Visualisierungen

Visualisierungen

Daten-Visualisierungen helfen, Muster, Ausreisser und Zusammenhänge in Daten schnell zu erfassen. Im Folgenden vier grundlegende Diagrammtypen:

1. Line Plot (Linienplot)
2. Histogramm
3. Bar Plot (Balkendiagramm)
4. Scatter Plot (Punktwolke)

---

1. Line Plot (Linienplot)

Ein Linienplot eignet sich besonders für Zeitreihen oder geordnete Daten, bei denen die x-Achse eine natürliche Reihenfolge (z. B. Zeitstempel) hat. Die Verbindung durch Linien betont Trends und Verläufe.

Anwendungsfälle

• Sensor- oder Messwerte über die Zeit
• Temperaturverlauf, Umsatzentwicklung

Beispielcode

import pandas as pd
import plotly.graph_objects as go

# Pseudodaten: tägliche Temperaturwerte
dates = pd.date_range('2025-01-01', periods=10, freq='D')
temperature = [5, 7, 6, 8, 10, 9, 11, 10.5, 12, 13]
df = pd.DataFrame({'Datum': dates, 'Temperatur': temperature})

fig = go.Figure()
fig.add_trace(go.Scatter(x=df['Datum'], y=df['Temperatur'], mode='markers+lines'))

fig.update_layout(
    title='Tägliche Temperaturwerte',
    xaxis_title='Datum',
    yaxis_title='Temperatur'
)

fig.show()

Zwei Linien

Um zwei Linien in der gleichen Grafik darzustellen, kann ein weiterer Trace hinzugefügt werden.

Wichtig ist, dass jetzt auch die Eigenschaft Name gesetzt wird.

Beispielcode

import pandas as pd
import plotly.graph_objects as go

# Pseudodaten: tägliche Temperaturwerte für zwei Orte
dates = pd.date_range('2025-01-01', periods=10, freq='D')
temperature_room1 = [5, 7, 6, 8, 10, 9, 11, 10.5, 12, 13]
temperature_room2 = [3, 4, 5, 6.5, 7, 8, 8.5, 9, 10, 10.5]

df = pd.DataFrame({
    'Datum': dates,
    'Raum A': temperature_room1,
    'Raum B': temperature_room2
})

fig = go.Figure()
fig.add_trace(go.Scatter(x=df['Datum'], y=df['Raum A'], mode='markers+lines', name='Raum A'))
fig.add_trace(go.Scatter(x=df['Datum'], y=df['Raum B'], mode='markers+lines', name='Raum B'))

fig.update_layout(
    title='Tägliche Temperaturwerte in zwei Städten',
    xaxis_title='Datum',
    yaxis_title='Temperatur (°C)',
    legend_title='Raum'
)

fig.show()

---

2. Histogramm

Ein Histogramm zeigt die Verteilung einer numerischen Variable, indem es den Wertebereich in Intervalle („Bins“) unterteilt und die Häufigkeit der Werte in jedem Bin zählt.

Anwendungsfälle

• Verteilungen von Messwerten (z. B. CO₂-Konzentrationen, Testscores)
• Identifikation von Schiefe der Verteilung oder Ausreissern

Beispielcode

import numpy as np
import plotly.graph_objects as go

data = np.random.normal(loc=50, scale=10, size=500)

fig = go.Figure(data=[go.Histogram(x=data, nbinsx=15)])

fig.update_layout(
    title='Histogramm der Luftfeuchtigkeiten',
    xaxis_title='Luftfeuchtigkeit',
    yaxis_title='Häufigkeit'
)

fig.show()

---

3. Bar Plot (Balkendiagramm)

Ein Bar Plot vergleicht kategoriale Werte oder aggregierte Grödden. Die x-Achse zeigt Kategorien, die y-Achse eine numerische Metrik (z. B. Mittelwerte, Summen).

Anwendungsfälle

• Durchschnittswerte pro Gruppe (z. B. Durchschnitts-CO₂ pro Raum)
• Summen, Zählungen je Kategorie (z. B. Anzahl Messwerte pro Raum)

Beispielcode

import pandas as pd
import plotly.graph_objects as go

# Beispiel für Temperaturdaten pro Raum
data = {'Raum': ['Raum 1', 'Raum 2', 'Raum 1', 'Raum 2', 'Raum 3'],
        'Temperatur': [20, 22, 21, 23, 24]}
temp_df = pd.DataFrame(data)

# Berechnung der durchschnittlichen Temperatur pro Raum
average_temp = temp_df.groupby('Raum')['Temperatur'].mean().reset_index()

fig = go.Figure(data=[go.Bar(x=average_temp["Raum"], y=average_temp["Temperatur"])])

fig.update_layout(
    title='Temperatur pro Raum',
    xaxis_title='Raum',
    yaxis_title='Temperatur'
)

fig.show()

---

4. Scatter Plot (Punktwolke)

Ein Scatter Plot zeigt die Beziehung zwischen zwei numerischen Variablen als Punktwolke. Er hilft, Zusammenhänge, Cluster und Ausreisser zu erkennen.

Anwendungsfälle

• Korrelation zwischen zwei Merkmalen
• Zusammenhang mit dem Auge abschätzen

Beispielcode

import numpy as np
import pandas as pd
import plotly.graph_objects as go

# Pseudodaten: zwei numerische Merkmale
np.random.seed(0)
x = np.random.uniform(0, 10, size=100) + 16    # z. B. Temperatur
y = 2.5 * x + np.random.normal(0, 5, size=100) # z. B. Luftfeuchtigkeit

df = pd.DataFrame({'Temperatur': x, 'Feuchtigkeit': y})

fig = go.Figure(data=[go.Scatter(x=df['Temperatur'], y=df['Feuchtigkeit'], mode='markers')])

fig.update_layout(
    title='Temperatur vs. Luftfeuchtigkeit',
    xaxis_title='Temperatur (°C)',
    yaxis_title='Luftfeuchtigkeit (%)'
)

fig.show()

---

Zusammenfassung

Diagramm	Zweck
Line Plot	Trends und Verläufe über geordnete Daten
Histogramm	Verteilung einer einzelnen Variable
Bar Plot	Vergleich zwischen Gruppen
Scatter Plot	Beziehung/Korrelation zwischen Merkmalen