В этой статье блога мы углубимся в процесс построения данных о расходах миль на галлон (миль на галлон). MPG является важным показателем при анализе топливной эффективности, и визуализация этих данных может дать ценную информацию. Мы рассмотрим различные методы построения графиков MPG, сопровождаемые примерами кода на популярных языках программирования, таких как Python и R. Итак, давайте углубимся и узнаем о различных способах визуализации данных MPG!

1. Линейный график.
   Линейный график – это простой и эффективный способ визуализировать изменения MPG с течением времени. Вот пример использования библиотеки Python matplotlib:

import matplotlib.pyplot as plt
# Sample data
mpg_data = [25, 28, 30, 32, 27, 26, 24, 29, 28, 31]
# Plotting
plt.plot(mpg_data)
plt.xlabel('Time')
plt.ylabel('MPG')
plt.title('MPG Over Time')
plt.show()

2. Гистограмма.
   Гистограмма может предоставить обзор распределения значений MPG. Для этого примера воспользуемся библиотекой Python seaborn:

import seaborn as sns
# Sample data
mpg_data = [25, 28, 30, 32, 27, 26, 24, 29, 28, 31]
# Plotting
sns.histplot(mpg_data, kde=True)
plt.xlabel('MPG')
plt.ylabel('Frequency')
plt.title('Distribution of MPG')
plt.show()

3. Блок-диаграмма.
   Блок-диаграмма полезна для визуализации распределения MPG по различным категориям или группам. Вот пример использования библиотеки ggplot2 R:

library(ggplot2)
# Sample data
mpg_data <- c(25, 28, 30, 32, 27, 26, 24, 29, 28, 31)
category <- rep(c("Car A", "Car B"), each = 5)
# Creating a data frame
df <- data.frame(MPG = mpg_data, Category = category)
# Plotting
ggplot(df, aes(x = Category, y = MPG)) +
  geom_boxplot() +
  xlab('Category') +
  ylab('MPG') +
  ggtitle('MPG by Category') +
  theme_minimal()

4. Диаграмма рассеяния.
   Диаграмма рассеяния может помочь нам изучить взаимосвязь между расходом топлива на галлон и другой непрерывной переменной, например объемом двигателя. Для этого примера воспользуемся библиотекой Python Plotnine:

from plotnine import ggplot, aes, geom_point
# Sample data
mpg_data = [25, 28, 30, 32, 27, 26, 24, 29, 28, 31]
engine_displacement = [1.8, 2.0, 1.6, 2.2, 1.5, 1.8, 2.0, 1.6, 1.5, 1.6]
# Creating a data frame
df = pd.DataFrame({'MPG': mpg_data, 'Engine Displacement': engine_displacement})
# Plotting
(ggplot(df, aes(x='Engine Displacement', y='MPG')) +
  geom_point() +
  xlab('Engine Displacement') +
  ylab('MPG') +
  ggtitle('MPG vs Engine Displacement'))

В этой статье мы рассмотрели несколько методов построения графика данных MPG. Мы рассмотрели линейные графики, гистограммы, коробчатые диаграммы и диаграммы рассеяния, приведя примеры кода на Python и R. Визуализируя данные MPG, мы можем получить ценную информацию об эффективности использования топлива и лучше понять взаимосвязь между MPG и другими переменными. Так что смело применяйте эти методы к своим собственным наборам данных MPG, чтобы выявить скрытые закономерности и принимать обоснованные решения.