Методы визуального представления больших данных с использованием Plotly и Matplotlib

Современный цифровой мир характеризуется беспрецедентным ростом объемов генерируемых данных, что создает актуальную потребность в разработке эффективных методов их визуального представления. Грамотная визуализация статистических данных не только помогает выявить скрытые закономерности и взаимосвязи, но и значительно облегчает процесс аналитики, делая сложную информацию доступной для восприятия различными категориями пользователей. Однако многие существующие подходы к визуализации зачастую не учитывают когнитивные особенности человеческого восприятия информации, что может приводить к серьезным искажениям передаваемой информации и принятию ошибочных решений на ее основе.

Основной целью представленного исследования является разработка комплексного методологического подхода к визуальному представлению статистических данных в среде Jupyter Notebook. Данный подход включает многогранный анализ существующих методов визуализации с точки зрения их эффективности и наглядности, разработку оптимизированных цветовых схем и композиционных решений, создание интерактивных элементов для углубленного анализа данных, а также формулирование практических рекомендаций по выбору типа визуализации в зависимости от специфики данных и решаемых аналитических задач.

Jupyter Notebook представляет собой современную интерактивную веб-среду для работы с кодом и данными, которая открывает принципиально новые возможности для создания динамических и интерактивных визуализаций

Визуальное представление данных играет ключевую роль в современной аналитике, существенно облегчая процесс понимания и анализа сложных информационных массивов. Среди наиболее значимых преимуществ грамотной визуализации можно выделить несколько фундаментальных аспектов. Во-первых, она значительно упрощает восприятие сложной информации, преобразуя абстрактные числовые данные в наглядные графические образы

Ярким примером эффективной визуализации может служить анализ динамики акций компании NVIDIA Corporation. Графическое представление данных позволяет не только оценить общий рост компании за продолжительный период времени, но и идентифицировать ключевые моменты значительных изменений. Например, резкий скачок стоимости акций в конце 2023 года наглядно демонстрирует реакцию рынка на увеличение спроса на вычислительные мощности, связанные с развитием технологий искусственного интеллекта. Такая визуализация предоставляет заинтересованным сторонам — инвесторам, аналитикам и другим участникам рынка — возможность моментально оценить текущее состояние компании и перспективы ее развития, делая обоснованные выводы на основе одного графика (рис. 1).

Рисунок 1 - Рост акций компании NVIDIA Corporation

DOI:10.60797/IRJ.2026.164.70.1

Проведенный сравнительный анализ инструментов для визуализации данных демонстрирует значительные преимущества Jupyter Notebook перед такими популярными аналогами, как Excel, Google Colab, Apache Zeppelin, Deepnote и Databricks Notebook

[5]

,

[6]

. Хотя каждый из этих инструментов обладает определенными достоинствами в специфических сценариях использования, именно Jupyter Notebook предлагает оптимальное сочетание функциональности, гибкости и доступности для широкого спектра задач анализа данных.

Традиционно популярный Excel, несмотря на свою распространенность и привычный интерфейс, показывает серьезные ограничения при работе с большими объемами данных. При превышении порога в 600000 записей проявляются существенные проблемы: экспоненциальный рост времени обработки операций, частые сбои и зависания при выполнении фильтрации и агрегации данных, а также принципиальная невозможность построения сложных многоуровневых визуализаций. Эти ограничения делают Excel малопригодным для современной работы с большими данными, где требуются производительные и надежные инструменты анализа.

Разработка эффективных визуализаций в Jupyter Notebook требует соблюдения ряда фундаментальных принципов, основанных на особенностях человеческого восприятия и когнитивной психологии. Логика визуализации должна начинаться с четкого определения цели — какой основной месседж необходимо донести до аудитории. Данные должны быть организованы таким образом, чтобы подчеркивать ключевые аспекты и выявлять наиболее важные закономерности, обеспечивая последовательное и логичное повествование

Выбор цветовой палитры является критически важным аспектом эффективной визуализации. Цвета оказывают значительное влияние на восприятие информации и должны использоваться осмысленно и последовательно. Общепринятой практикой является использование зеленого цвета для обозначения положительных аспектов и красного — для отрицательных, однако важно учитывать культурные особенности целевой аудитории. Необходимо придерживаться единой цветовой схемы во всех элементах визуализации, чтобы избежать путаницы и обеспечить целостность восприятия. Правильное использование цвета может значительно улучшить наглядность и эффективность представления информации, в то время как неправильный выбор цветов может привести к серьезным искажениям восприятия и ошибочным выводам

Размер и читаемость текстовых элементов играют критическую роль в эффективности визуализации. При подготовке презентационных материалов необходимо обеспечивать максимальную читаемость текста для всех участников, включая тех, кто находится на значительном удалении от экрана. Практика показывает, что использование слишком мелкого шрифта приводит к затруднениям в восприятии информации, в то время как крупный шрифт редко вызывает жалобы. Это особенно важно в академической среде, где презентации часто содержат специальные термины, формулы и статистические данные. Рекомендуется проводить предварительное тестирование читаемости материалов в условиях, максимально приближенных к реальным, чтобы обеспечить комфортное восприятие информации всеми читателями (рис. 2).

Рисунок 2 - Читаемость текста от расстояния

DOI:10.60797/IRJ.2026.164.70.2

Принцип максимальной простоты предполагает устранение всех отвлекающих и не несущих смысловой нагрузки элементов. Следует избегать излишних украшений, сложных визуальных эффектов и декоративных деталей, которые не добавляют ценности содержанию. Часто даже простые двумерные графики позволяют эффективно передавать информацию, облегчая ее восприятие и обработку. Примером излишне усложненной визуализации может служить круговая диаграмма с трехмерным оформлением и неудачно подобранной цветовой палитрой, где 3D-эффекты

[10]

,

[11]

искажают визуальное восприятие размеров сегментов, а недостаточная контрастность цветов затрудняет интерпретацию данных (рис. 3,4).

Рисунок 3 - Пример сложной визуализации

DOI:10.60797/IRJ.2026.164.70.3

Рисунок 4 - Пример простой визуализаци

DOI:10.60797/IRJ.2026.164.70.4

Процесс работы в Jupyter Notebook начинается с загрузки данных из различных источников: CSV-файлов, таблиц Excel, баз данных SQL/PostgreSQL или веб-API. После загрузки данные проходят этапы очистки, преобразования и анализа с использованием специализированных библиотек, а конечным этапом является визуализация результатов для наглядного представления выявленных закономерностей

Библиотека Plotly — это современный инструмент для интерактивной визуализации данных, который гармонично интегрируется в аналитический рабочий процесс Jupyter. Ключевое преимущество – возможность динамического взаимодействия с графиками непосредственно в ячейках, что значительно ускоряет исследовательский процесс. В отличие от статических решений, Plotly позволяет менять масштаб, скрывать/показывать элементы и выделять участки графиков, что особенно ценно при работе со сложными статистическими зависимостями (листинг 1, рис. 5).

Листинг 1. Код для построения линейного графика

1import numpy as np
2import plotly.express as px
3 
4x = np.arange(0, 5, 0.1)
5 
6def f(x):
7    return x**2
8 
9px.scatter(x=x, y=f(x)).show()

Рисунок 5 - Линейный график

DOI:10.60797/IRJ.2026.164.70.5

Минималистичная визуализация служит основой для дальнейшего расширения функциональности. Ключевое преимущество Plotly — реализация интерактивных элементов, особенно механизма отображения контекстной информации при наведении курсора (листинг 2, рис. 6). 

Листинг 2. Код для построения сложного линейного графика

1import plotly.graph_objects as go
2 
3fig = go.Figure()
4 
5fig.add_trace(go.Scatter(x=x, y=f(x), mode='lines+markers', name='f(x)=x<sup>2</sup>'))
6fig.add_trace(go.Scatter(x=x, y=g(x), mode='markers', name='$g(x)=x$'))
7 
8fig.update_layout(legend_orientation='h',legend=dict(x=.5, xanchor="center"),margin=dict(l=0,r=0,t=0,b=0))fig.update_traces(hoverinfo='x+y', r=0, t=0, b=0)

Рисунок 6 - Сложный интерактивный график

DOI:10.60797/IRJ.2026.164.70.6

Анимации в Plotly создаются через последовательное отображение фреймов (листинг 3, рис. 7,8).

Листинг 3. Код для построения сложного линейного графика

1import plotly.graph_objects as go
2 
3fig = go.Figure()
4fig.add_trace(go.Scatter(x=[x[0]], y=[f(x)[0]], mode='lines+markers', name='f(x)=x<sup>2</sup>'))
5frames = []
6for i in range(1, len(x)):
7    frames.append(go.Frame(data=[go.Scatter(x=x[:i+1], y=f(x[:i+1]))]))
8fig.frames = frames

Рисунок 7 - Начальный фрейм

DOI:10.60797/IRJ.2026.164.70.7

Рисунок 8 - Конечный фрейм

DOI:10.60797/IRJ.2026.164.70.8

Matplotlib предоставляет детальный контроль над созданием статических графиков, поддерживая широкий спектр визуализаций — от базовых линейных графиков до сложных трехмерных поверхностей и специализированных диаграмм. Библиотека включает поддержку TeX-разметки, тонкую настройку осей и интеграцию с NumPy/SciPy (листинг 4)

[13]

,

[14]

.

Листинг 4. Код для построения графика с исп. Seabon

1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4 
5# Import Data
6df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot.csv')
7df_select = df.loc[df.cyl.isin([4, 8]), :]
8 
9# Plot
10sns.set_style("white")
11gridobj = sns.lmplot(x="displ", y="hwy", hue="cyl", data=df_select,
12                     height=7, aspect=1.6, robust=True, palette="tab10",
13                     scatter_kws=dict(s=60, linewidths=0.7, edgecolors='black'))
14 
15# Decorations
16gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
17plt.title("Scatterplot with line of best fit grouped by number of cylinders", fontsize=20)
18plt.show()

Данный подход позволяет наглядно оценить различия в характере зависимостей между анализируемыми переменными для разных групп наблюдений, выявить аномальные значения, а также сравнить углы наклона регрессионных прямых (рис. 9).

Рисунок 9 - График с использованием Seabon

DOI:10.60797/IRJ.2026.164.70.9

Упорядоченная гистограмма представляет собой эффективный инструмент визуализации данных, позволяющий наглядно отобразить порядок ранжирования элементов. В данном исследовании рассматривается процесс создания такой гистограммы с использованием библиотеки Matplotlib в Python, а также добавление значений показателей над диаграммой для обеспечения точной и детализированной информации (листинг 5)

[15]

,

[16]

.

Листинг 5. Код для подготовки данных

1import pandas as pd
2 
3# Загрузка данных
4df_raw = pd.read_csv('https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv')
5df = df_raw[['cty', 'manufacturer']].groupby('manufacturer').apply(lambda x: x.mean())
6df.reset_index(inplace=True)

После подготовки данных можно приступить к построению гистограммы с использованием Matplotlib. Создается фигура и оси, после чего добавляется гистограмма с помощью метода bar (листинг 6, 7; рис. 10, 11).

Листинг 6. Код для подготовки визуализации

1import matplotlib.pyplot as plt
2import matplotlib.patches as patches
3 
4# Создание фигуры и осей
5fig, ax = plt.subplots(figsize=(16, 8), facecolor='White', dpi=80)
6 
7# Вертикальные линии
8ax.vlines(x=df.index, ymin=0, ymax=df.cty, color='firebrick', alpha=0.7, linewidth=2)
9 
10# Аннотация текста
11for i, cty in enumerate(df.cty):
12    ax.text(i, cty+0.5, round(cty, 1), horizontalalignment='center')
13 
14# Настройка заголовка, меток и тиков
15ax.set_title('Bar Chart for Highway Mileage', fontdict={'size': 22})
16ax.set_ylabel('Miles Per Gallon', y=0.8)
17ax.set_xticks(df.index)
18ax.set_xticklabels(df.manufacturer.str.upper(), rotation=60, horizontalalignment='center')

Листинг 7. Добавление цветовых патчей

1import matplotlib.pyplot as plt
2import matplotlib.patches as patches
3 
4# Добавление цветовых патчей
5p1 = patches.Rectangle((0.57, -0.005), width=0.33, height=0.13, alpha=0.1, facecolor='green')
6p2 = patches.Rectangle((1.124, -0.005), width=0.446, height=0.1, alpha=0.1, facecolor='green')
7 
8fig.add_artist(p1)
9fig.add_artist(p2)
10 
11# Отображение графика
12plt.show()

Рисунок 10 - Упорядоченная гистограмма

DOI:10.60797/IRJ.2026.164.70.10

Рисунок 11 - Комбинированный график

DOI:10.60797/IRJ.2026.164.70.11

Обе библиотеки эффективно интегрируются с Pandas, обеспечивая работу с разнообразными типами данных. Plotly ориентирована на динамическое взаимодействие, а Matplotlib предоставляет точные инструменты для научной графики, что делает их мощным комбинированным решением для анализа данных

[17]

.

Оптимизация работы с данными критически важна для повышения продуктивности, особенно при анализе больших наборов данных. Масштабируемость в Data Science напрямую связана с возможностью параллельной обработки данных, что позволяет распределять нагрузку между несколькими ядрами процессора.

В языке Python для параллельных вычислений обычно используется модуль multiprocessing, однако в Jupyter Notebook его применение нередко вызывает затруднения из-за конфликтов при управлении дочерними процессами. В таких случаях удобной альтернативой является библиотека Joblib, которая обеспечивает параллельное выполнение задач за счёт фоновых процессов, работающих независимо от основного процесса Jupyter

Для демонстрации анализа задач с длительным временем выполнения можно использовать алгоритмы с высокой временной сложностью, такие как «monkey sort» (или «bogosort») — крайне неэффективный метод сортировки. Алгоритм проверяет, отсортирован ли массив; если нет, случайным образом перемешивает элементы до достижения отсортированного порядка.

Средняя временная сложность составляет O((n+1)!) из-за вероятностной природы алгоритма, что означает факториальное количество операций для сортировки массива из n элементов. Фактическое время выполнения может варьироваться из-за случайного характера перемешивания

После загрузки необходимых библиотек реализуем алгоритм «monkey sort» на Python (листинг 8).

Листинг 8. Код алгоритма monkey sort

1import random
2 
3def bogosort(arr):
4    def correct(arr, comparator=lambda x: x):
5        for i in range(1, len(arr)):
6            if comparator(arr[i - 1]) - comparator(arr[i]) > 0:
7                return False
8        return True
9 
10    while not correct(arr):
11        random.shuffle(arr)
12    return arr

Для проведения тестирования гипотез и анализа данных требуется создание набора тестовых данных. В данном исследовании генерируется двумерный массив, содержащий 1000 наборов данных, каждый из которых включает 8 случайно расположенных целочисленных значений (листинг 9).

Листинг 9. Набор тестовых данных

1import numpy as np
2# Создание массива случайных чисел
3bigdata = np.array([[np.random.randint(0, 100) for _ in range(1000)] for _ in range(1000)])
4 
5# Вывод первых 5 элементов
6print(bigdata[:5])
7 
8array([[24, 77, 45, 37, 47, 52, 80, 95],
9    [53, 40, 81, 24, 12, 20, 80, 42],
10    [34, 58, 90, 41, 85, 87, 80, 41],
11    [86, 17, 18, 60, 72, 89, 48, 28],
12    [ 1, 38, 44, 12, 97, 46, 52, 52]])

Проверить работу алгоритма можно на этом наборе данных, для учета времени используем встроенную функцию Python%%time (рис. 12).

Рисунок 12 - Проверка результатов времени сортировки без параллелизма

DOI:10.60797/IRJ.2026.164.70.12

Сортировка завершилась за 4 минуты 32 секунды. Теперь решим ту же задачу, применив параллелизм посредством разбиения данных на партиции [23].

Используется библиотека Joblib в сочетании с лямбда-функциями Python, что позволяет эффективно выполнять вычисления без изоляции процессов и последующей синхронизации с общей очередью сбора данных. Joblib автоматически разделяет данные и собирает результаты через класс Parallel, распараллеливая задачи между ядрами процессора без необходимости явного управления процессами (рис. 13).

Рисунок 13 - Проверка результатов времени сортировки с параллелизмом

DOI:10.60797/IRJ.2026.164.70.13

Применение параллельных вычислений ускорило обработку в 6 раз (с 272 секунд до 44.9).

Традиционные приложения типа Excel демонстрируют ограничения при работе с большими данными (>600000 записей): экспоненциальный рост времени обработки, частые сбои и невозможность построения сложных визуализаций (рис. 14).

Рисунок 14 - Фрагмент файла Excel

DOI:10.60797/IRJ.2026.164.70.14

При работе с крупными массивами данных Excel демонстрирует значительные ограничения: операции замедляются, приложение зависает или перестает отвечать. Это особенно проявляется при построении графиков или фильтрации сотен тысяч/миллионов строк, поскольку Excel не рассчитан на обработку таких объемов данных.

Кроме того, Excel может выводить неполную информацию без ошибок, что ограничивает его использование для анализа больших данных (рис. 15).

Рисунок 15 - Вывод неполной информации с файла Excel

DOI:10.60797/IRJ.2026.164.70.15

Связка Jupyter Notebook с базами данных (PostgreSQL/MySQL) решает эти проблемы. Далее нужно загрузить данные в PostgreSQL (листинг 10,11).

Листинг 10. Подключение к PostgreSQL в Jupyter notebook

1import numpy as np
2 
3# Подключение к PostgreSQL из Python
4 
5[:] : !pip install psycopg2-binary
6from sqlalchemy import create_engine
7import pandas as pd
8 
9# Создаем подключение
10engine = create_engine('postgresql://postgres:password@localhost:5432/citizen_db')

Листинг 11. Подключение к PostgreSQL в Jupyter notebook.

1#Загрузка данных в PostgreSQL
2[:] : # Загрузка данных в базу данных (таблица citizens)
3df.to_sql('citizens', engine, if_exists='replace', index=False)

В результате обработки данных удалось успешно построить график распределения возрастов, включающий все 1 миллион элементов. Процесс обработки и создания графика (рис. 16) занял всего одну минуту реального времени, что демонстрирует эффективность используемых методов и инструментов для работы с большими объемами данных.

Рисунок 16 - График распределения возрастов

DOI:10.60797/IRJ.2026.164.70.16

В рамках данного исследования также была успешно реализована визуализация данных с использованием трехмерного графика, отображающего взаимосвязь между возрастом, уровнем образования и средним доходом. Для этого был использован язык запросов SQL для извлечения необходимых данных из базы данных, а также библиотека Plotly для создания интерактивного 3D-графика.

С помощью SQL-запроса были извлечены данные о возрасте, уровне образования и среднем доходе из таблицы citizens. Запрос включал группировку данных по возрасту и уровню образования, а также вычисление среднего дохода для каждой группы (листинг 12). 

Листинг 12. Извлечение данных

1import plotly.graph_objects as go
2query = """
3SELECT age, education_years, AVG(income) as avg_income
4FROM citizens
5GROUP BY age, education_years
6"""
7df_3d = pd.read_sql(query, engine)

Для визуализации данных был использован модуль plotly.graph_objects, который позволяет создавать интерактивные графики. В частности, был создан 3D-график рассеяния, где по осям X, Y и Z отображаются возраст, уровень образования и средний доход соответственно (листинг 13).

Листинг 13. Код для построения 3D графика

1df_3d = pd.read_sql(query, engine)
2 
3fig = go.Figure(data=[go.Scatter3d(
4    x=df_3d['age'],
5    y=df_3d['education_years'],
6    z=df_3d['avg_income'],
7    mode='markers',
8    marker=dict(size=2)
9)])
10 
11fig.update_layout(scene=dict(
12    xaxis_title='Age',
13    yaxis_title='Education Years',
14    zaxis_title='Average Income'),
15    margin=dict(l=0, r=0, b=0, t=0))
16 
17fig.show()

3D-график, отображающий распределение данных о возрасте, уровне образования и среднем доходе. График позволяет наглядно оценить взаимосвязь между этими параметрами и выявить возможные закономерности и тенденции. Использование интерактивных возможностей Plotly позволяет исследователям динамически взаимодействовать с графиком, изменяя угол обзора и масштаб, что значительно облегчает процесс анализа и интерпретации данных (рис. 17).

Рисунок 17 - 3D-график: возраст, образование, средний доход

DOI:10.60797/IRJ.2026.164.70.17

Архитектурная оптимизация (сервер БД выполняет ресурсоемкие операции, Jupyter обеспечивает визуализацию) позволяет эффективно работать с выборками >1 млн. записей.

Jupyter Notebook поддерживает развитую систему экспорта результатов в различные форматы, что обеспечивает удобное и профессиональное представление данных для разных аудиторий. Инструмент nbconvert предоставляет широкие возможности преобразования файлов .ipynb в разнообразные выходные форматы, адаптированные под конкретные потребности и сценарии использования.

В академической и научной среде Jupyter Notebook зарекомендовал себя как незаменимый инструмент для подготовки воспроизводимых публикаций. Поддержка экспорта в форматы PDF и LaTeX позволяет исследователям создавать материалы, полностью соответствующие строгим требованиям рецензируемых научных журналов. Особую ценность представляет сохранение математических формул в нотации LaTeX, что обеспечивает корректное и профессиональное оформление сложных теоретических выкладок и математических моделей.

Для образовательных целей особенно востребован экспорт в HTML, который позволяет формировать интерактивные учебные материалы с сохранением визуализаций и возможностью демонстрации вычислительных процессов. При подготовке докладов и представлении результатов на научных конференциях формат Reveal.js открывает широкие возможности для создания динамичных веб-презентаций, объединяющих программный код, графические иллюстрации и пояснительный текст в едином интерактивном пространстве.

Для документирования аналитических моделей и методик особенно полезен экспорт в формат Markdown, который упрощает интеграцию с системами управления знаниями и обеспечивает возможность версионного контроля посредством платформ наподобие Git. В бизнес-среде востребован экспорт визуализаций в PNG и PDF форматы, что позволяет создавать высококачественные графики и диаграммы для отчетов и презентаций (рис. 18,19).

Рисунок 18 - Пример экспорта в формате png

DOI:10.60797/IRJ.2026.164.70.18

Рисунок 19 - Пример экспорта в формате pdf

DOI:10.60797/IRJ.2026.164.70.19

Практическое применение разработанной методики было продемонстрировано на реальной задаче визуализации данных с учетом объединенных статистических параметров. Данные включали такие показатели, как среднее арифметическое, стандартное отклонение и количество выделяемой памяти в куче за один вызов, а также требовали построения графика зависимости от числа рекурсивных вызовов.

Для реализации задачи данные были преобразованы из исходного формата в Excel таблицу, а затем в CSV формат для последующей загрузки в Jupyter Notebook. Процесс обработки включал переименование столбцов для удобства работы, заполнение пропущенных значений и создание дополнительного параметра «сложность рекурсии» как суммы параметров m и n. Успешная загрузка данных подтвердила готовность к последующему анализу и визуализации.

Визуализация была реализована с использованием библиотеки Matplotlib, что позволило создать всеобъемлющий график, отображающий три ключевых параметра одновременно. По оси X отображался номер измерения, по оси Y — среднее время выполнения метода в наносекундах. Размер точек визуализировал объем выделенной памяти при конкретном вызове метода, вертикальные линии показывали стандартное отклонение, а цвет точек отражал суммарную «сложность рекурсии». Такое многомерное представление данных позволило наглядно продемонстрировать зависимость времени выполнения метода от числа рекурсивных вызовов и оценить влияние различных параметров на производительность и использование памяти.

Jupyter Notebook предоставляет широкие возможности для визуализации данных, включая работу с табличной информацией из различных источников. На рисунке 20 показан пример типовых данных, импортированных в рабочую среду.

Рисунок 20 - Данные в Excel в привычном виде

DOI:10.60797/IRJ.2026.164.70.20

Для создания визуализаций используется библиотека Plotly, которая позволяет легко создавать интерактивные графики. Пример создания круговой диаграммы представлен в листинге 14.

Листинг 14. Код для создания круговой диаграммы

1fig = go.Figure()
2 
3fig.add_trace(go.Pie(values=sum_counts, labels=sum_counts.index, sort=False))
4 
5fig.show()

Этот фрагмент демонстрирует, насколько легко и удобно можно создавать и работать с круговыми диаграммами в Jupyter Notebook (рис. 21).

Рисунок 21 - Простая круговая диаграмма

DOI:10.60797/IRJ.2026.164.70.21

Для выделения отдельных секторов используется параметр pull (см. листинг 15, рис. 22).

Листинг 15. Код для создания круговой диаграммы с выделенным сектором

1fig = go.Figure()
2 
3pull = [0]*len(sum_counts)
4pull[sum_counts.tolist().index(sum_counts.max())] = 0.2
5 
6fig.add_trace(go.Pie(values=sum_counts, labels=sum_counts.index, pull=pull))
7 
8fig.show()

Рисунок 22 - Круговая диаграмма с выделенным сектором

DOI:10.60797/IRJ.2026.164.70.22

Преобразование в кольцевую диаграмму достигается параметром hole (см. листинг 16, рис. 23).

Листинг 16. Код для создания круговой диаграммы без центральной части

1fig = go.Figure()
2 
3pull = [0]*len(sum_counts)
4pull[sum_counts.tolist().index(sum_counts.max())] = 0.2
5 
6fig.add_trace(go.Pie(values=sum_counts, labels=sum_counts.index, pull=pull, hole=0.9))
7 
8fig.show()

Рисунок 23 - Круговая диаграмма без центральной части

DOI:10.60797/IRJ.2026.164.70.23

Для работы с реальными данными используется связка библиотек pandas и matplotlib. После загрузки и предобработки формируется комплексный график, отображающий несколько параметров одновременно (см. листинг 17, рис. 24).

Листинг 17. Код для загрузки данных в Jupyter notebook

1import pandas as pd
2import matplotlib.pyplot as plt
3import seaborn as sns
4 
5sns.set(style="whitegrid")
6 
7# Загрузка CSV напрямую
8df = pd.read_csv(r'data2copy.csv')
9 
10# Переименуем при необходимости
11rename_map = {
12    "RecCalls": "Recurse_calls",
13    "AllocMem_bytes": "Memory_allocated"
14}
15df.rename(columns=rename_map, inplace=True)
16 
17# Заполняем пропуски
18df["Memory_allocated"] = df["Memory_allocated"].fillna(0)
19df["rec_complexity"] = df["m"] + df["n"]
20 
21df.head()

Рисунок 24 - Положительный результат выполнения кода

DOI:10.60797/IRJ.2026.164.70.24

На данном этапе мы используем библиотеку Matplotlib для создания графика, который позволяет визуализировать ключевые статистические параметры (см. листинг 18, рис. 25).

Листинг 18. Код для создания основного графика

1plt.figure(figsize=(12, 8))
2scatter = plt.scatter(
3    df.index,
4    df["Mean_ns"],
5    s=df["Memory_allocated"] / 100,
6    c=df["rec_complexity"],
7    cmap="plasma",
8    alpha=0.7
9)
10for i in df.index:
11    plt.errorbar(
12        x=i,
13        y=df.loc[i, "Mean_ns"],
14        yerr=df.loc[i, "StdDev_ns"],
15        fmt='none',
16        ecolor='black',
17        capsize=3
18    )
19 
20plt.colorbar(scatter, label='Число рекурсивных вызовов')
21plt.xlabel("Номер измерения")
22plt.ylabel("Среднее время (нс)")
23plt.title("Зависимость времени от числа рекурсивных вызовов, отклонение, память, рекурсия")
24plt.tight_layout()
25plt.show()

В первом блоке создается точечная диаграмма с возможностью настраивать размер точек, их цвет, прозрачность. Второй блок добавляет вертикальные линии внутри точек (кругов). Завершающая часть кода реализует оформление, легенду графика, она включает в себя подписи осей и цветовое оформление. Функция plt.colorbar() создает цветную шкалу, которая визуально связывает градиентную палитру маркеров с соответствующими значениями сложности рекурсивных вычислений.

Рисунок 25 - Результат выполнения кода

DOI:10.60797/IRJ.2026.164.70.25

График позволяет одновременно анализировать:

1) среднее время выполнения (ось Y);

2) объем используемой памяти (размер точек);

3) сложность вычислений (цвет точек);

4) стандартное отклонение (вертикальные линии).

Такой подход демонстрирует преимущества Jupyter Notebook для работы со сложными многомерными данными по сравнению с традиционными инструментами.

В результате проведенного исследования было показано, что Jupyter Notebook представляет собой универсальную и эффективную среду для визуализации статистических данных, позволяющую объединять вычислительные возможности Python с гибкими инструментами графического представления информации. Рассмотренные библиотеки Plotly и Matplotlib продемонстрировали высокую результативность как для статической научной графики, так и для создания интерактивных решений, что делает их совместное использование оптимальным для анализа данных различной сложности и объема. Особое внимание было уделено вопросам оптимизации работы с большими массивами, применению параллельных вычислений и интеграции с системами управления базами данных, что обеспечивает масштабируемость и надежность аналитических процессов.

Практическая значимость предложенного методологического подхода проявляется в его применимости для широкого спектра задач — от образовательных и исследовательских до бизнес-аналитики и индустриальных проектов. Экспорт визуализаций в разнообразные форматы, включая HTML, PDF, LaTeX и интерактивные презентации, открывает возможности для подготовки воспроизводимых публикаций, учебных материалов и профессиональных отчетов. Важным результатом является формирование принципов построения визуализаций, учитывающих когнитивные особенности восприятия и направленных на повышение точности интерпретации данных и качества принимаемых решений.

Перспективы дальнейшего развития работы связаны с расширением функционала Jupyter Notebook путем интеграции методов машинного обучения и искусственного интеллекта для автоматического выбора оптимальных способов визуализации в зависимости от структуры и характеристик данных. Представляется актуальным внедрение интеллектуальных рекомендательных систем, способных адаптировать цветовые схемы, масштабируемые графики и интерактивные элементы под конкретные задачи пользователя. Дополнительным направлением может стать развитие облачных решений и коллаборативных сервисов на основе Jupyter, что позволит организовать совместную работу исследователей и аналитиков в реальном времени. В долгосрочной перспективе внедрение описанного подхода способно повысить эффективность анализа данных, сделать визуализацию более доступной и интуитивно понятной, а также обеспечить новые возможности для научных исследований и прикладных разработок.