Visualisera data

  • 6 minuter

Ett av de mest intuitiva sätten att analysera resultatet av datafrågor är att visualisera dem som diagram. Notebook-filer i Azure Databricks tillhandahåller diagramfunktioner i användargränssnittet, och när den funktionen inte ger det du behöver kan du använda ett av de många Python-grafikbiblioteken för att skapa och visa datavisualiseringar i notebook-filen.

Använda inbyggda notebook-diagram

När du visar en dataram eller kör en SQL-fråga i en Spark-notebook-fil i Azure Databricks visas resultatet under kodcellen. Som standard återges resultaten som en tabell, men du kan också visa resultatet som en visualisering och anpassa hur diagrammet visar data, som du ser här:

En skärmdump av ett anteckningsblock som visar en grafisk representation av produktantal efter kategori.

Visualiseringstyper

Det här är de olika typerna av visualiseringar som du kan göra i Databricks, som var och en är bra för vissa typer av datainsikter. Viktiga punkter:

  • Stapeldiagram/linjediagram/ytdiagram: för att visa trender över tid, kategoriska jämförelser eller både och. Användbart för att se hur mått utvecklas.

  • Cirkeldiagram: bra för att visa proportionella delar av en helhet (men inte för tidsserier).

  • Histogram: för att se distribution av numeriska data (hur värden sprids, grupperas).

  • Heatmap: användbart för att visualisera två kategoriska axlar och färgläggning med ett numeriskt värde, hjälper dig att se mönster mellan grupper.

  • Punkt-/bubbeldiagram: visa relationen mellan två (eller flera) numeriska variabler; bubblor tillåter användning av storlek eller färg som en tredje dimension.

  • Lådritning: för att jämföra fördelningar (spridning, kvartiler, extremvärden) mellan kategorier.

  • Kombinationsdiagram: blandning av linjer och staplar i samma diagram, användbart där du vill jämföra olika mått med olika skalor.

  • Pivottabell: gör att du kan omforma och aggregera data i tabellform (t.ex. SQL PIVOT/GROUP BY), vilket är användbart för analyser mellan flikar.

  • Särskilda typer: kohortanalys (spårningsgrupper över tid), räknarvisning (markera ett enda sammanfattningsmått, kanske mot målet), tratt, kartvisualiseringar (choropleth, markör), ordmoln osv. Dessa är mer specialiserade.

De inbyggda visualiseringsfunktionerna i notebook-filer är användbara när du snabbt vill sammanfatta data visuellt. När du vill ha mer kontroll över hur data formateras eller visa värden som du redan har aggregerat i en fråga bör du överväga att använda ett grafikpaket för att skapa egna visualiseringar.

Använda grafikpaket i programkod

Det finns många grafikpaket som du kan använda för att skapa datavisualiseringar i kod. I synnerhet har Python stöd för ett stort urval av paket. de flesta bygger på det grundläggande Matplotlib-biblioteket . Utdata från ett grafikbibliotek kan återges i en notebook-fil, vilket gör det enkelt att kombinera kod för att mata in och manipulera data med infogade datavisualiseringar och markdown-celler för att ge kommentarer.

Du kan till exempel använda följande PySpark-kod för att aggregera data från de hypotetiska produktdata som utforskades tidigare i den här modulen och använda Matplotlib för att skapa ett diagram från aggregerade data.

from matplotlib import pyplot as plt

# Get the data as a Pandas dataframe
data = spark.sql("SELECT Category, COUNT(ProductID) AS ProductCount \
                  FROM products \
                  GROUP BY Category \
                  ORDER BY Category").toPandas()

# Clear the plot area
plt.clf()

# Create a Figure
fig = plt.figure(figsize=(12,8))

# Create a bar plot of product counts by category
plt.bar(x=data['Category'], height=data['ProductCount'], color='orange')

# Customize the chart
plt.title('Product Counts by Category')
plt.xlabel('Category')
plt.ylabel('Products')
plt.grid(color='#95a5a6', linestyle='--', linewidth=2, axis='y', alpha=0.7)
plt.xticks(rotation=70)

# Show the plot area
plt.show()

Matplotlib-biblioteket kräver att data finns i en Pandas-dataram i stället för en Spark-dataram, så metoden toPandas används för att konvertera den. Koden skapar sedan en bild med en angiven storlek och ritar ett stapeldiagram med en anpassad egenskapskonfiguration innan det resulterande diagrammet visas.

Diagrammet som skapas av koden skulle se ut ungefär så här:

Ett stapeldiagram som visar produktantal per kategori.

Du kan använda Matplotlib-biblioteket för att skapa många typer av diagram. eller om du vill kan du använda andra bibliotek, till exempel Seaborn , för att skapa mycket anpassade diagram.

Anmärkning

Biblioteken Matplotlib och Seaborn kan redan vara installerade i Databricks-kluster, beroende på Databricks Runtime för klustret. Om inte, eller om du vill använda ett annat bibliotek som inte redan är installerat, kan du lägga till det i klustret. Mer information finns i Klusterbibliotek i Azure Databricks-dokumentationen.