5.6 Sensordata og databehandling

Plotting og visualisering

I forskning og teknologi er det sjelden nok å bare beregne tall – vi trenger også å visualisere dataene for å oppdage mønstre, trender og sammenhenger. En god graf kan formidle mer enn en tabell med tusen tall.

I Python bruker vi biblioteket Matplotlib til å lage profesjonelle grafer og diagrammer. Matplotlib er det mest brukte plottingsbiblioteket i Python og brukes i alt fra skoleforsøk til publiserte forskningsartikler.

I dette kapittelet lærer du å:
- Lage linjediagrammer for å vise endringer over tid
- Lage stolpediagrammer for å sammenligne kategorier
- Lage punktdiagrammer (scatter plot) for å vise sammenhenger mellom variabler
- Tilpasse grafene med tittel, aksenavn, farger og rutenett
- Bruke flere delplott i ett vindu

Etter dette kapittelet vil du kunne lage profesjonelle visualiseringer av data fra eksperimenter og undersøkelser.

Tilpasse utseendet

Du kan gjøre grafene mer lesbare og profesjonelle med ulike tilpasninger:

import matplotlib.pyplot as plt

tid = [0, 1, 2, 3, 4, 5, 6]
inne = [21.0, 21.5, 22.0, 22.3, 22.1, 21.8, 21.2]
ute = [5.0, 6.2, 8.5, 11.0, 12.3, 10.1, 7.5]

# Linjestil og farge
plt.plot(tid, inne, "r-o", label="Inne")    # rød linje med sirkler
plt.plot(tid, ute, "b--s", label="Ute")     # blå stiplet med firkanter

plt.xlabel("Tid (timer)", fontsize=12)
plt.ylabel("Temperatur (°C)", fontsize=12)
plt.title("Inne- og utetemperatur", fontsize=14)
plt.legend(fontsize=11)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Formatstrenger for plt.plot():
- Farge: r = rød, b = blå, g = grønn, k = svart
- Linjestil: - = heltrukket, -- = stiplet, : = prikket
- Markør: o = sirkel, s = firkant, ^ = trekant, * = stjerne

Du kan kombinere: "r-o" = rød heltrukket linje med sirkelmarkører.

Stolpediagram

Stolpediagram er gode for å sammenligne kategorier:

import matplotlib.pyplot as plt

fag = ["Norsk", "Matte", "Engelsk", "Naturfag", "ToF"]
snitt = [4.1, 3.8, 4.3, 3.9, 4.5]

plt.figure(figsize=(8, 5))
plt.bar(fag, snitt, color=["#e74c3c", "#3498db", "#2ecc71", "#f39c12", "#9b59b6"])
plt.ylabel("Gjennomsnittskarakter")
plt.title("Karaktersnitt per fag")
plt.ylim(1, 6)       # Sett y-aksen fra 1 til 6
plt.grid(axis="y", alpha=0.3)
plt.tight_layout()
plt.show()

Punktdiagram (scatter plot)

Punktdiagram brukes for å vise sammenhenger mellom to variabler:

import matplotlib.pyplot as plt

studietimer = [2, 5, 1, 8, 3, 6, 4, 7, 9, 3]
karakter = [3, 5, 2, 6, 3, 5, 4, 5, 6, 4]

plt.figure(figsize=(8, 6))
plt.scatter(studietimer, karakter, color="blue", s=80, alpha=0.7)
plt.xlabel("Studietimer per uke")
plt.ylabel("Karakter")
plt.title("Sammenheng mellom studietid og karakter")
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Parameteren s=80 setter størrelsen på punktene, og alpha=0.7 gjør dem litt gjennomsiktige (nyttig når punkter overlapper).

Flere grafer i ett vindu med subplots

Noen ganger vil du vise flere grafer ved siden av hverandre for å sammenligne. Da bruker du subplots:

import matplotlib.pyplot as plt

timer = [0, 1, 2, 3, 4, 5]
temperatur = [18.0, 19.2, 21.5, 23.0, 22.3, 20.1]
luftfuktighet = [65, 60, 55, 50, 52, 58]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# Venstre graf: Temperatur
ax1.plot(timer, temperatur, "r-o")
ax1.set_xlabel("Tid (timer)")
ax1.set_ylabel("Temperatur (°C)")
ax1.set_title("Temperatur")
ax1.grid(True, alpha=0.3)

# Høyre graf: Luftfuktighet
ax2.plot(timer, luftfuktighet, "b-s")
ax2.set_xlabel("Tid (timer)")
ax2.set_ylabel("Luftfuktighet (%)")
ax2.set_title("Luftfuktighet")
ax2.grid(True, alpha=0.3)

fig.suptitle("Værmålinger gjennom dagen", fontsize=14)
plt.tight_layout()
plt.show()

Forklaring:
- plt.subplots(1, 2) lager 1 rad med 2 kolonner (to grafer side ved side)
- plt.subplots(2, 1) ville gitt to grafer oppå hverandre
- Bruk ax1.plot() i stedet for plt.plot() når du jobber med subplots
- Metodene heter set_xlabel(), set_ylabel() og set_title() i stedet for plt.xlabel() osv.

Oppsummering

I dette kapittelet har du lært å:

- Importere og bruke Matplotlib for plotting (import matplotlib.pyplot as plt)
- Lage linjediagrammer med plt.plot() for å vise endringer over tid
- Lage stolpediagrammer med plt.bar() for å sammenligne kategorier
- Lage punktdiagrammer med plt.scatter() for å vise sammenhenger
- Tilpasse grafer med tittel, aksenavn, farger, rutenett og tegnforklaring
- Bruke formatstrenger for å styre farge, linjestil og markører
- Lage subplots for å vise flere grafer i ett vindu
- Lagre grafer som bildefiler med plt.savefig()

Gode vaner for vitenskapelig visualisering:
- Alltid inkluder aksenavn med enheter (f.eks. «Temperatur (°C)»)
- Bruk tegnforklaring (legend) når du har flere datasett
- Velg diagramtype som passer dataene: linje for tidsserier, stolpe for kategorier, scatter for sammenhenger
- Lagre grafer med høy oppløsning (dpi=150 eller mer) for bruk i rapporter