En aquesta secció, explorarem els diferents tipus de dades i els gràfics més adequats per representar-les. La comprensió dels tipus de dades és fonamental per seleccionar la visualització correcta, la qual cosa facilita la interpretació i l'anàlisi de la informació.

Les dades es poden classificar en diverses categories, cadascuna amb les seves pròpies característiques i usos. A continuació, es descriuen els principals tipus de dades:

1. Dades Categòriques (Qualitatives)

   • Nominals: Dades que representen categories sense un ordre inherent. Exemples: colors (vermell, blau, verd), tipus de fruita (poma, taronja, plàtan).
   • Ordinales: Dades que representen categories amb un ordre inherent. Exemples: classificacions (primer, segon, tercer), nivells d'educació (primària, secundària, terciària).

2. Dades Numèriques (Quantitatives)

   • Discretes: Dades que poden prendre valors específics i comptables. Exemples: nombre de fills, nombre de cotxes.
   • Contínues: Dades que poden prendre qualsevol valor dins d'un rang. Exemples: altura, pes, temperatura.

Cada tipus de dada es pot representar millor amb certs tipus de gràfics. A continuació, es presenten els gràfics més comuns i les seves aplicacions:

1. Gràfics de Barres

   • Ús: Representar dades categòriques (nominals o ordinales).
   • Exemple: Nombre de vendes per categoria de producte.

   import matplotlib.pyplot as plt
   
   categories = ['A', 'B', 'C']
   values = [10, 20, 15]
   
   plt.bar(categories, values)
   plt.xlabel('Categories')
   plt.ylabel('Valors')
   plt.title('Gràfic de Barres')
   plt.show()
   

2. Gràfics de Columnes

   • Ús: Similar als gràfics de barres, però les barres són verticals.
   • Exemple: Nombre de vendes per mes.

   months = ['Gener', 'Febrer', 'Març']
   sales = [100, 150, 120]
   
   plt.bar(months, sales)
   plt.xlabel('Mesos')
   plt.ylabel('Vendes')
   plt.title('Gràfic de Columnes')
   plt.show()
   

3. Gràfics de Línies

   • Ús: Representar dades contínues al llarg del temps.
   • Exemple: Evolució de la temperatura durant una setmana.

   days = ['Dilluns', 'Dimarts', 'Dimecres', 'Dijous', 'Divendres']
   temperatures = [20, 21, 19, 22, 20]
   
   plt.plot(days, temperatures)
   plt.xlabel('Dies')
   plt.ylabel('Temperatura (°C)')
   plt.title('Gràfic de Línies')
   plt.show()
   

4. Gràfics de Dispersió

   • Ús: Representar la relació entre dues variables numèriques.
   • Exemple: Relació entre l'alçada i el pes de les persones.

   heights = [150, 160, 170, 180, 190]
   weights = [50, 60, 70, 80, 90]
   
   plt.scatter(heights, weights)
   plt.xlabel('Alçada (cm)')
   plt.ylabel('Pes (kg)')
   plt.title('Gràfic de Dispersió')
   plt.show()
   

5. Gràfics de Pastís

   • Ús: Representar la proporció de parts d'un tot.
   • Exemple: Distribució percentual de les vendes per producte.

   products = ['Producte A', 'Producte B', 'Producte C']
   sales_percentage = [40, 35, 25]
   
   plt.pie(sales_percentage, labels=products, autopct='%1.1f%%')
   plt.title('Gràfic de Pastís')
   plt.show()
   

6. Mapes de Calor

   • Ús: Representar dades en una matriu, on els colors indiquen la intensitat dels valors.
   • Exemple: Matriu de correlació entre diferents variables.

   import seaborn as sns
   import numpy as np
   
   data = np.random.rand(10, 12)
   sns.heatmap(data, annot=True)
   plt.title('Mapa de Calor')
   plt.show()
   

1. Exercici 1: Crea un gràfic de barres per representar el nombre d'estudiants en diferents cursos.

   cursos = ['Matemàtiques', 'Física', 'Química', 'Biologia']
   nombre_estudiants = [30, 25, 20, 15]
   
   plt.bar(cursos, nombre_estudiants)
   plt.xlabel('Cursos')
   plt.ylabel('Nombre d\'Estudiants')
   plt.title('Nombre d\'Estudiants per Curs')
   plt.show()
   

2. Exercici 2: Crea un gràfic de línies per mostrar l'evolució de les vendes mensuals d'una empresa.

   mesos = ['Gener', 'Febrer', 'Març', 'Abril', 'Maig']
   vendes = [200, 220, 210, 230, 240]
   
   plt.plot(mesos, vendes)
   plt.xlabel('Mesos')
   plt.ylabel('Vendes')
   plt.title('Evolució de les Vendes Mensuals')
   plt.show()
   

3. Exercici 3: Crea un gràfic de dispersió per mostrar la relació entre l'edat i el salari de diferents empleats.

   edats = [25, 30, 35, 40, 45]
   salaris = [30000, 35000, 40000, 45000, 50000]
   
   plt.scatter(edats, salaris)
   plt.xlabel('Edat')
   plt.ylabel('Salari')
   plt.title('Relació entre Edat i Salari')
   plt.show()
   

En aquesta secció, hem après sobre els diferents tipus de dades i els gràfics més adequats per representar-les. La selecció correcta del tipus de gràfic és essencial per comunicar la informació de manera clara i efectiva. A mesura que avancem en el curs, aplicarem aquests coneixements per crear visualitzacions més complexes i informatives.