Plotly Express ব্যবহার করে Visualization গাইড ও নোট

Plotly Express হল Plotly-এর একটি উচ্চ স্তরের API, যা ব্যবহারকারীদের কম কোডের মাধ্যমে ইন্টারেকটিভ গ্রাফ এবং ডেটা ভিজুয়ালাইজেশন তৈরি করতে সাহায্য করে। এটি খুবই সহজ এবং দ্রুত ডেটা বিশ্লেষণ ও ভিজুয়ালাইজেশনের জন্য আদর্শ। Plotly Express ডেটাসেটের উপর ভিত্তি করে বিভিন্ন ধরনের চার্ট তৈরি করার জন্য প্রস্তুত থাকে এবং খুব কম কোডে আকর্ষণীয় ভিজুয়ালাইজেশন তৈরি করা যায়।

Plotly Express এর সাথে কাজ শুরু করা

Plotly Express ব্যবহার করতে প্রথমে plotly লাইব্রেরিটি ইন্সটল করতে হবে। নিচের কমান্ডটি দিয়ে লাইব্রেরিটি ইন্সটল করা যায়:

pip install plotly

এর পর Python কোডে plotly.express ইমপোর্ট করে বিভিন্ন ধরনের গ্রাফ তৈরি করা যায়। নিচে একটি সাধারণ উদাহরণ দেয়া হলো:

import plotly.express as px

# উদাহরণস্বরূপ একটি ডেটাসেট
data = px.data.gapminder()

# স্ক্যাটার প্লট তৈরি করা
fig = px.scatter(data, x="gdpPercap", y="lifeExp", color="continent", size="pop", log_x=True)
fig.show()

এখানে px.scatter দিয়ে একটি স্ক্যাটার প্লট তৈরি করা হয়েছে, যেখানে X অক্ষে GDP এবং Y অক্ষে জীবনকাল (Life Expectancy) প্রদর্শিত হচ্ছে, এবং বুদবুদগুলোর আকার দেশটির জনসংখ্যা দ্বারা নির্ধারিত।

Plotly Express দিয়ে বিভিন্ন ধরনের Visualization

Plotly Express ব্যবহার করে বিভিন্ন ধরনের চার্ট তৈরি করা সম্ভব, যেমন:

বার চার্ট (Bar Chart)

import plotly.express as px

# উদাহরণস্বরূপ একটি ডেটাসেট
data = px.data.gapminder()

# বার চার্ট তৈরি করা
fig = px.bar(data_frame=data, x="continent", y="pop", color="continent", title="Population by Continent")
fig.show()

এখানে px.bar দিয়ে একটি বার চার্ট তৈরি করা হয়েছে যেখানে পৃথিবীর প্রতিটি মহাদেশের জনসংখ্যা প্রদর্শিত হয়েছে।

পাই চার্ট (Pie Chart)

import plotly.express as px

# উদাহরণস্বরূপ একটি ডেটাসেট
data = px.data.gapminder()

# পাই চার্ট তৈরি করা
fig = px.pie(data_frame=data, names="continent", values="pop", title="Population Distribution by Continent")
fig.show()

এখানে px.pie দিয়ে পাই চার্ট তৈরি করা হয়েছে যা পৃথিবীর প্রতিটি মহাদেশের জনসংখ্যার ভাগফল দেখাচ্ছে।

লাইন চার্ট (Line Chart)

import plotly.express as px

# উদাহরণস্বরূপ একটি ডেটাসেট
data = px.data.gapminder()

# লাইন চার্ট তৈরি করা
fig = px.line(data_frame=data, x="year", y="lifeExp", color="continent", title="Life Expectancy over Time")
fig.show()

এখানে px.line দিয়ে একটি লাইন চার্ট তৈরি করা হয়েছে যা বিভিন্ন মহাদেশের জন্য সময়ের সাথে জীবনের গড় আয়ু পরিবর্তন দেখাচ্ছে।

হিটম্যাপ (Heatmap)

import plotly.express as px

# উদাহরণস্বরূপ একটি ডেটাসেট
data = px.data.gapminder()

# হিটম্যাপ তৈরি করা
fig = px.density_heatmap(data_frame=data, x="gdpPercap", y="lifeExp", z="pop", title="GDP vs Life Expectancy Heatmap")
fig.show()

এখানে px.density_heatmap দিয়ে একটি হিটম্যাপ তৈরি করা হয়েছে যা GDP এবং Life Expectancy এর মধ্যে সম্পর্ক দেখাচ্ছে।

Plotly Express এর কাস্টমাইজেশন

Plotly Express গ্রাফগুলো কাস্টমাইজ করার জন্য বিভিন্ন অপশন প্রদান করে। আপনি গ্রাফের রং, আকার, টেক্সট, লেবেল এবং আরও অনেক কিছু পরিবর্তন করতে পারেন।

উদাহরণ: গ্রাফের কাস্টমাইজেশন

import plotly.express as px

# ডেটাসেট
data = px.data.gapminder()

# স্ক্যাটার প্লট তৈরি করা এবং কাস্টমাইজেশন
fig = px.scatter(data, x="gdpPercap", y="lifeExp", color="continent", size="pop", log_x=True,
                 title="GDP vs Life Expectancy", labels={"gdpPercap": "GDP per Capita", "lifeExp": "Life Expectancy"})
fig.update_traces(marker=dict(line=dict(width=2, color='DarkSlateGrey')))
fig.show()

এখানে update_traces ব্যবহার করে গ্রাফের লাইন এবং মার্কারের স্টাইল পরিবর্তন করা হয়েছে।

Plotly Express এর সুবিধা

• সহজ এবং দ্রুত: Plotly Express দিয়ে কম কোডে সুন্দর এবং ইন্টারেকটিভ গ্রাফ তৈরি করা যায়।
• ইন্টারেকটিভ ভিজুয়ালাইজেশন: আপনি গ্রাফের মধ্যে স্ক্রল, জুম ইন/আউট, এবং ক্লিক করে আরও বিস্তারিত তথ্য দেখতে পারবেন।
• কাস্টমাইজযোগ্য: বিভিন্ন গ্রাফের উপাদান যেমন রং, আকার, টেক্সট এবং লেবেল কাস্টমাইজ করা যায়।
• বিভিন্ন গ্রাফের ধরন: বার চার্ট, পাই চার্ট, স্ক্যাটার প্লট, লাইন চার্ট, হিটম্যাপ, ৩D গ্রাফ এবং আরও অনেক কিছু তৈরি করা যায়।

Plotly Express একটি অত্যন্ত শক্তিশালী এবং সহজে ব্যবহারযোগ্য টুল, যা ডেটা ভিজুয়ালাইজেশন এবং বিশ্লেষণে ব্যাপকভাবে ব্যবহৃত হয়। এটি ডেটার সাথে ইন্টারেক্টিভভাবে কাজ করার একটি অসাধারণ উপায় প্রদান করে।

Plotly Express একটি উচ্চ-স্তরের API যা Plotly লাইব্রেরির অংশ। এটি ব্যবহার করে খুব কম কোডে দ্রুত এবং সহজভাবে আকর্ষণীয় এবং ইন্টারেকটিভ ডেটা ভিজুয়ালাইজেশন তৈরি করা যায়। Plotly Express ডেটা সায়েন্স এবং বিশ্লেষণের জন্য একটি আদর্শ টুল, যেখানে আপনাকে কম কোড লিখেই বিভিন্ন ধরনের গ্রাফ তৈরি করার সুবিধা পাওয়া যায়।

Plotly Express এর বৈশিষ্ট্য

• সহজ ব্যবহার: Plotly Express সাধারণত কম কোডে শক্তিশালী ভিজুয়ালাইজেশন তৈরি করতে সাহায্য করে।
• ইন্টারেকটিভ: এটি ডেটার সঙ্গে ব্যবহারকারীদের ইন্টারেকটিভ অভিজ্ঞতা প্রদান করে, যেমন স্ক্রল, জুম ইন/আউট, পয়েন্টে ক্লিক করে বিস্তারিত দেখা।
• বিভিন্ন গ্রাফ টাইপ: এটি বার চার্ট (Bar Chart), লাইন চার্ট (Line Chart), স্ক্যাটার প্লট (Scatter Plot), পাই চার্ট (Pie Chart) সহ নানা ধরনের গ্রাফ তৈরি করতে পারে।
• স্বয়ংক্রিয় কাস্টমাইজেশন: এটি গ্রাফে প্রয়োজনীয় লেবেল, টাইটেল এবং রঙ ইত্যাদি স্বয়ংক্রিয়ভাবে কনফিগার করে থাকে।

Plotly Express দিয়ে Visualization তৈরি করা

Plotly Express ব্যবহার করে খুব সহজেই আপনি ডেটা ভিজুয়ালাইজেশন করতে পারেন। নিচে কিছু সাধারণ গ্রাফ তৈরির উদাহরণ দেওয়া হল।

১. Scatter Plot (স্ক্যাটার প্লট)

স্ক্যাটার প্লট মূলত একাধিক পয়েন্টের মাধ্যমে ডেটার সম্পর্ক তুলে ধরে। এটি সাধারণত দুইটি পরিমাপের মধ্যে সম্পর্ক বিশ্লেষণের জন্য ব্যবহৃত হয়।

import plotly.express as px

# উদাহরণস্বরূপ, Gapminder ডেটাসেট ব্যবহার
df = px.data.gapminder()

# Scatter Plot তৈরি করা
fig = px.scatter(df, x="gdpPercap", y="lifeExp", color="continent", size="pop", log_x=True, title="GDP vs Life Expectancy")
fig.show()

এখানে gdpPercap (GDP per capita) এবং lifeExp (Life Expectancy) এর মধ্যে সম্পর্ক দেখানো হয়েছে। color প্যারামিটারটি আলাদা মহাদেশ (continent) কে রঙের মাধ্যমে আলাদা করেছে এবং size প্যারামিটারটি জনসংখ্যার (population) আকারের ভিত্তিতে পয়েন্টের আকার পরিবর্তন করেছে।

২. Bar Chart (বার চার্ট)

বার চার্টের মাধ্যমে বিভিন্ন শ্রেণির মধ্যে তুলনা করা হয়। এটি সাধারণত ক্যাটেগোরিক্যাল ডেটা ভিজুয়ালাইজেশনে ব্যবহৃত হয়।

import plotly.express as px

# উদাহরণস্বরূপ, Tips ডেটাসেট ব্যবহার
df = px.data.tips()

# Bar Chart তৈরি করা
fig = px.bar(df, x="day", y="total_bill", color="sex", title="Total Bill by Day")
fig.show()

এখানে x অক্ষের মধ্যে দিন (day), এবং y অক্ষের মধ্যে মোট বিল (total_bill) দেখানো হয়েছে। color প্যারামিটারটি দুটি আলাদা লিঙ্গ (sex) কে আলাদা রঙের মাধ্যমে দেখিয়েছে।

৩. Pie Chart (পাই চার্ট)

পাই চার্ট বিভিন্ন অংশের মধ্যে আনুপাতিক সম্পর্ক দেখাতে ব্যবহৃত হয়। এটি সাধারণত ক্যাটেগোরিক্যাল ডেটার জন্য ব্যবহার হয়।

import plotly.express as px

# উদাহরণস্বরূপ, Tips ডেটাসেট ব্যবহার
df = px.data.tips()

# Pie Chart তৈরি করা
fig = px.pie(df, names="sex", values="total_bill", title="Total Bill Distribution by Sex")
fig.show()

এখানে names প্যারামিটারটি লিঙ্গের ভিত্তিতে পাই চার্টের বিভিন্ন অংশ তৈরি করে এবং values প্যারামিটারটি মোট বিলের মান প্রদান করে।

৪. Line Chart (লাইন চার্ট)

লাইন চার্ট সাধারণত সময়ের সাথে সাথে পরিবর্তনশীল ডেটা ভিজুয়ালাইজ করতে ব্যবহৃত হয়।

import plotly.express as px

# উদাহরণস্বরূপ, Gapminder ডেটাসেট ব্যবহার
df = px.data.gapminder()

# Line Chart তৈরি করা
fig = px.line(df[df['continent'] == 'Europe'], x="year", y="lifeExp", title="Life Expectancy in Europe Over Time")
fig.show()

এখানে year সময়ের অক্ষ এবং lifeExp জীবনকাল (Life Expectancy) দেখানো হয়েছে।

Plotly Express এর সুবিধা

• কম কোডে দ্রুত গ্রাফ তৈরি: Plotly Express ব্যবহার করে খুব কম কোড লিখেই দ্রুত বিভিন্ন ধরনের ভিজুয়ালাইজেশন তৈরি করা যায়।
• স্বয়ংক্রিয় কাস্টমাইজেশন: ডেটা ভিজুয়ালাইজেশনের জন্য প্রাথমিক কাস্টমাইজেশন স্বয়ংক্রিয়ভাবে হয়ে যায়।
• ইন্টারেকটিভ অভিজ্ঞতা: তৈরি করা গ্রাফগুলো ইন্টারেক্টিভ, যা ব্যবহারকারীদের ডেটার সঙ্গে আরও সহজে যোগাযোগ করতে সহায়তা করে।
• বিভিন্ন গ্রাফের সমর্থন: এটি একাধিক গ্রাফ টাইপের সমর্থন করে, যার মধ্যে রয়েছে বার চার্ট, লাইন চার্ট, পাই চার্ট, স্ক্যাটার প্লট ইত্যাদি।

সারাংশ

Plotly Express একটি সহজ এবং দ্রুত গ্রাফ তৈরি করার টুল, যা বিশেষভাবে ডেটা সায়েন্স এবং বিশ্লেষণে কার্যকরী। এটি ব্যবহারকারীদের অত্যন্ত কম কোডে আকর্ষণীয় এবং ইন্টারেকটিভ ভিজুয়ালাইজেশন তৈরি করতে সহায়তা করে, যা ডেটার বুঝতে সহজ এবং দ্রুত সমাধান প্রদান করে।

Plotly দিয়ে Line, Bar, এবং Scatter Plot খুব সহজেই তৈরি করা যায়। এই ধরনের গ্রাফগুলো ডেটার বিভিন্ন ধরনের সম্পর্ক এবং ট্রেন্ড দেখতে সহায়তা করে। এখানে আমরা Python ব্যবহার করে এই তিন ধরনের প্লট তৈরি করার পদ্ধতি আলোচনা করবো।

Line Plot তৈরি করা

Line Plot মূলত দুটি ভেরিয়েবলের মধ্যে সম্পর্ক প্রদর্শন করতে ব্যবহৃত হয়, যেখানে এক্স-অ্যাক্সিস (X-axis) একটি নির্দিষ্ট ধারাবাহিক মান এবং ওয়াই-অ্যাক্সিস (Y-axis) তার সঙ্গতিপূর্ণ মান প্রদর্শন করে।

উদাহরণ:

import plotly.graph_objects as go

# ডেটা তৈরি করা
x = [1, 2, 3, 4, 5]
y = [10, 11, 12, 13, 14]

# Line Plot তৈরি করা
fig = go.Figure(data=go.Scatter(x=x, y=y, mode='lines'))

# গ্রাফ প্রদর্শন
fig.show()

এখানে, mode='lines' ব্যবহার করে একটি লাইন প্লট তৈরি করা হয়েছে, যা ডেটা পয়েন্টগুলোর মধ্যে একটি লাইন যুক্ত করবে।

Bar Plot তৈরি করা

Bar Plot বা Bar Chart সাধারণত তুলনামূলকভাবে ভেরিয়েবলগুলোর মধ্যে পার্থক্য দেখাতে ব্যবহৃত হয়, যেখানে প্রতিটি ক্যাটাগরির জন্য বার (শব্দের দৈর্ঘ্য) প্রদর্শিত হয়।

উদাহরণ:

import plotly.graph_objects as go

# ডেটা তৈরি করা
x = ['A', 'B', 'C', 'D', 'E']
y = [10, 11, 12, 13, 14]

# Bar Plot তৈরি করা
fig = go.Figure(data=go.Bar(x=x, y=y))

# গ্রাফ প্রদর্শন
fig.show()

এখানে, go.Bar ব্যবহার করে বার প্লট তৈরি করা হয়েছে, যা x অ্যাক্সিসে ক্যাটাগরি এবং y অ্যাক্সিসে মান প্রদর্শন করবে।

Scatter Plot তৈরি করা

Scatter Plot একটি গ্রাফ যা দুটি ভেরিয়েবলের মধ্যে সম্পর্ক প্রদর্শন করতে ব্যবহৃত হয়। এতে এক্স-অ্যাক্সিস এবং ওয়াই-অ্যাক্সিসে ডেটা পয়েন্টগুলোর অবস্থান দেখানো হয়। এই গ্রাফটি বিশেষভাবে সম্পর্ক এবং বণ্টন বিশ্লেষণে ব্যবহৃত হয়।

উদাহরণ:

import plotly.graph_objects as go

# ডেটা তৈরি করা
x = [1, 2, 3, 4, 5]
y = [10, 11, 12, 13, 14]

# Scatter Plot তৈরি করা
fig = go.Figure(data=go.Scatter(x=x, y=y, mode='markers'))

# গ্রাফ প্রদর্শন
fig.show()

এখানে, mode='markers' ব্যবহার করা হয়েছে, যার মাধ্যমে স্ক্যাটার প্লটটি শুধুমাত্র পয়েন্টগুলোর অবস্থান দেখাবে।

সারাংশ

Plotly দিয়ে Line Plot, Bar Plot, এবং Scatter Plot তৈরি করা খুবই সহজ। Line Plot সাধারণত সময়ের সাথে সম্পর্ক বা ধারাবাহিক ডেটা দেখানোর জন্য, Bar Plot তুলনা করার জন্য এবং Scatter Plot সম্পর্ক বা বণ্টন বিশ্লেষণ করার জন্য ব্যবহৃত হয়। উপরের উদাহরণগুলো আপনাকে দ্রুত এবং সহজে এই প্লটগুলো তৈরি করতে সাহায্য করবে।

Plotly Express হল Plotly লাইব্রেরির একটি উচ্চ স্তরের API যা সহজে বিভিন্ন ধরনের ডেটা ভিজুয়ালাইজেশন তৈরি করতে সাহায্য করে। এটি কম কোডে দ্রুত এবং ইন্টারেকটিভ গ্রাফ তৈরি করতে ব্যবহৃত হয়। এখানে আমরা Plotly Express এর বিভিন্ন Arguments এবং Parameters সম্পর্কে আলোচনা করব যা গ্রাফ তৈরি করার সময় কাস্টমাইজেশন এবং কন্ট্রোল দেয়।

Plotly Express: প্রধান Arguments এবং Parameters

Plotly Express-এ গ্রাফ তৈরি করার সময় বিভিন্ন ধরনের Parameters ব্যবহার করা হয়, যা গ্রাফের আউটপুটকে কাস্টমাইজ করে। নিচে কিছু গুরুত্বপূর্ণ Parameters এবং তাদের কাজ আলোচনা করা হল:

data_frame

এই Parameterটি ডেটাসেট বা ডেটা ফ্রেম নির্ধারণ করে, যেটি সাধারণত Pandas DataFrame হয়ে থাকে। এটি গ্রাফের উৎস ডেটা হিসেবে কাজ করে।

import plotly.express as px

# ডেটাসেট নির্বাচন
df = px.data.gapminder()

# ডেটা ফ্রেম হিসেবে গ্রাফ তৈরি
fig = px.scatter(df, x='gdpPercap', y='lifeExp', color='continent')
fig.show()

x এবং y

x এবং y Parameters এক্স-অ্যাক্সিস এবং ওয়াই-অ্যাক্সিসের জন্য ডেটা কলাম নির্ধারণ করে। এটি সাধারণত সংখ্যার পরিমাণ বা ক্যাটেগরি হতে পারে।

fig = px.scatter(df, x='gdpPercap', y='lifeExp')
fig.show()

color

এই Parameterটি ডেটার বিভিন্ন ক্যাটেগরি বা গ্রুপের জন্য আলাদা রং নির্বাচন করতে ব্যবহৃত হয়। এটি সাধারণত একটি কলাম নাম হয়ে থাকে যা গ্রাফের রঙ নির্বাচন করে।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', color='continent')
fig.show()

size

size Parameterটি প্রতিটি পয়েন্টের আকার নির্ধারণ করতে ব্যবহৃত হয়। এটি সাধারণত একটি ভেরিয়েবলের কলাম হতে পারে, যেমন জনসংখ্যার আকার।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', size='pop')
fig.show()

facet_row এবং facet_col

এই Parameters দুটি একাধিক সাবপ্লট তৈরি করার জন্য ব্যবহৃত হয়। facet_row এবং facet_col কলাম বা রো ভিত্তিক গ্রুপিং করার জন্য ডেটা ভাগ করে প্রতিটি গ্রুপের জন্য আলাদা গ্রাফ তৈরি করে।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', facet_row='continent')
fig.show()

hover_name

hover_name Parameterটি হল সেই কলাম যার মান হোভার করলে গ্রাফের পয়েন্টের সাথে প্রদর্শিত হবে। এটি গ্রাফের উপরে কার্সর রেখে দেখা যাবে।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', hover_name='country')
fig.show()

log_x এবং log_y

এই Parameters দুটি এক্স এবং ওয়াই অ্যাক্সিসের স্কেলকে লগ স্কেলে পরিবর্তন করে। এটি সাধারণত ডেটার ভিন্ন স্কেল ব্যবহারের জন্য দরকারি হয়।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', log_x=True)
fig.show()

title

এই Parameterটি গ্রাফের শিরোনাম (title) নির্ধারণ করতে ব্যবহৃত হয়।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', title='GDP vs Life Expectancy')
fig.show()

labels

labels Parameterটি গ্রাফের এক্স, ওয়াই এবং অন্যান্য লেবেল কাস্টমাইজ করতে ব্যবহৃত হয়। এটি একটি ডিকশনারি আকারে থাকে এবং ভ্যালু হিসেবে কলামের নাম বা লেবেল দেওয়া হয়।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', labels={'gdpPercap': 'GDP per Capita', 'lifeExp': 'Life Expectancy'})
fig.show()

animation_frame এবং animation_group

animation_frame Parameterটি গ্রাফের উপর একটি এনিমেশন ফ্রেম যোগ করতে ব্যবহৃত হয়, যেমন কোনো টাইম সিরিজ ডেটা দেখানোর সময়। animation_group গ্রুপিং করতে ব্যবহৃত হয়, যাতে একাধিক ডেটা পয়েন্ট একসাথে প্রদর্শিত হয়।

fig = px.scatter(df, x='gdpPercap', y='lifeExp', animation_frame='year')
fig.show()

সারাংশ

Plotly Express এর বিভিন্ন Arguments এবং Parameters গ্রাফ তৈরি করার সময় কাস্টমাইজেশনের অনেক সুযোগ দেয়। data_frame, x, y, color, size, facet_row, facet_col, hover_name, এবং title এর মতো Parameters দিয়ে আপনি গ্রাফের আউটপুট খুব সহজেই নিয়ন্ত্রণ করতে পারেন। এই বৈশিষ্ট্যগুলোর সাহায্যে ডেটা ভিজুয়ালাইজেশনকে আরও স্পষ্ট, সহজবোধ্য এবং ইন্টারেকটিভ করা সম্ভব।

Plotly ডেটা ভিজুয়ালাইজেশন তৈরিতে ইন্টারেকটিভ উপাদান ব্যবহার করে যা ডেটা ফিল্টারিং (Data Filtering) এবং ফ্যাসেটিং (Faceting) এর মাধ্যমে ডেটাকে আরও ভালোভাবে বিশ্লেষণ ও উপস্থাপন করতে সহায়তা করে। ফিল্টারিং এবং ফ্যাসেটিং techniques ব্যবহার করে আপনি বড় এবং জটিল ডেটাসেটকে সহজে বিশ্লেষণ এবং উপস্থাপন করতে পারেন।

Data Filtering in Plotly

ডেটা ফিল্টারিং হল এমন একটি পদ্ধতি যার মাধ্যমে আপনি ডেটাসেট থেকে নির্দিষ্ট তথ্য নির্বাচন বা বাদ দিতে পারেন। Plotly তে ফিল্টারিং করার জন্য সাধারণত Python কোডে বিভিন্ন পদ্ধতি ব্যবহার করা হয়।

Data Filtering এর সুবিধা:

• সুনির্দিষ্ট তথ্য বিশ্লেষণ: আপনি নির্দিষ্ট কোন ডেটা পয়েন্ট বা রেঞ্জ নির্বাচন করে শুধুমাত্র প্রাসঙ্গিক ডেটা নিয়ে বিশ্লেষণ করতে পারেন।
• ডেটা ভিজুয়ালাইজেশন সহজ করা: বড় ডেটাসেট থেকে শুধু প্রয়োজনীয় অংশ দেখিয়ে ভিজুয়ালাইজেশন আরও পরিষ্কার করা যায়।

উদাহরণ:

ধরা যাক, আপনার কাছে একটি ডেটাসেট রয়েছে যেখানে বিভিন্ন দেশের GDP এবং Life Expectancy এর তথ্য রয়েছে। আপনি যদি শুধুমাত্র উন্নত দেশগুলো দেখাতে চান, তবে আপনি ডেটা ফিল্টার করতে পারেন।

import plotly.express as px

# ডেটাসেট লোড করা
data = px.data.gapminder()

# GDP প্রতি capita 15000 এর বেশি এমন দেশগুলোর জন্য ফিল্টারিং
filtered_data = data[data['gdpPercap'] > 15000]

# ফিল্টার করা ডেটা দিয়ে গ্রাফ তৈরি করা
fig = px.scatter(filtered_data, x="gdpPercap", y="lifeExp", color="continent", size="pop", log_x=True)
fig.show()

এই কোডে, আপনি gdpPercap এর মান ১৫,০০০ এর বেশি এমন দেশগুলো ফিল্টার করেছেন।

Faceting in Plotly

Faceting হল একটি ভিজুয়ালাইজেশন কৌশল যেখানে একটি বড় ডেটাসেটকে বিভিন্ন ছোট গ্রুপে ভাগ করা হয়, সাধারণত কিছু ক্যাটেগরি বা মানের উপর ভিত্তি করে। এটি গ্রাফের মধ্যে একাধিক সাব-প্লট তৈরি করে, যেখানে প্রতিটি সাব-প্লট আলাদা আলাদা ডেটার অংশ প্রদর্শন করে।

Faceting এর সুবিধা:

• বিভিন্ন গ্রুপের তুলনা করা: একাধিক সাব-প্লট তৈরি করে বিভিন্ন গ্রুপের মধ্যে তুলনা করা সহজ হয়।
• বেশি তথ্য সংক্ষেপে উপস্থাপন: একাধিক গ্রাফের মাধ্যমে বড় ডেটাসেটের সব দিকের বিশ্লেষণ করা যায়।

উদাহরণ:

ধরা যাক, আপনি gapminder ডেটাসেট ব্যবহার করছেন এবং দেশগুলোর GDP এবং Life Expectancy এর ভিত্তিতে ফ্যাসেটিং করতে চান। এখানে আমরা continent অনুযায়ী গ্রাফগুলো বিভক্ত করব।

import plotly.express as px

# ডেটাসেট লোড করা
data = px.data.gapminder()

# Faceting অনুযায়ী গ্রাফ তৈরি করা
fig = px.scatter(data, x="gdpPercap", y="lifeExp", color="continent", size="pop", log_x=True, facet_col="continent")
fig.show()

এখানে, facet_col="continent" যুক্ত করার মাধ্যমে আমরা প্রতিটি মহাদেশের জন্য আলাদা গ্রাফ তৈরি করেছি। ফলে, প্রতিটি মহাদেশের GDP এবং Life Expectancy এর সম্পর্ক দেখতে পারব।

Data Filtering এবং Faceting Techniques এর মধ্যে পার্থক্য

সারাংশ

Plotly তে Data Filtering এবং Faceting techniques ব্যবহার করে আপনি ডেটা ভিজুয়ালাইজেশন এবং বিশ্লেষণকে আরও কার্যকরী এবং পরিষ্কার করতে পারেন। Data Filtering আপনাকে বড় ডেটাসেট থেকে শুধুমাত্র প্রয়োজনীয় অংশ নির্বাচন করতে সাহায্য করে, আর Faceting একাধিক গ্রুপের মধ্যে তুলনা করতে সক্ষম করে। দুটোই ডেটা ভিজুয়ালাইজেশনে বিশেষভাবে কার্যকরী কৌশল, যা ব্যবহারকারীদের দ্রুত এবং সহজে বিশ্লেষণ করতে সহায়তা করে।