Оглядовий аналіз та візуалізація даних у Python

Лекція з практичними прикладами на Python

Лекції
Аналітика даних
Author

Богдан Красюк

Published

20 жовтня 2025 р.

1 Презентація

🎯 Мета лекції. Навчитися створювати інформативні графіки для одновимірних, двовимірних та часових даних у Python за допомогою pandas і matplotlib; опанувати базові патерни сторітелінгу, вибору типу графіка та підготовки даних до візуалізації.

2 Підготовка середовища

Code 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path

# Розмір фігури за замовчуванням
plt.rcParams["figure.figsize"] = (8, 5)

# параметри відображення таблиць
pd.set_option("display.max_columns", None)
pd.set_option("display.max_rows", 20)

DATA_PATH = Path("data/input_data.csv")
print("Шлях до даних:", DATA_PATH.resolve())
Шлях до даних: E:\websiteDataAnalitycs\bc-2025\bootcamp\course\data\input_data.csv

3 Завантаження та первинний огляд даних 🗂️

Code 
# Завантаження CSV
df = pd.read_csv(DATA_PATH)

# Попередній перегляд
display(df.head(10))

# Розмір і типи
print("shape:", df.shape)
display(df.dtypes)

# Загальна інформація
df.info()
Age Attrition BusinessTravel DailyRate Department DistanceFromHome Education EducationField EmployeeCount EmployeeNumber EnvironmentSatisfaction Gender HourlyRate JobInvolvement JobLevel JobRole JobSatisfaction MaritalStatus MonthlyIncome MonthlyRate NumCompaniesWorked Over18 OverTime PercentSalaryHike PerformanceRating RelationshipSatisfaction StandardHours StockOptionLevel TotalWorkingYears TrainingTimesLastYear WorkLifeBalance YearsAtCompany YearsInCurrentRole YearsSinceLastPromotion YearsWithCurrManager
0 41 Yes Travel_Rarely 1102 Sales 1 2 Life Sciences 1 1 2 Female 94 3 2 Sales Executive 4 Single 5993 19479 8 Y Yes 11 3 1 80 0 8 0 1 6 4 0 5
1 49 No Travel_Frequently 279 Research & Development 8 1 Life Sciences 1 2 3 Male 61 2 2 Research Scientist 2 Married 5130 24907 1 Y No 23 4 4 80 1 10 3 3 10 7 1 7
2 37 Yes Travel_Rarely 1373 Research & Development 2 2 Other 1 4 4 Male 92 2 1 Laboratory Technician 3 Single 2090 2396 6 Y Yes 15 3 2 80 0 7 3 3 0 0 0 0
3 33 No Travel_Frequently 1392 Research & Development 3 4 Life Sciences 1 5 4 Female 56 3 1 Research Scientist 3 Married 2909 23159 1 Y Yes 11 3 3 80 0 8 3 3 8 7 3 0
4 27 No Travel_Rarely 591 Research & Development 2 1 Medical 1 7 1 Male 40 3 1 Laboratory Technician 2 Married 3468 16632 9 Y No 12 3 4 80 1 6 3 3 2 2 2 2
5 32 No Travel_Frequently 1005 Research & Development 2 2 Life Sciences 1 8 4 Male 79 3 1 Laboratory Technician 4 Single 3068 11864 0 Y No 13 3 3 80 0 8 2 2 7 7 3 6
6 59 No Travel_Rarely 1324 Research & Development 3 3 Medical 1 10 3 Female 81 4 1 Laboratory Technician 1 Married 2670 9964 4 Y Yes 20 4 1 80 3 12 3 2 1 0 0 0
7 30 No Travel_Rarely 1358 Research & Development 24 1 Life Sciences 1 11 4 Male 67 3 1 Laboratory Technician 3 Divorced 2693 13335 1 Y No 22 4 2 80 1 1 2 3 1 0 0 0
8 38 No Travel_Frequently 216 Research & Development 23 3 Life Sciences 1 12 4 Male 44 2 3 Manufacturing Director 3 Single 9526 8787 0 Y No 21 4 2 80 0 10 2 3 9 7 1 8
9 36 No Travel_Rarely 1299 Research & Development 27 3 Medical 1 13 3 Male 94 3 2 Healthcare Representative 3 Married 5237 16577 6 Y No 13 3 2 80 2 17 3 2 7 7 7 7 
shape: (1470, 35)
Age                         int64
Attrition                  object
BusinessTravel             object
DailyRate                   int64
Department                 object
                            ...  
WorkLifeBalance             int64
YearsAtCompany              int64
YearsInCurrentRole          int64
YearsSinceLastPromotion     int64
YearsWithCurrManager        int64
Length: 35, dtype: object
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1470 entries, 0 to 1469
Data columns (total 35 columns):
 #   Column                    Non-Null Count  Dtype 
---  ------                    --------------  ----- 
 0   Age                       1470 non-null   int64 
 1   Attrition                 1470 non-null   object
 2   BusinessTravel            1470 non-null   object
 3   DailyRate                 1470 non-null   int64 
 4   Department                1470 non-null   object
 5   DistanceFromHome          1470 non-null   int64 
 6   Education                 1470 non-null   int64 
 7   EducationField            1470 non-null   object
 8   EmployeeCount             1470 non-null   int64 
 9   EmployeeNumber            1470 non-null   int64 
 10  EnvironmentSatisfaction   1470 non-null   int64 
 11  Gender                    1470 non-null   object
 12  HourlyRate                1470 non-null   int64 
 13  JobInvolvement            1470 non-null   int64 
 14  JobLevel                  1470 non-null   int64 
 15  JobRole                   1470 non-null   object
 16  JobSatisfaction           1470 non-null   int64 
 17  MaritalStatus             1470 non-null   object
 18  MonthlyIncome             1470 non-null   int64 
 19  MonthlyRate               1470 non-null   int64 
 20  NumCompaniesWorked        1470 non-null   int64 
 21  Over18                    1470 non-null   object
 22  OverTime                  1470 non-null   object
 23  PercentSalaryHike         1470 non-null   int64 
 24  PerformanceRating         1470 non-null   int64 
 25  RelationshipSatisfaction  1470 non-null   int64 
 26  StandardHours             1470 non-null   int64 
 27  StockOptionLevel          1470 non-null   int64 
 28  TotalWorkingYears         1470 non-null   int64 
 29  TrainingTimesLastYear     1470 non-null   int64 
 30  WorkLifeBalance           1470 non-null   int64 
 31  YearsAtCompany            1470 non-null   int64 
 32  YearsInCurrentRole        1470 non-null   int64 
 33  YearsSinceLastPromotion   1470 non-null   int64 
 34  YearsWithCurrManager      1470 non-null   int64 
dtypes: int64(26), object(9)
memory usage: 402.1+ KB
Code 
# Описові статистики
# (include='all' для виводу і категоріальних полів)
display(df.describe(include="all").T)
count unique top freq mean std min 25% 50% 75% max
Age 1470.0 NaN NaN NaN 36.92381 9.135373 18.0 30.0 36.0 43.0 60.0
Attrition 1470 2 No 1233 NaN NaN NaN NaN NaN NaN NaN
BusinessTravel 1470 3 Travel_Rarely 1043 NaN NaN NaN NaN NaN NaN NaN
DailyRate 1470.0 NaN NaN NaN 802.485714 403.5091 102.0 465.0 802.0 1157.0 1499.0
Department 1470 3 Research & Development 961 NaN NaN NaN NaN NaN NaN NaN
... ... ... ... ... ... ... ... ... ... ... ...
WorkLifeBalance 1470.0 NaN NaN NaN 2.761224 0.706476 1.0 2.0 3.0 3.0 4.0
YearsAtCompany 1470.0 NaN NaN NaN 7.008163 6.126525 0.0 3.0 5.0 9.0 40.0
YearsInCurrentRole 1470.0 NaN NaN NaN 4.229252 3.623137 0.0 2.0 3.0 7.0 18.0
YearsSinceLastPromotion 1470.0 NaN NaN NaN 2.187755 3.22243 0.0 0.0 1.0 3.0 15.0
YearsWithCurrManager 1470.0 NaN NaN NaN 4.123129 3.568136 0.0 2.0 3.0 7.0 17.0

35 rows × 11 columns

4 Підготовка до візуалізації: типи, дати/час, відсутні значення 🧰

Code 
# Пошук потенційних колонок із датою/часом
date_like = [c for c in df.columns if any(k in c.lower() for k in ["date", "time", "dt", "timestamp"])]
for c in date_like:
    try:
        df[c] = pd.to_datetime(df[c], errors="raise", utc=False, dayfirst=True, infer_datetime_format=True)
        print(f"Стовпець перетворено у datetime: {c}")
    except Exception as e:
        print(f"Не вдалося перетворити {c} у datetime: {e}")

# Розділимо на числові/категоріальні для зручності
num_cols = df.select_dtypes(include=["number"]).columns.tolist()
cat_cols = df.select_dtypes(include=["object", "category", "bool"]).columns.tolist()
print("Числові:", num_cols[:8], ("..." if len(num_cols) > 8 else ""))
print("Категоріальні:", cat_cols[:8], ("..." if len(cat_cols) > 8 else ""))

# Оцінка пропусків
missing = df.isna().sum().sort_values(ascending=False)
display(missing.head(10))
Не вдалося перетворити OverTime у datetime: Unknown datetime string format, unable to parse: Yes, at position 0
Стовпець перетворено у datetime: TrainingTimesLastYear
Числові: ['Age', 'DailyRate', 'DistanceFromHome', 'Education', 'EmployeeCount', 'EmployeeNumber', 'EnvironmentSatisfaction', 'HourlyRate'] ...
Категоріальні: ['Attrition', 'BusinessTravel', 'Department', 'EducationField', 'Gender', 'JobRole', 'MaritalStatus', 'Over18'] ...
Age                 0
Attrition           0
BusinessTravel      0
DailyRate           0
Department          0
DistanceFromHome    0
Education           0
EducationField      0
EmployeeCount       0
EmployeeNumber      0
dtype: int64

💡 Порада. Перед побудовою графіків переконайтеся, що типи даних коректні (особливо дати) і пропуски або заповнені, або обробляються прямо у візуалізації (наприклад, через dropna()).

5 Одновимірні розподіли 📊

5.1 Гістограма (кількісна змінна)

Code 
# Оберемо першу числову колонку для прикладу
if num_cols:
    col = num_cols[0]
    series = df[col].dropna()

    plt.figure()
    plt.hist(series, bins=30)
    plt.title(f"Histogram: {col}")
    plt.xlabel(col); plt.ylabel("Count")
    plt.show()
else:
    print("Немає числових колонок для гістограми.")

5.2 Щільність розподілу (KDE) / емпірична CDF

Code 
if num_cols:
    col = num_cols[0]
    series = df[col].dropna().sort_values()

    # KDE через pandas
    plt.figure()
    series.plot(kind="kde")
    plt.title(f"KDE: {col}")
    plt.xlabel(col)
    plt.show()

    # Емпірична CDF
    y = np.arange(1, len(series) + 1) / len(series)
    plt.figure()
    plt.plot(series.values, y)
    plt.title(f"Empirical CDF: {col}")
    plt.xlabel(col); plt.ylabel("F(x)")
    plt.show()

5.3 Категоріальні частоти (Top-k барчарт)

Code 
if cat_cols:
    c = cat_cols[0]
    counts = df[c].value_counts(dropna=False).head(15)

    plt.figure()
    counts.plot(kind="bar")
    plt.title(f"Top-15 categories: {c}")
    plt.xlabel(c); plt.ylabel("Count")
    plt.xticks(rotation=45, ha="right")
    plt.tight_layout()
    plt.show()
else:
    print("Немає категоріальних колонок для барчарту.")

6 Двовимірні відношення 🔗

6.1 Точкова діаграма (Scatter): кореляції та тренди

Code 
# Візьмемо пару числових ознак із найбільшою за модулем кореляцією (крім діагоналі)
pair = None
if len(num_cols) >= 2:
    corr = df[num_cols].corr().abs()
    np.fill_diagonal(corr.values, 0.0)
    i, j = np.unravel_index(np.nanargmax(corr.values), corr.shape)
    xcol, ycol = num_cols[i], num_cols[j]
    pair = (xcol, ycol)

if pair:
    xcol, ycol = pair
    sub = df[[xcol, ycol]].dropna()

    plt.figure()
    plt.scatter(sub[xcol], sub[ycol], s=12, alpha=0.7)
    plt.title(f"Scatter: {xcol} vs {ycol}")
    plt.xlabel(xcol); plt.ylabel(ycol)
    plt.show()
else:
    print("Недостатньо числових ознак для побудови точкової діаграми.")

6.2 Boxplot за категорією (ряд-до-ряду)

Code 
# Boxplot однієї числової змінної за топ-5 категорій
if num_cols and cat_cols:
    vcol, gcol = num_cols[0], cat_cols[0]
    top_cats = df[gcol].value_counts().index[:5]
    data = [df.loc[df[gcol] == k, vcol].dropna().values for k in top_cats]

    plt.figure()
    plt.boxplot(data, labels=list(top_cats), showmeans=True)
    plt.title(f"Boxplot: {vcol} by {gcol} (top-5 categories)")
    plt.xticks(rotation=30, ha="right")
    plt.tight_layout()
    plt.show()
else:
    print("Потрібні принаймні 1 числова і 1 категоріальна змінні для boxplot.")

7 Часові ряди ⏱️

Code 
# Якщо є колонка datetime — побудуємо лінійний графік за місяцями для першої числової
dt_cols = df.select_dtypes(include=["datetime64[ns]", "datetime64[ns, UTC]"]).columns.tolist()
if dt_cols and num_cols:
    dtc, vcol = dt_cols[0], num_cols[0]
    ts = (
        df[[dtc, vcol]]
        .dropna()
        .sort_values(dtc)
        .set_index(dtc)[vcol]
        .resample("M")
        .mean()
    )

    plt.figure()
    plt.plot(ts.index, ts.values)
    plt.title(f"Time series (monthly mean): {vcol}")
    plt.xlabel("Date"); plt.ylabel(vcol)
    plt.tight_layout()
    plt.show()
else:
    print("Не знайдено datetime + числової колонки для часової візуалізації.")

8 Теплова карта кореляцій 🧭

Code 
if len(num_cols) >= 2:
    corr = df[num_cols].corr()

    plt.figure()
    im = plt.imshow(corr.values, interpolation="nearest")
    plt.title("Correlation heatmap")
    plt.colorbar(im, fraction=0.046, pad=0.04)
    plt.xticks(range(len(num_cols)), num_cols, rotation=45, ha="right")
    plt.yticks(range(len(num_cols)), num_cols)
    plt.tight_layout()
    plt.show()
else:
    print("Недостатньо числових змінних для кореляційної теплокарти.")

9 Сторітелінг і дизайн 🧩

  • Починайте з питання: що саме хочемо побачити/довести?
  • Вибирайте графік під тип змінних (кількісні/категоріальні/часові).
  • Уникайте «діаграм-феєрверків»: 1 сюжет — 1 фігура. Якщо огляд, робіть серію простих графіків.
  • Підписи осей, одиниці виміру, джерела — обов’язково.
  • Для порівнянь показуйте однакові масштаби, для великих діапазонів — лог-шкалу.
  • Не перевантажуйте кольорами та сітками; акценти — через коментарі й підсумки.

10 Міні‑завдання для самоперевірки 🧪

  1. Оберіть 2 числові показники з максимальною кореляцією та побудуйте scatter з коротким висновком.
  2. Для однієї ключової метрики побудуйте histogram + KDE + CDF і поясніть, як це впливає на бізнес‑рішення.
  3. Створіть boxplot цієї метрики за 3–5 найчастіших категорій змінної групування і сформулюйте гіпотезу про відмінності.
  4. Якщо є часова змінна — побудуйте лінійний графік агрегованого показника за тижнями/місяцями та прокоментуйте сезонність.

11 Подальші кроки 🚀

  • Додайте контроль якості даних у вигляді перевірок (діапазони, унікальність ключів, частка пропусків).
  • Зробіть функції/ноутбук для повторного використання в інших проєктах.
  • Підготуйте версію графіків для звітів/дашбордів (напр., Quarto + HTML).

11.1 Ресурси для поглиблення

  • Jupyter Notebook з лекції: Pandas
  • Лекційні матеріали «Оглядовий аналіз та візуалізація даних у Python».
  • Kirthi Raman, Mastering Python Data Visualization, Packt.

Лого

Лого

Проєкт реалізується за підтримки Європейського Союзу в межах програми Дім Європи.