Python Kutu Grafikleri (Boxplot): Başlangıç Seviyesi için Kapsamlı Rehber

Python’da sayısal verilerin dağılımlarını nasıl daha iyi temsil edebileceğinizi hiç merak ettiniz mi? En iyi seçenek kutu grafiklerini öğrenmek olacaktır! Kutu grafikleri, birden çok grup arasındaki dağılım karşılaştırmalarını görselleştirmenin harika bir yoludur.

Bu öğreticide kutu grafiğinin ne olduğunu, Python’da nasıl farklı şekillerde oluşturulacağını ve sık yapılan başlangıç hatalarını ele alacağız.

Python Kutu Grafikleri Nedir?

Kutu grafikleri (box-and-whisker plots olarak da bilinir), dağılımı beş sayı özeti üzerine kurulu olarak görüntülemenin standart bir yoludur: minimum, birinci çeyrek (Q1), medyan, üçüncü çeyrek (Q3) ve maksimum.

Kutu grafikleri özellikle aykırı değerleri belirlemek ve verinin yayılımını ile çarpıklığını anlamak için kullanışlıdır. Ayrıca birden fazla grubu karşılaştırırken veya tek bir değişkenin dağılımını görselleştirirken de kullanılırlar.

Kutu grafiğinin bileşenleri

Tipik bir kutu grafiği, yapısının parçası olan çeşitli bileşenlerle gelir:

1. Medyan: Verinin ortadaki değeri; kutunun içindeki bir çizgiyle gösterilir.
2. Kutular: Verinin Çeyrekler Arası Aralığını (IQR) temsil eder; Q1 ile Q3 arasındaki aralıktır. Alt ve üst kenarlar sırasıyla Q1 ve Q3’ü gösterir.
3. Bıyıklar: Kutunun her iki ucundan uzanan dikey çizgilerdir; aykırı değerler hariç minimum ve maksimum değerleri temsil eder.
4. Aykırı değerler: Bıyıkların dışında kalan, verinin geri kalanına göre olağandışı veya uç kabul edilen noktalardır.
5. Kapaklar: Bıyıkların uçlarındaki yatay çizgilerdir; aykırı değerler dahil minimum ve maksimum değerleri temsil eder.

Bu bileşenler bir araya gelerek kutu grafiğine istatistiksel anlam katar ve farklı veri grupları arasında görsel karşılaştırmaları kolaylaştırır.

Python, kutu grafikleri oluşturmamıza yardımcı olabilecek gelişmiş bir araçtır. Aşağıdaki bölümlerde bunu yapmanın farklı yöntemlerini inceleyeceğiz.

Python Kutu Grafikleri: Adım Adım Rehber

Artık kutu grafiklerine dair temel bir anlayışa sahip olduğumuza göre, Python kullanarak nasıl oluşturulacaklarına bakalım. Python’da Matplotlib, Seaborn ve Plotly gibi birden fazla kütüphane kutu grafikleri oluşturmayı destekler.

1. Gerekli kütüphanelerin kurulması

Python’da kutu grafikleri oluşturmak için önce gerekli kütüphaneleri kurmak gerekir. Başlıca kütüphaneler Matplotlib, Seaborn ve Plotly’dir.

İşte kurulum kodları:

pip install matplotlib
pip install seaborn
pip install plotly==5.22.0Altyapı:

2. Kütüphanelerin içe aktarılması ve verinin yüklenmesi

Kurulumdan sonra sonraki adım bu kütüphaneleri Python çalışma ortamınıza aktarmaktır.

Ayrıca, kutu grafikleri için kullanacağınız veri kümelerini de (varsa) yüklediğinizden emin olun.

#imports Matplotlib library and assigns shorthand 'plt'
import matplotlib.pyplot as plt
#imports Seaborn library and assigns shorthand 'sns'
import seaborn as sns
#imports Plotly library and assigns shorthand 'px'
import plotly.express as pxAltyapı:

3. Matplotlib ile kutu grafikleri oluşturma

Python’un esnekliği sayesinde basit bir kutu grafiği oluşturmak için az sayıda kod yeterlidir. En yaygın kütüphane olan Matplotlib ile başlayalım.

1. Tek bir Matplotlib kutu grafiği

Matplotlib kullanarak bir kutu grafiği oluşturmak için gerekli kütüphaneleri içe aktarın:

import matplotlib.pyplot as plt
import numpy as npAltyapı:

Sonra basit bir veri kümesi hazırlayalım:

# Generates some random dataset
np.random.seed(10) 
data = np.random.normal(0, 1, 100)Altyapı:

Son olarak, asıl kutu grafiğini oluşturalım ve yazdıralım:

# Creates a boxplot
plt.boxplot(data) plt.title('Basic Boxplot') plt.show()Altyapı:

Sonuçlar şöyle:

2. Birden fazla Matplotlib kutu grafiği

Farklı alt grafikte ayrı kutu grafikleri oluşturmak istiyorsanız, subplot fonksiyonunu kullanabilirsiniz. Bu, tek bir görselde yan yana birden çok kutu grafiği oluşturmanızı sağlar. 

İşte tam kod örneği:

import matplotlib.pyplot as plt
import numpy as np
# Generates multiple datasets
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(1, 2, 100)
data3 = np.random.normal(2, 1.5, 100)
# Creates subplots
fig, axs = plt.subplots(1, 3, figsize=(15, 5))
# Plots Boxplot for Data 1
axs[0].boxplot(data1)
axs[0].set_title('Data 1')
axs[0].set_xlabel('Sample')
axs[0].set_ylabel('Value')
# Plots Boxplot for Data 2
axs[1].boxplot(data2)
axs[1].set_title('Data 2')
axs[1].set_xlabel('Sample')
axs[1].set_ylabel('Value')
# Plots Boxplot for Data 3
axs[2].boxplot(data3)
axs[2].set_title('Data 3')
axs[2].set_xlabel('Sample')
axs[2].set_ylabel('Value')
# Adjusts layout
plt.tight_layout()
plt.show()Altyapı:

Ortaya çıkan grafik şu şekildedir:

Ancak bu alt grafikler aynı ekseni paylaşmaz ve kategoriler arasında yan yana karşılaştırmalar için uygun değildir. Aynı eksene sahip birden fazla kutu grafiği için gruplanmış kutu grafikleri oluşturmanız gerekir.

Gruplanmış kutu grafikleri, birden çok kategori arasındaki dağılımları karşılaştırmak için özellikle faydalıdır. Veriye daha incelikli bir bakış sağlar. Bu karşılaştırmalar, diğer grafiklerden hemen fark edilmeyen farklılıkları ortaya çıkarabilir.

Her grup aynı grafikte yan yana sunulur; bu da alt kategoriler arasındaki farklılıkları, eğilimleri ve aykırı değerleri vurgulamayı kolaylaştırır.

İşte gruplanmış bir alt grafik nasıl oluşturulur:

# Generates grouped data
data_group1 = [np.random.normal(0, 1, 100), np.random.normal(1, 2, 100), np.random.normal(2, 1.5, 100)]
data_group2 = [np.random.normal(0, 1, 100), np.random.normal(1, 2, 100), np.random.normal(2, 1.5, 100)]
# Combines two data groups into a dataset
data = data_group1 + data_group2
# Creates grouped boxplots
plt.boxplot(data, positions=[1, 2, 3, 5, 6, 7], labels=['G1-D1', 'G1-D2', 'G1-D3', 'G2-D1', 'G2-D2', 'G2-D3'])
plt.title('Grouped Boxplots')
plt.xlabel('Group-Dataset')
plt.ylabel('Value')
plt.show()Altyapı:

Yukarıdaki kodun ürettiği gruplanmış kutu grafiği şöyledir:

4. Matplotlib kutu grafiklerini özelleştirme

Matplotlib’te gelişmiş özelleştirmelerle veri görselleştirmenizi zenginleştirebilirsiniz.

Ortalama ve standart sapma ekleme, gruplanmış kutu grafikleri oluşturma ve yatay kutu grafikleri kullanma gibi teknikler, verinizin dağılımına dair daha iyi içgörüler sağlayabilir.

Python’da kutu grafiklerini özelleştirmek, görselleri projenizin gereksinimlerine göre uyarlamanıza da olanak tanır.

Matplotlib kütüphanesini kullanarak kutu grafiklerini özelleştirmenin bazı yolları:

1. Etiket ve başlık ekleme

Başlıklar ve etiketler, grafiklerinizi izleyiciler için daha anlaşılır kılar; böylece karşılaştırmayı hızlıca kavrayabilirler. Bunları eklemek basittir ve Matplotlib’in fonksiyonlarıyla yapılabilir.

Bir Matplotlib kutu grafiğine etiket eklemek için:

plt.boxplot(data)
# Adds title
plt.title('Customized Boxplot Title')
# Adds x axis label
plt.xlabel('Customized X Label')
# Adds y axis label
plt.ylabel('Customized Y Label')
plt.show()Altyapı:

Bu, aşağıdaki görseldeki gibi etiketli bir kutu grafiği oluşturacaktır:

2. Kutu grafiklerinin renklerini ayarlama

Python’da kutu grafiklerinin renk ve stillerini özelleştirmek, verinin görsel olarak etkileyici ve net bir sunumunu sağlar. Ayrıca belirli veri noktalarını veya karşılaştırmaları paydaşlarınız için etkili şekilde vurgulamanıza yardımcı olur.

Kutuların, bıyıkların, kapakların, medyanların ve uç değer işaretçilerinin renklerini boxprops, whiskerprops, capprops, medianprops ve flierprops parametreleriyle değiştirebilirsiniz.

İşte kod örneği:

plt.boxplot(data, boxprops=dict(color='blue'), whiskerprops=dict(color='red'), capprops=dict(color='green'), medianprops=dict(color='orange'), flierprops=dict(markerfacecolor='red', marker='o'))
plt.show()Altyapı:

Bu, belirlediğiniz parametrelere göre kutu grafiği bileşenlerine farklı renkler uygulayacaktır:

3. Ortalama ve standart sapma ekleme

Kutu grafiğine ortalama ve standart sapmayı ekleyerek daha fazla istatistiksel bilgi sunabilirsiniz.

# Creates dataset
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(1, 2, 100)
data3 = np.random.normal(2, 1.5, 100)
# Calculates the mean and standard deviations
mean = [np.mean(d) for d in data]
std_devs = [np.std(d) for d in data]
# Creates a boxplot
plt.boxplot(data, labels=['Data 1', 'Data 2', 'Data 3'])
# Adds mean as red dots
for i in range(len(mean)):
   plt.plot(i + 1, mean[i], 'ro')
# Adds standard deviations as error bars
for i in range(len(std_devs)):
   plt.errorbar(i + 1, mean[i], yerr=std_devs[i], fmt='o', color='red')
# Plots graph
plt.title('Boxplot with Means and Standard Deviations')
plt.xlabel('Dataset')
plt.ylabel('Value')
plt.show()Altyapı:

Ortaya çıkan grafik şöyledir:

4. Yatay kutu grafikleri

Yatay kutu grafikleri, özellikle kategori adları uzun olduğunda görselleştirmeyi daha okunaklı kılabilir.

Bu, Matplotlib’te boxplot fonksiyonunun vert argümanıyla kolayca yapılabilir.

# Creates horizontal boxplot
plt.boxplot(data,
            labels=['Data 1', 'Data 2', 'Data 3'], 
            vert=False)
# Plots graph
plt.title('Horizontal Boxplot')
plt.xlabel('Value')
plt.ylabel('Dataset')
plt.show()Altyapı:

Yukarıdaki kodu çalıştırmanın sonucu şöyledir:

Matplotlib ile Veri Görselleştirmeye Giriş kursumuz, kutu grafiklerinin ötesinde veri görselleştirmelerin nasıl oluşturulacağını daha iyi anlamanıza da yardımcı olacaktır.

Bu bilgilere gelecekte başvurmak isterseniz, Matplotlib’de görselleştirme için bir özet kopya kağıdı burada:

5. Seaborn ile Kutu Grafikleri Oluşturma

Matplotlib üzerine inşa edilen Seaborn, az kodla estetik açıdan hoş kutu grafikleri oluşturmayı kolaylaştırır. Basit sözdizimi her seviyeden kullanıcı için erişilebilir kılar ve diğer kütüphanelerle entegrasyonu azami analiz esnekliği sunar.

1. Temel Seaborn kutu grafiği

Seaborn kullanarak temel bir kutu grafiği oluşturmak için adım adım rehber. Önce gerekli kütüphaneleri içe aktararak başlayın.

# Imports necessary libraries
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as npAltyapı:

Sonra basit bir veri kümesi hazırlayalım:

# Generates a random dataset
np.random.seed(10)
data = np.random.normal(0, 1, 100)Altyapı:

Son olarak, asıl kutu grafiğini oluşturalım ve yazdıralım:

# Creates a basic boxplot
sns.boxplot(data=data)
# Adds title to the boxplot
plt.title('Basic Boxplot') 
plt.show()Altyapı:

Ortaya çıkan grafik şöyledir:

2. İleri seviye Seaborn özelleştirme

Seaborn grafiğinizi hue, orient ve palette parametrelerini kullanarak özelleştirebilirsiniz. 

Kategorilere göre kutu grafiğinize renk eklemek için hue parametresini kullanın:

# Generate multiple datasets
data = {
    'Group': ['A']*100 + ['B']*100 + ['C']*100,
    'Value': np.concatenate([np.random.normal(0, 1, 100), 
                             np.random.normal(1, 2, 100), 
                             np.random.normal(2, 1.5, 100)])
}
df = pd.DataFrame(data)
# Create additional grouping data
df['Subgroup'] = np.random.choice(['X', 'Y'], size=300)
# Plots graph
sns.boxplot(x='Group', y='Value', data=df, hue='Subgroup', palette='Set2')
plt.title('Colored Boxplot')
plt.show()Altyapı:

İşte değiştirilmiş kutu grafiği:

Kutu grafiğinizi belirli bir yönde hizalamak için orient parametresini kullanın. Dikey yönelim için orient parametresi 'v' olmalıdır. Yatay yönelim için 'h' olarak ayarlanmalıdır.

İşte yatay bir kutu grafiği için kod:

# Plots horizontal boxplot
sns.boxplot(data=df, orient='h', palette='Set2')
plt.title('Colored Boxplot')
plt.show()Altyapı:

Yukarıdaki kod aşağıdaki gibi bir kutu grafiği oluşturur:

Kutu grafiğine tekil veri noktaları eklemek için swarmplot fonksiyonunu kullanarak bir swarm grafiği ekleyebilirsiniz:

# Plots boxplot
sns.boxplot(x='Group', y='Value', data=df)
# Overlays swarm plot over boxplot
sns.swarmplot(x='Group', y='Value', data=df, color='black', alpha=0.5)
plt.title('Boxplot with Swarmplot')
plt.show()Altyapı:

Yukarıdaki kod şu şekilde bir kutu grafiği oluşturur:

Bu tür bir swarm grafik, verinizin dağılımına dair daha fazla içgörü sunabilir. Kutu grafiğinin sunduğu istatistiksel bilgiyi tamamlayarak izleyicilerinize verinizin kapsamlı bir resmini sunar.

Seaborn ile Veri Görselleştirmeye Giriş kursumuza göz atarak Seaborn’da görselleştirme uygulamanın başka yollarını keşfedebilirsiniz.

Bu bilgilere gelecekte başvurmak isterseniz, Seaborn’da görselleştirme için bir kopya kağıdı burada:

Python Kutu Grafiği Sonuçlarını Yorumlama

Bir kutu grafiğinin yorumu, ele aldığı bağlama ve belirli araştırma sorusuna bağlıdır.

Bununla birlikte, kutu grafiğinde gösterilen veri dağılımını anlamaya yardımcı olabilecek bazı genel yönergeler vardır. Bunlar şunları içerir:

• Medyan çizgisi, veri setinin ortadaki değerini gösterir.
• Çeyrekler arası aralık (IQR) ya da ortadaki %50’lik değerler birinci çeyrek (Q1) ile üçüncü çeyrek (Q3) arasındadır.
• Bıyıklar sırasıyla Q3’ün üzerinde ve Q1’in altında 1,5 kat uzanır.
• Aykırı değerler nokta veya yıldızla tek tek çizilir.
• Kutunun ve bıyıkların uzunluğu, verinin ne kadar yayıldığına dair bir fikir verir.
• Çarpık dağılımlar, kutunun boyutu ve medyan çizgisine göre konumunda asimetri sergiler.
• Q3’ün üstünde ya da Q1’in altında 1,5 katın ötesindeki aykırı değerler, uç değerleri ya da ölçüm hatası olasılığını gösterebilir.

Python Kutu Grafikleri Oluştururken Kaçınılması Gereken Yaygın Hatalar

Python, veri kümelerinize dayalı olarak görsel açıdan hoş kutu grafikleri oluşturmayı kolaylaştırsa da, yanıltıcı veya hatalı görselleştirmelerden kaçınmak için dikkate alınması gereken birkaç unsur vardır.

1. Eksik değerleri ele almamak

Python’da kutu grafiği oluştururken uygulayıcılar sıklıkla veri ön işlemenin önemini gözden kaçırır ve bu da yanıltıcı sonuçlara yol açar. 

Tüm veri görselleştirmeleri çizimden önce bir miktar temizleme gerektirir. Kutu grafikleri de istisna değildir ve eksik değerleri aykırı olarak gösterebilir; bu da sonuçları saptırabilir.

2. Veriyi uygunsuz ölçeklendirme

Ayrıca kullanıcılar bazen veriyi uygun şekilde ölçeklendiremez; bu da veri setinin gerçek özelliklerini yanlış yansıtan çarpık bir kutu grafiğine yol açabilir. Ölçeklendirme, özelliklerin analize eşit katkı yapmasını sağlar.

3. Aykırı değerleri ele almamak

Son olarak, analistler çizimden önce aykırı değerleri kapsamlı biçimde incelemeyip ele almayı ihmal edebilir. Aykırı değerlerin yanlış yönetimi yorumlamayı saptırabilir; bu nedenle gerçek aykırı değerlerle, veri toplamadaki hata veya anormallikleri ayırt etmek kritik önemdedir.

Veri görselleştirmeleri oluştururken bu kopya kağıdını kullanmayı deneyin:

Son Düşünceler

Kutu grafikleri, veri dağılımlarını görselleştirmek ve kategoriler arasında karşılaştırmak için değerli araçlardır. 

Python’da Matplotlib, Seaborn veya Plotly kullanarak fazla kod yazmadan hızlıca kutu grafikleri oluşturabilirsiniz. DataCamp, bu araçların her biri için kapsamlı kurslar sunar:

• Matplotlib ile Veri Görselleştirmeye Giriş
• Seaborn ile Veri Görselleştirmeye Giriş
• Plotly ile Veri Görselleştirmeye Giriş

Python ile veri görselleştirme hakkında daha fazlasını keşfetmeye ne dersiniz? O halde Python ile Veri Görselleştirme yetenek yolculuğu size çok yardımcı olacaktır!