#16 Python Data Visualization Part 1 | Generating Data with Python | توليد البيانات باستخدام بايثون

#Python2020
Data Visualization Link: https://drive.google.com/file/d/1krYMkPPVepOVbh9pX1UgCqLQn6Mfjcr4/view?usp=sharing
? Data visualization involves exploring data through visual representations. It’s closely associated with data analysis, which uses code to explore the patterns and connections in a data set. A data set can be made up of a small list of numbers that fits in one line of code or it can be many gigabytes of data. Making beautiful data representations is about more than pretty pictures. When a representation of a data set is simple and visually appealing, its meaning becomes clear to viewers. People will see patterns and significance in your data sets that they never knew existed.
Fortunately, you don’t need a supercomputer to visualize complex data. With Python’s efficiency, you can quickly explore data sets made of millions of individual data points on just a laptop. Also, the data points don’t have to be numbers. With the basics you learned in the first part of this book, you can analyze nonnumerical data as well.
People use Python for data-intensive work in genetics, climate research, political and economic analysis, and much more. Data scientists have written an impressive array of visualization and analysis tools in Python, many of which are available to you as well. One of the most popular tools is Matplotlib, a mathematical plotting library. We’ll use Matplotlib to make simple plots, such as line graphs and scatter plots. Then we’ll create a more interesting data set based on the concept of a random walk—a visualization generated from a series of random decisions. We’ll also use a package called Plotly, which creates visualizations that work well on digital devices. Plotly generates visualizations that automatically resize to fit a variety of display devices. These visualizations can also include a number of interactive features, such as emphasizing particular aspects of the data set when users hover over different parts of the visualization. We’ll use Plotly to analyze the results of rolling dice.


بيثون#
يتضمن تصور البيانات استكشاف البيانات من خلال العروض المرئية. إنه قريب
المرتبطة بتحليل البيانات ، والتي تستخدم التعليمات البرمجية لاستكشاف الأنماط والاتصالات في مجموعة بيانات. يمكن أن تتكون مجموعة البيانات من قائمة صغيرة من الأرقام التي تتناسب مع سطر واحد من التعليمات البرمجية أو يمكن أن تحتوي على العديد من الجيجابايت من البيانات. إن تقديم تمثيلات بيانات جميلة هو أكثر من مجرد صور جميلة. عندما يكون تمثيل مجموعة بيانات بسيطًا وجذابًا بصريًا ، يصبح معناه واضحًا للمشاهدين. سيرى الأشخاص أنماطًا وأهمية في مجموعات البيانات الخاصة بك التي لم يعلموا بوجودها من قبل.
لحسن الحظ ، لا تحتاج إلى جهاز كمبيوتر فائق لتصور البيانات المعقدة. بفضل كفاءة Python ، يمكنك بسرعة استكشاف مجموعات البيانات التي تتكون من ملايين نقاط البيانات الفردية على جهاز كمبيوتر محمول فقط. أيضًا ، لا يجب أن تكون نقاط البيانات أرقامًا. من خلال الأساسيات التي تعلمتها في الجزء الأول من هذا الكتاب ، يمكنك تحليل البيانات غير العددية أيضًا.
يستخدم الناس Python للعمل المكثف للبيانات في علم الوراثة ، وبحوث المناخ ، والتحليل السياسي والاقتصادي ، وأكثر من ذلك بكثير. لقد كتب علماء البيانات مجموعة رائعة من أدوات التصور والتحليل في Python ، والعديد منها متاح لك أيضًا. واحدة من أكثر الأدوات شعبية هي Matplotlib ، وهي مكتبة تخطيطية رياضية. سنستخدم Matplotlib لعمل مخططات بسيطة ، مثل الرسوم البيانية الخطية والمخططات المبعثرة. ثم سننشئ مجموعة بيانات أكثر إثارة للاهتمام استنادًا إلى مفهوم المشي العشوائي - تصور تم إنشاؤه من سلسلة من القرارات العشوائية. سنستخدم أيضًا حزمة تسمى Plotly ، والتي تنشئ تصورات تعمل بشكل جيد على الأجهزة الرقمية. يولد Plotly تصورات يتم تغيير حجمها تلقائيًا لتناسب مجموعة متنوعة من أجهزة العرض. يمكن أن تتضمن هذه التصورات أيضًا عددًا من الميزات التفاعلية ، مثل التأكيد على جوانب معينة من مجموعة البيانات عندما يحوم المستخدمون فوق أجزاء مختلفة من التصور. سنستخدم Plotly لتحليل نتائج النرد المتداول.