Daten visualisieren mit Python (fünf Links und eine Zugabe)

Für diesen Sonntag habe ich fünf Links (und eine Zugabe) zum Thema »Datenvisualisierung mit Python« herausgesucht, die ich spannend, lehrreich und außerdem noch unterhaltsam fand. Den Anfang macht obiges Video »Introduction to GIS Analysis with GeoPandas using Python«, das in einer knappen halben Stunde in GeoPandas einführt. GeoPandas ist eine freie (BSD-Lizenz) Bibliothek, die das Arbeiten mit geographischen Daten in Python (mit Hilfe von Pandas-Dataframes) vereinfachen will. Die Dokumentation findet Ihr hier und den Quellcode gibt es auf GitHub.

Und nun weiter im Text:

• Wolltet Ihr nicht schon immer einmal Pilze sammeln, habt Euch aber nicht getraut, weil Ihr einen Champignon nicht von einem Fliegenpilz unterscheiden könnt. Dann geht es Euch wie mir und benötigt unbedingt dieses Tutorial von Amal Laouaj Nozieres: »Computer vision: Let’s classify mushrooms – Image classification with Tensorflow«. Dazu gibt es auch noch einen – mindestens ebenso abgefahrenen – Nachfolgebeitrag »YOLOv5, End-to-End object detector project on custom dataset« vom gleichen Autor. Doch ich möchte eine Warnung aussprechen: Auch wenn der Autor die Ergebnisse seiner KI-Versuche als pretty good bezeichnet, würde ich vor dem Verzehr der klassifizierten Pilze sicherheitshalber doch einen ausgewiesenen, menschlichen Pilz-Experten zu Rate ziehen.

• Hierarchisch tief verschachtelte Daten sind oft schwer zu visualisieren. Hier möchte John Micah Reid mit seinem Tutorial »Visualize hierarchical data using Plotly and Datapane« helfen. Er zeigt verschiedene Visualisierungsmethoden anhand der gewichteten Daten des US Consumer Price Index (CPI) und diskutiert die Vor- und Nachteile der jeweiligen Darstellungen. Er nutzt für die Darstellung einen kostenlosen Datapane-Account.

• Venn-Diagramme werden außerhalb der Logik für Visualisierungen eher selten genutzt. Elena V Kazakova zeigt aber in »Venn Diagram: A Not So Common Visualization Tool« einige use cases, in denen Mengendiagramme durchaus sinnvoll sein können.

• Neben der derzeitigen Pandemie ist wohl die zukünftige Entwicklung unseres Klimas eines der wichtigsten und am meinsten diskutierten Themen in der Wissenschaft. Camilla Massi, Silvia Paolucci und Francesco Tontarelli wollen diese Diskussion mit Daten unterstützen: »Climate change: Interactive Plotly Dash to discover our future prospective – Data science to find out more about what is going on in cities, countries and our world and what will happen«.

War sonst noch was? Ach ja, zum Thema Klimawandel hat sich auch Lorentz Matzat zu Wort gemeldet. Er fordert: »Klimadatenjournalismus sollte es nicht darauf beruhen lassen, Temperaturanstiegsprognosen, schmelzendes Eismassen und schrumpfende Kohlenstoffbudgets wiederzugeben; vielmehr muß er sich darum drehen, vollmundig angekündigte Einsparziele wie jetzt nach dem Urteil des Bundesverfassungsgerichts anhand von Daten auf den Zahn zu fühlen: Sind die angekündigten Maßnahmen konkret genug, erscheinen sie realistisch oder bauen sie auf fragwürdigen Fantasien über zum Beispiel Wasserstofftechnologie und Zertifikatshandel auf? Kontinuierlich wäre zu beobachten, wer und was dem Erreichen der Ziele im Weg steht.« Das hat zwar höchstens indirekt etwas mit Python zu tun, dennoch habe ich dem nichts hinzuzufügen.

(Kommentieren)