرسازی با استفاده از بوکه و ایجاد ویجت با استفاده از آی پی ویجت ایجاد خواهیم کرد. بنابراین ما باید این کتابخانهها را با استفاده از نصب pip نصب کنیم. فرمانی که در زیر داده شدهاست هر دو کتابخانه را نصب خواهد کرد.
!pip install bokeh
!pip install ipywidgets
در این مرحله، ما تمام کتابخانههای مورد نیاز برای ایجاد تجسم و ویجت را وارد خواهیم کرد.
import numpy as np
import bokeh
from bokeh.models import ColumnDataSource
from bokeh.plotting import figure, show, output_notebook
from ipywidgets import interact
حالا ما تصویرسازی را خلق میکنیم که میخواهیم با استفاده از ویجتها کنترل کنیم. قبل از ایجاد تصویرسازی، ما باید دستور بوکه را برای نشان دادن تجسمها در نوتبوک اجرا کنیم.
output_notebook(bokeh.resources.INLINE)x = np.linspace(0, 2*np.pi, 2000)
y = np.sin(x)
source = ColumnDataSource(data=dict(x=x, y=y))
p = figure(title="Bokeh example", plot_height=300, plot_width=600)
p.line('x', 'y', source=source, color="#2222aa", line_width=3)
show(p, notebook_handle=True)

حالا ما با ایجاد ویجت شروع میکنیم که از آن برای کنترل تصویرسازی که در بالا ایجاد کردیم استفاده خواهیم کرد.
def update(f, w=2, A=1, phi=0):
if f == "sin": func = np.sin
elif f == "cos": func = np.cos
elif f == "tan": func = np.tan
source.data['y'] = A * func(w * x + phi)
bokeh.io.push_notebook()_ = interact(update, f=["sin", "cos", "tan"], w=(0,100), A=(1,10), phi=(0, 10, 0.1))

اکنون ما از این ویجت برای کنترل مصورسازی که در بالا ایجاد کردیم استفاده میکنیم.

در اینجا شما میتوانید به وضوح شیوههای مختلف کنترل تصویرسازی که ایجاد کردهایم را به تصویر بکشید. این کار را با تصویرسازیهای مختلف امتحان کنید و آنها را با استفاده از ویجتها کنترل کنید.
از خواندن شما متشکرم!
این متن با استفاده از ربات ترجمه مقاله دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه میتواند دارای برخی اشکالات ترجمه باشد.
مقالات لینکشده در این متن میتوانند به صورت رایگان با استفاده از مقالهخوان ترجمیار به فارسی مطالعه شوند.