數(shù)據(jù)可視化是數(shù)據(jù)科學(xué)家工作的重要部分。在項(xiàng)目的早期階段，我們通常需要進(jìn)行探索性數(shù)據(jù)分析來獲得對(duì)數(shù)據(jù)的洞察。通過數(shù)據(jù)可視化可以讓該過程變得更加清晰易懂，尤其是在處理大規(guī)模、高維度數(shù)據(jù)集時(shí)。在本文中，我們介紹了最基本的 5 種數(shù)據(jù)可視化圖表，在展示了它們的優(yōu)劣點(diǎn)后，我們還提供了繪制對(duì)應(yīng)圖表的 Matplotlib 代碼。

Matplotlib 是一個(gè)很流行的 Python 庫，可以幫助你快速方便地構(gòu)建數(shù)據(jù)可視化圖表。然而，每次啟動(dòng)一個(gè)新項(xiàng)目時(shí)都需要重新設(shè)置數(shù)據(jù)、參數(shù)、圖形和繪圖方式是非常枯燥無聊的。本文將介紹 5 種數(shù)據(jù)可視化方法，并用 Python 和 Matplotlib 寫一些快速易用的可視化函數(shù)。下圖展示了選擇正確可視化方法的導(dǎo)向圖。 

選擇正確可視化方法的導(dǎo)向圖。

散點(diǎn)圖

由于可以直接看到原始數(shù)據(jù)的分布，散點(diǎn)圖對(duì)于展示兩個(gè)變量之間的關(guān)系非常有用。你還可以通過用顏色將數(shù)據(jù)分組來觀察不同組數(shù)據(jù)之間的關(guān)系，如下圖所示。你還可以添加另一個(gè)參數(shù)，如數(shù)據(jù)點(diǎn)的半徑來編碼第三個(gè)變量，從而可視化三個(gè)變量之間的關(guān)系，如下方第二個(gè)圖所示。 

用顏色分組的散點(diǎn)圖。

用顏色分組的散點(diǎn)圖，點(diǎn)半徑作為第三個(gè)變量表示國(guó)家規(guī)模。

接下來是代碼部分。我們首先將 Matplotlib 的 pyplot 導(dǎo)入為 plt，并調(diào)用函數(shù) plt.subplots() 來創(chuàng)建新的圖。我們將 x 軸和 y 軸的數(shù)據(jù)傳遞給該函數(shù)，然后將其傳遞給 ax.scatter() 來畫出散點(diǎn)圖。我們還可以設(shè)置點(diǎn)半徑、點(diǎn)顏色和 alpha 透明度，甚至將 y 軸設(shè)置為對(duì)數(shù)尺寸，***為圖指定標(biāo)題和坐標(biāo)軸標(biāo)簽。

import matplotlib.pyplot as plt 
import numpy as np 
 
def scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False): 
 
    # Create the plot object 
    _, ax = plt.subplots() 
 
    # Plot the data, set the size (s), color and transparency (alpha) 
    # of the points 
    ax.scatter(x_data, y_data, s = 10, color = color, alpha = 0.75) 
 
    if yscale_log == True: 
        ax.set_yscale('log') 
 
    # Label the axes and provide a title 
    ax.set_title(title) 
    ax.set_xlabel(x_label) 
    ax.set_ylabel(y_label) 

線圖

當(dāng)一個(gè)變量隨另一個(gè)變量的變化而變化的幅度很大時(shí)，即它們有很高的協(xié)方差時(shí)，線圖非常好用。如下圖所示，我們可以看到，所有專業(yè)課程的相對(duì)百分?jǐn)?shù)隨年代的變化的幅度都很大。用散點(diǎn)圖來畫這些數(shù)據(jù)將變得非常雜亂無章，而難以看清其本質(zhì)。線圖非常適合這種情況，因?yàn)樗梢钥焖俚乜偨Y(jié)出兩個(gè)變量的協(xié)方差。在這里，我們也可以用顏色將數(shù)據(jù)分組。 

線圖示例。

以下是線圖的實(shí)現(xiàn)代碼，和散點(diǎn)圖的代碼結(jié)構(gòu)很相似，只在變量設(shè)置上有少許變化。

def lineplot(x_data, y_data, x_label="", y_label="", title=""): 
    # Create the plot object 
    _, ax = plt.subplots() 
 
    # Plot the best fit line, set the linewidth (lw), color and 
    # transparency (alpha) of the line 
    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1) 
 
    # Label the axes and provide a title 
    ax.set_title(title) 
    ax.set_xlabel(x_label) 
    ax.set_ylabel(y_label) 

直方圖

直方圖對(duì)于觀察或真正了解數(shù)據(jù)點(diǎn)的分布十分有用。以下為我們繪制的頻率與 IQ 的直方圖，我們可以直觀地了解分布的集中度(方差)與中位數(shù)，也可以了解到該分布的形狀近似服從于高斯分布。使用這種柱形(而不是散點(diǎn)圖等)可以清楚地可視化每一個(gè)箱體(X 軸的一個(gè)等距區(qū)間)間頻率的變化。使用箱體(離散化)確實(shí)能幫助我們觀察到「更完整的圖像」，因?yàn)槭褂盟袛?shù)據(jù)點(diǎn)而不采用離散化會(huì)觀察不到近似的數(shù)據(jù)分布，可能在可視化中存在許多噪聲，使其只能近似地而不能描述真正的數(shù)據(jù)分布。 

直方圖案例

下面展示了 Matplotlib 中繪制直方圖的代碼。這里有兩個(gè)步驟需要注意，首先，n_bins 參數(shù)控制直方圖的箱體數(shù)量或離散化程度。更多的箱體或柱體能給我們提供更多的信息，但同樣也會(huì)引入噪聲并使我們觀察到的全局分布圖像變得不太規(guī)則。而更少的箱體將給我們更多的全局信息，我們可以在缺少細(xì)節(jié)信息的情況下觀察到整體分布的形狀。其次，cumulative 參數(shù)是一個(gè)布爾值，它允許我們選擇直方圖是不是累積的，即選擇概率密度函數(shù)(PDF)或累積密度函數(shù)(CDF)。

def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""): 
    _, ax = plt.subplots() 
    ax.hist(data, n_bins = n_bins, cumulative = cumulative, color = '#539caf') 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 

如果我們希望比較數(shù)據(jù)中兩個(gè)變量的分布，有人可能會(huì)認(rèn)為我們需要制作兩個(gè)獨(dú)立的直方圖，并將它們拼接在一起而進(jìn)行比較。但實(shí)際上 Matplotlib 有更好的方法，我們可以用不同的透明度疊加多個(gè)直方圖。如下圖所示，均勻分布設(shè)置透明度為 0.5，因此我們就能將其疊加在高斯分布上，這允許用戶在同一圖表上繪制并比較兩個(gè)分布。 

疊加直方圖

在疊加直方圖的代碼中，我們需要注意幾個(gè)問題。首先，我們?cè)O(shè)定的水平區(qū)間要同時(shí)滿足兩個(gè)變量的分布。根據(jù)水平區(qū)間的范圍和箱體數(shù)，我們可以計(jì)算每個(gè)箱體的寬度。其次，我們?cè)谝粋€(gè)圖表上繪制兩個(gè)直方圖，需要保證一個(gè)直方圖存在更大的透明度。

# Overlay 2 histograms to compare them 
def overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""): 
    # Set the bounds for the bins so that the two distributions are fairly compared 
    max_nbins = 10 
    data_range = [min(min(data1), min(data2)), max(max(data1), max(data2))] 
    binwidth = (data_range[1] - data_range[0]) / max_nbins 
 
 
    if n_bins == 0 
        bins = np.arange(data_range[0], data_range[1] + binwidth, binwidth) 
    else:  
        bins = n_bins 
 
    # Create the plot 
    _, ax = plt.subplots() 
    ax.hist(data1, bins = bins, color = data1_color, alpha = 1, label = data1_name) 
    ax.hist(data2, bins = bins, color = data2_color, alpha = 0.75, label = data2_name) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
    ax.legend(loc = 'best') 

條形圖

當(dāng)對(duì)類別數(shù)很少(<10)的分類數(shù)據(jù)進(jìn)行可視化時(shí)，條形圖是最有效的。當(dāng)類別數(shù)太多時(shí)，條形圖將變得很雜亂，難以理解。你可以基于條形的數(shù)量觀察不同類別之間的區(qū)別，不同的類別可以輕易地分離以及用顏色分組。我們將介紹三種類型的條形圖：常規(guī)、分組和堆疊條形圖。

常規(guī)條形圖如圖 1 所示。在 barplot() 函數(shù)中，x_data 表示 x 軸上的不同類別，y_data 表示 y 軸上的條形高度。誤差條形是額外添加在每個(gè)條形中心上的線，可用于表示標(biāo)準(zhǔn)差。 

常規(guī)條形圖

分組條形圖允許我們比較多個(gè)類別變量。如下圖所示，我們***個(gè)變量會(huì)隨不同的分組(G1、G2 等)而變化，我們?cè)诿恳唤M上比較不同的性別。正如代碼所示，y_data_list 變量現(xiàn)在實(shí)際上是一組列表，其中每個(gè)子列表代表了一個(gè)不同的組。然后我們循環(huán)地遍歷每一個(gè)組，并在 X 軸上繪制柱體和對(duì)應(yīng)的值，每一個(gè)分組的不同類別將使用不同的顏色表示。 

分組條形圖

堆疊條形圖非常適合于可視化不同變量的分類構(gòu)成。在下面的堆疊條形圖中，我們比較了工作日的服務(wù)器負(fù)載。通過使用不同顏色的方塊堆疊在同一條形圖上，我們可以輕松查看并了解哪臺(tái)服務(wù)器每天的工作效率***，和同一服務(wù)器在不同天數(shù)的負(fù)載大小。繪制該圖的代碼與分組條形圖有相同的風(fēng)格，我們循環(huán)地遍歷每一組，但我們這次在舊的柱體之上而不是旁邊繪制新的柱體。 

堆疊條形圖

def barplot(x_data, y_data, error_data, x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
    # Draw bars, position them in the center of the tick mark on the x-axis 
    ax.bar(x_data, y_data, color = '#539caf', align = 'center') 
    # Draw error bars to show standard deviation, set ls to 'none' 
    # to remove line between points 
    ax.errorbar(x_data, y_data, yerr = error_data, color = '#297083', ls = 'none', lw = 2, capthick = 2) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
 
 
 
def stackedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
    # Draw bars, one category at a time 
    for i in range(0, len(y_data_list)): 
        if i == 0: 
            ax.bar(x_data, y_data_list[i], color = colors[i], align = 'center', label = y_data_names[i]) 
        else: 
            # For each category after the first, the bottom of the 
            # bar will be the top of the last category 
            ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i - 1], align = 'center', label = y_data_names[i]) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
    ax.legend(loc = 'upper right') 
 
 
 
def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
    # Total width for all bars at one x location 
    total_width = 0.8 
    # Width of each individual bar 
    ind_width = total_width / len(y_data_list) 
    # This centers each cluster of bars about the x tick mark 
    alteration = np.arange(-(total_width/2), total_width/2, ind_width) 
 
 
    # Draw bars, one category at a time 
    for i in range(0, len(y_data_list)): 
        # Move the bar to the right on the x-axis so it doesn't 
        # overlap with previously drawn ones 
        ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
    ax.legend(loc = 'upper right') 

箱線圖

上述的直方圖對(duì)于可視化變量分布非常有用，但當(dāng)我們需要更多信息時(shí)，怎么辦?我們可能需要清晰地可視化標(biāo)準(zhǔn)差，也可能出現(xiàn)中位數(shù)和平均值差值很大的情況(有很多異常值)，因此需要更細(xì)致的信息。還可能出現(xiàn)數(shù)據(jù)分布非常不均勻的情況等等。

箱線圖可以給我們以上需要的所有信息。實(shí)線箱的底部表示***個(gè)四分位數(shù)，頂部表示第三個(gè)四分位數(shù)，箱內(nèi)的線表示第二個(gè)四分位數(shù)(中位數(shù))。虛線表示數(shù)據(jù)的分布范圍。

由于箱線圖是對(duì)單個(gè)變量的可視化，其設(shè)置很簡(jiǎn)單。x_data 是變量的列表。Matplotlib 函數(shù) boxplot() 為 y_data 的每一列或 y_data 序列中的每個(gè)向量繪制一個(gè)箱線圖，因此 x_data 中的每個(gè)值對(duì)應(yīng) y_data 中的一列/一個(gè)向量。 

箱線圖示例。

def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
 
    # Draw boxplots, specifying desired style 
    ax.boxplot(y_data 
               # patch_artist must be True to control box fill 
               , patch_artist = True 
               # Properties of median line 
               , medianprops = {'color': median_color} 
               # Properties of box 
               , boxprops = {'color': base_color, 'facecolor': base_color} 
               # Properties of whiskers 
               , whiskerprops = {'color': base_color} 
               # Properties of whisker caps 
               , capprops = {'color': base_color}) 
 
    # By default, the tick label starts at 1 and increments by 1 for 
    # each box drawn. This sets the labels to the ones we want 
    ax.set_xticklabels(x_data) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 

箱線圖代碼

結(jié)論

本文介紹了 5 種方便易用的 Matplotlib 數(shù)據(jù)可視化方法。將可視化過程抽象為函數(shù)可以令代碼變得易讀和易用。Hope you enjoyed!