# Exemple d'ús de la biblioteca Plotly per crear una visualització 3D interactiva
import plotly.graph_objects as go

fig = go.Figure(data=[go.Scatter3d(
    x=[1, 2, 3, 4, 5],
    y=[10, 11, 12, 13, 14],
    z=[5, 6, 7, 8, 9],
    mode='markers',
    marker=dict(
        size=12,
        color=[1, 2, 3, 4, 5],  # set color to an array/list of desired values
        colorscale='Viridis',   # choose a colorscale
        opacity=0.8
    )
)])

fig.show()

# Exemple d'ús de la biblioteca Scikit-learn per a la visualització de resultats d'un model de classificació
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# Carregar el conjunt de dades Iris
iris = load_iris()
X = iris.data
y = iris.target

# Reduir la dimensionalitat a 2D per a la visualització
pca = PCA(n_components=2)
X_r = pca.fit_transform(X)

# Crear el gràfic
plt.figure()
colors = ['navy', 'turquoise', 'darkorange']
target_names = iris.target_names

for color, i, target_name in zip(colors, [0, 1, 2], target_names):
    plt.scatter(X_r[y == i, 0], X_r[y == i, 1], color=color, alpha=.8, lw=2,
                label=target_name)
plt.legend(loc='best', shadow=False, scatterpoints=1)
plt.title('PCA of IRIS dataset')
plt.show()

# Exemple d'ús de la biblioteca Dash per crear una visualització en temps real
import dash
from dash import dcc, html
from dash.dependencies import Input, Output
import plotly.graph_objs as go
import random

app = dash.Dash(__name__)

app.layout = html.Div([
    dcc.Graph(id='live-graph', animate=True),
    dcc.Interval(
        id='graph-update',
        interval=1*1000,
        n_intervals=0
    ),
])

@app.callback(Output('live-graph', 'figure'),
              [Input('graph-update', 'n_intervals')])
def update_graph_scatter(n):
    X = list(range(10))
    Y = [random.randint(0, 10) for _ in range(10)]

    data = go.Scatter(
        x=X,
        y=Y,
        mode='lines+markers'
    )

    return {'data': [data], 'layout': go.Layout(xaxis=dict(range=[min(X), max(X)]),
                                                yaxis=dict(range=[min(Y), max(Y)]))}

if __name__ == '__main__':
    app.run_server(debug=True)

# Exemple d'ús de la biblioteca Dask per processar grans volums de dades
import dask.dataframe as dd

# Carregar un conjunt de dades gran
df = dd.read_csv('large_dataset.csv')

# Realitzar una operació de grup
result = df.groupby('column_name').mean().compute()

print(result)