V piatok 3. 3. 2017 sa konal v Akamai Technologies workshop zameraný na vizualizáciu dát v Pythone. Bežne v rámci PyLadies komunity pôsobím ako kouč, no v tomto prípade som bola v roli opačnej a naozaj som sa tešila, že sa môžem niečo nové z Pythonu a dátovej oblasti naučiť. Tešila som sa o to viac, lebo s dátami denne pracujem na projektoch v rôznych oblastiach, pracujem v Pandas a Matplotlib je súčasťou každého môjho importu v Jupyter notebookoch. No mala som pocit, že ho nevyužívam naplno a celkovo sa vizualizácii dát nevenujem. Väčšina mojich grafov, ktoré som si vykreslovala, boli určené iba mne, nehrala som sa s detailmi a zobrazením a ak mal byť výstup prezentovateľný koncovému užívateľovi, vždy som automaticky siahla po Reacte.
V Akamai nám lektori ukázali, ako však s dátami (vo forme JSONu) pracovať a vizualizovať ich v podobe, v akej sú prínosné a jasne z nich informácie zrozumiteľné. Po prvotných problémoch s rôznymi operačnými systémami a verziami Pythonu sme sa hneď pustili do tvorby vizualizácií zobrazovaných vo webovom prehliadači.
Grafy, grafy, samé grafy#
Prešli sme základnými typmi grafov, ktoré vidím takmer v každej manažérskej a marketingovej prezentácii, ako napríklad:
- stĺpcový graf,
- koláčový graf,
- histogram.
Pri tvorbe grafov som zistila, že to môže byť naozaj aj zábava, je tam priestor pre programovanie, matematiku, možnosti vlastného dizajnu a podobne. Hneď ako som vykreslila jeden graf, som sa pustila do modifikácie úlohy, kedy okrem maximálnej hodnoty som chcela pridať minimálnu hodnotu a priemernú hodnotu. Páčilo sa mi v tomto prípade použitie Counter() - užitočná vec v Pythone. Síce moje grafické cítenie v tejto oblasti nie je bohviečo, lebo keby mne niekto pošle ružovo-fialový graf so žltou krikľavou čiarou v strede, asi dostanem z toho epileptický záchvat, na jeho vykreslenie sme nepotrebovali ani veľa kódu a páčilo sa mi jeho elegantné riešenie, kde bolo možné uplatiť napríklad:
-
list comprehensions
python temp = enumerate([abs(j - avg) for j in n]) -
anonymnú funkciu lambda
python mi = sorted(temp, key=lambda a : a[1])[0][0] -
for cyklom prechádzať rôznymi agregačnými funkciami
python for f in [min, max]: mi = list(n).index(f(n)) patches[mi].set_color("#283891")
Následne sme si ukázali ďalšie typy grafov a okrem práce v Pythone sme sa naučili aj niečo o RTT, protokoloch a vzájomného prepojenia medzi oboma veličinami, aká je bežná hodnota v realite a kde sa približne ukazovatele pohybujú.
Okrem iného sme zistili aj to, že rovnaký graf, z rovnakých dát, vykreslený rovnakým kódom môže vyzerať na dvoch počítačoch v závislosti od operačného systému trochu inak.
K čomu to celé bolo dobré?#
Okrem toho, že som si obnovila opäť pozitívny vzťah k vizualizácii dát, som si uvedomila, že nemusím vždy zaťažovať projekt vykresľovaním dát v JavaScripte, ale môžem priamo dáta spracovať v Jupyteri, vizualizovať v grafe, výstup si uložiť napríklad ako obrázok alebo celú HTML stránku a tú následne vložiť do existujúcej HTML šablóny v Djangu, pričom dáta mám real time aktualizované na základe zmien v databáze alebo vstupov užívateľa nad filtrami a formulármi. Hneď na ďalší deň som si skúsila nad reálnym projektom vykresliť top 10 krajín, v ktorých je najväčšie zastúpenie produktov s najvyššou mierou popularity s jednoduchým prevodom cez formát na percentá, alebo výpis príspevkov z RSS feedov v 5 jazykoch, indikujúci chýbajúce príspevky za daný deň a namiesto tabuľky už posielam klientovi graf plný červeno-modrých stĺpcov.
Bola by som rada, ak by bolo pokračovanie, kde by nám ukázali chalani z Akamai, ako sa z malej knižnice na prevod SQL príkazov cez Python do grafov stal využívaný framework. A samozrejme, ako je v tejto dobe in, real-time grafy. Dokým sa to nehýbe, nie je to až tak cool.
