3. Datenvisualisierung mit Python

In diesem Teil geht es darum Daten mit Hilfe der Python Bilbiotheken matplotlib und seaborn zu visualisieren. Für einfache Beispiele können die Daten eingegeben werden.

import matplotlib.pyplot as plt

#Daten
x = [1,2,3,4]
y = [0,10,5,20]

#Plot
plt.plot(x,y);
plt.xlabel("x");
plt.ylabel("y");

Wenn sich die Daten in einer Datei (z.B. Excel oder auch einer Textdatei z.B. im csv-Format) können diese mit Hilfe der Bilbiothek pandas eingelesen werden:

import matplotlib.pyplot as plt
import pandas as pd

#Daten
link = "https://data.giss.nasa.gov/gistemp/graphs_v4/graph_data/Global_Mean_Estimates_based_on_Land_and_Ocean_Data/graph.csv"
Temp_NASA = pd.read_csv(link, header=1) # einlesen

#Plot
plt.plot(Temp_NASA["Year"],Temp_NASA["No_Smoothing"]);
plt.ylabel("Jahresmitteltemperaturabweichung \n gegenüber 1951-1980 [°C]");
plt.xlabel("Jahr");

Mit etwas mehr Codezeilen können komplexere und optisch ansprechendere plots erstellt werden:

Rechts auf (Click to show) klicken um Code einzublenden

import matplotlib.pyplot as plt
import pandas as pd

# Daten einlesen
# NASA
link_NASA = "https://data.giss.nasa.gov/gistemp/graphs_v4/graph_data/Temperature_Anomalies_over_Land_and_over_Ocean/graph.csv"
Temp_NASA2 = pd.read_csv(link_NASA, header=1); # einlesen

# UBA
link_UBA="https://www.umweltbundesamt.de/sites/default/files/medien/384/bilder/dateien/2-4_abb_langzeitreihen-konz_2021-05-26.xlsx"
CO2_Emission_UBA = pd.read_excel(link_UBA,sheet_name="Kohlendioxid-Daten",usecols=[0,1,2,3,4]); # einlesen
CO2_Emission_UBA.columns = ["Jahr","Mauna Loa, Hawaii","Schauinsland","Zugspitze","Welttrend WMO"];

# plot Einstellungen
plt.style.use('seaborn-darkgrid');
plt.rcParams['font.size'] = 14;

# Subplots einrichten
fig, (ax1,ax2) =plt.subplots(2,1, sharex=True, figsize=(10,6));
plt.subplots_adjust(hspace=0.05); # vertikalen Abstand zwischen Subplots reduzieren

# plot NASA Temperaturdifferenz
ax1.plot(Temp_NASA2["Year"],Temp_NASA2["Land_Annual"], ls="-", lw=1, marker="s", ms=3, color="tab:red", alpha=0.25);
ax1.plot(Temp_NASA2["Year"],Temp_NASA2["Lowess(5)"], lw=3,  color="tab:red", label="Land [NASA]");
ax1.plot(Temp_NASA2["Year"],Temp_NASA2["Ocean_Annual"], ls="-", lw=1, marker="s", ms=3, color="tab:blue", alpha=0.25);
ax1.plot(Temp_NASA2["Year"],Temp_NASA2["Lowess(5).1"], lw=3,  color="tab:blue", label="Ozean [NASA]");
ax1.set_ylabel("Jahresmitteltemperatur- \n abweichung gegenüber \n  1951-1980 [°C]");
ax1.legend(loc='upper left');

# plot UBA CO2
ax2.plot(CO2_Emission_UBA["Jahr"],CO2_Emission_UBA["Mauna Loa, Hawaii"], label="Hawaii [UBA]", lw=1);
ax2.plot(CO2_Emission_UBA["Jahr"],CO2_Emission_UBA["Schauinsland"], label="Schauinsland [UBA]", lw=1);
ax2.plot(CO2_Emission_UBA["Jahr"],CO2_Emission_UBA["Zugspitze"], label="Zugspitze [UBA]", lw=1);
ax2.plot(CO2_Emission_UBA["Jahr"],CO2_Emission_UBA["Welttrend WMO"], label="Welttrend WMO [UBA]", lw=1);
ax2.set_ylabel("$\mathrm{CO_2}$ Messwerte \n [ppm]");
ax2.legend(loc='upper left');

# Text mit Referenzlink hinzufuegen
ax1.text(0.0, 1.01, f'[NASA] {link_NASA}\n[UBA] {link_UBA}', transform=ax1.transAxes,fontsize=9,ha="left",va="bottom", color="gray");

Um Python zu Nutzen wird empfohlen die Umgebung mit Jupyter Notebooks zu verwenden. Dies kann Plattformübergreifend mit Hilfe von Anaconda installiert werden.