Visualisation avancée avec Pandas et Matplotlib / Seaborn

Pandas dispose de fonctionnalités de tracé de base intégrées et, en l'associant à Matplotlib et Seaborn, vous pouvez créer des graphiques de visualisation plus riches.


Tracé intégré de Pandas

Graphique en courbes

Exemple

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Activer l'affichage du chinois (nécessite une police chinoise installée dans le système)
# plt.rcParams['font.sans-serif'] = ['SimHei']
# plt.rcParams['axes.unicode_minus'] = False

# Créer des données de séries temporelles
dates = pd.date_range("2024-01-01", periods=30, freq="D")
df = pd.DataFrame({
    "Date": dates,
    "Sales": 100 + np.random.randn(30).cumsum(),
    "Visitors": 50 + np.random.randn(30).cumsum() * 10
})
df = df.set_index("Date")

print("Données :")
print(df.head())
print("\n"Préparation des données du graphique terminée, veuillez utiliser plt.show() pour afficher le graphique")

Diagramme à barres

Exemple

import pandas as pd
import matplotlib.pyplot as plt

# Données catégorielles
data = {
    "Produit": ["A", "B", "C", "D", "E"],
    "Unités vendues": [120, 150, 90, 180, 110]
}
df = pd.DataFrame(data)

# Diagramme à barres
print("Utilisez df.plot.bar() pour tracer un diagramme à barres")
print("\n"Données :")
print(df)

Diagramme circulaire

Exemple

import pandas as pd

# Données du diagramme circulaire
s = pd.Series([30, 25, 20, 15, 10], index=["A", "B", "C", "D", "E"])

print("Utilisez s.plot.pie() pour tracer un diagramme circulaire")
print("\n"Données :")
print(s)

Combinaison avec Matplotlib

Exemple

import pandas as pd
import numpy as np

# Créer des données
df = pd.DataFrame({
    "x": range(10),
    "y1": np.random.randn(10).cumsum(),
    "y2": np.random.randn(10).cumsum() + 5
})

print("Exemple de code de tracé Matplotlib :")
print("""
import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))

# Diagramme linéaire
ax1.plot(df["x"], df["y1"], label="Y1", color="blue")
ax1.plot(df["x"], df["y2"], label="Y2", color="red")
ax1.set_title("Diagramme linéaire")
ax1.legend()
ax1.grid(True)

# Nuage de points
ax2.scatter(df["y1"], df["y2"], alpha=0.6)
ax2.set_title("Nuage de points")
ax2.set_xlabel("Y1")
ax2.set_ylabel("Y2")

plt.tight_layout()
plt.show()
"""
)

Disposition des sous-graphiques

Exemple

import pandas as pd
import numpy as np

# Exemple de sous-graphique 2x2
print("Exemple de disposition de sous-graphiques 2x2 :")
print("""
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# 1. Graphique en courbes
df["y1"].plot(ax=axes[0, 0])
axes[0, 0].set_title("Graphique linéaire")

# 2. Diagramme à barres
df["y2"].plot.bar(ax=axes[0, 1])
axes[0, 1].set_title("Diagramme à barres")

# 3. Histogramme
df["y1"].hist(ax=axes[1, 0], bins=10)
axes[1, 0].set_title("Histogramme")

# 4. Diagramme circulaire
pd.Series([10, 20, 30]).plot.pie(ax=axes[1, 1])
axes[1, 1].set_title("Diagramme circulaire")

plt.tight_layout()
plt.show()
"""
)

Visualisation avancée avec Seaborn

Exemple

import pandas as pd
import numpy as np

# Démontrer les fonctionnalités de Seaborn
print("Exemple de visualisation Seaborn :")
print("""
import seaborn as sns
import matplotlib.pyplot as plt

# Définir le style
sns.set_style("whitegrid")

# 1. Graphique relationnel
fig, ax = plt.subplots(figsize=(8, 5))
sns.lineplot(data=df, x="x", y="y1", ax=ax)
ax.set_title("Diagramme linéaire")

# 2. Diagramme de distribution
sns.histplot(df["y1"], kde=True, ax=ax)

# 3. Diagramme en boîte
sns.boxplot(data=df, x="category", y="value")

# 4. Carte thermique
sns.heatmap(df.corr(), annot=True, cmap="coolwarm")

plt.show()
"""
)

Matplotlib offre un contrôle de bas niveau, tandis que Seaborn propose une interface de haut niveau. La combinaison des deux permet de créer une variété de graphiques professionnels.

Autres extensions