Visualización y predicción de datos de producción de cultivos usando Python

Requisito previo: visualización de datos en Python

Visualización es ver los datos a lo largo de varias dimensiones. En python, podemos visualizar los datos usando varios gráficos disponibles en diferentes módulos.

En este artículo, vamos a visualizar y predecir los datos de producción de cultivos para diferentes años utilizando varias ilustraciones y bibliotecas de Python.

conjunto de datos

El conjunto de datos contiene diferentes cultivos y su producción desde el año 2013 hasta el 2020.

Requisitos

Hay muchas bibliotecas de Python que podrían usarse para crear visualizaciones como matplotlib, vispy, bokeh, seaborn, pygal, folium, plotly, cufflinks y networkx . De los muchos, matplotlib y seaborn parecen ser muy utilizados para visualizaciones de nivel básico a intermedio.

Sin embargo, dos de los anteriores son ampliamente utilizados para la visualización, es decir

• Matplotlib: es una biblioteca de visualización increíble en Python para gráficos 2D de arrays. Es una biblioteca de visualización de datos multiplataforma construida en arrays NumPy y diseñada para trabajar con la pila SciPy más amplia. Use el siguiente comando para instalar esta biblioteca:        

pip install matplotlib

• Seaborn: esta biblioteca se encuentra encima de matplotlib . En cierto sentido, tiene algunos sabores de matplotlib mientras que, desde el punto de vista de la visualización, es mucho mejor que matplotlib y también tiene funciones adicionales. Use el siguiente comando para instalar esta biblioteca: 

pip install seaborn

Enfoque paso a paso

• Importar módulos requeridos
• Cargue el conjunto de datos.
• Muestra los datos y las restricciones del conjunto de datos cargado.
• Use diferentes métodos para visualizar varias ilustraciones de los datos.   

visualizaciones

A continuación se muestran algunos programas que indican los datos e ilustran varias visualizaciones de esos datos:

Ejemplo 1:

# importing pandas module
import pandas as pd
 
# load the dataset
data = pd.read_csv('crop.csv')
 
# display top 5 values
data.head()

Producción:

Estas son las 5 filas principales del conjunto de datos utilizado.

Ejemplo 2:

# data description
data.info()

Producción:

Estas son las restricciones de datos del conjunto de datos.

Ejemplo 3:

# 2011 crop data in histogram analysis
data['2011'].hist()

Producción:

El programa anterior muestra los datos de producción de cultivos en el año 2011 usando un histograma.

Ejemplo 4:

# 2012 crop data in histogram analysis
data['2012'].hist()

Producción:

El programa anterior muestra los datos de producción de cultivos en el año 2012 usando un histograma.

Ejemplo 4:

# 2013 crop data in histogram analysis
data['2013'].hist()

Producción:

El programa anterior muestra los datos de producción de cultivos en el año 2013 usando un histograma.

Ejemplo 5:

# display all year data
data.hist()

Producción:

El programa anterior muestra los datos de producción de cultivos de todos los períodos de tiempo disponibles (año) usando múltiples histogramas.

Ejemplo 6:

# import seaborn module
import seaborn as sns
 
# setting style
sns.set_style("whitegrid")
 
# plotting data using boxplot for 2013 - 2014
sns.boxplot(x='2013', y='2014', data=data)

Producción:

Comparación de producciones de cultivos en el año 2013 y 2014 usando diagrama de caja.

Ejemplo 7:

# scatter plot 2013 data vs 2014 data
plt.scatter(data['2013'],data['2014'])
 
plt.show()

Producción:

Comparación de la producción de cultivos en el año 2013 y 2014 mediante diagrama de dispersión.

Ejemplo 8:

# line plot 2013 data vs 2014 data
plt.plot(data['2013'],data['2014'])
 
plt.show()

Producción:

Comparación de las producciones de cultivos en el año 2013 y 2014 utilizando un gráfico de líneas. 

Ejemplo 9:

# import required modules
import matplotlib.pyplot as plt
from scipy import stats
 
 
# assign data
x = data['2017']
y = data['2018']
 
 
# linear regression 2017 data vs 2018 data
slope, intercept, r, p, std_err = stats.linregress(x, y)
 
 
# function to return slope
def myfunc(x):
    return slope * x + intercept
 
 
mymodel = list(map(myfunc, x))
 
# scatter
plt.scatter(x, y)
 
# plotting the data
plt.plot(x, mymodel)
 
# display the figure
plt.show()

Producción:

Aplicación de regresión lineal para visualizar y comparar datos de producción de cultivos previstos entre el año 2017 y 2018. 

Ejemplo 10:

# import required modules
import matplotlib.pyplot as plt
from scipy import stats
 
 
# assign data
x = data['2016']
y = data['2017']
 
 
# linear regression 2017 data vs 2018 data
slope, intercept, r, p, std_err = stats.linregress(x, y)
 
 
# function to return slope
def myfunc(x):
    return slope * x + intercept
 
 
mymodel = list(map(myfunc, x))
 
# scatter
plt.scatter(x, y)
 
# plotting the data
plt.plot(x, mymodel)
 
# display the figure
plt.show()

Producción:

Aplicación de regresión lineal para visualizar y comparar datos de producción de cultivos previstos entre el año 2016 y 2017. 

Vídeo de demostración

Este video muestra cómo representar la visualización de datos anterior y predecir datos, utilizando Jupyter Notebook desde cero.

De esta manera, se pueden calcular varias visualizaciones de datos y predicciones.