數(shù)據(jù)可視化是數(shù)據(jù)科學(xué)中非常重要的一部分。在探索和理解數(shù)據(jù)時(shí)非常有用。在某些情況下，可視化在傳達(dá)信息方面比普通數(shù)字要好得多。

使用數(shù)據(jù)可視化技術(shù)可以輕松發(fā)現(xiàn)變量之間的關(guān)系，變量的分布以及數(shù)據(jù)中的基礎(chǔ)結(jié)構(gòu)。

[[355850]]

在本文中，我們將學(xué)習(xí)如何創(chuàng)建6種基本但常用的數(shù)據(jù)可視化類型。我還寫了一篇文章，解釋了如何使用Seaborn創(chuàng)建這些可視化。

我們將在這篇文章中使用Matplotlib。因此，您不僅將了解可視化，而且還將了解Matplotlib和Seaborn語法之間的區(qū)別。

我們將使用Kaggle上可用的食品雜貨和直銷數(shù)據(jù)集來創(chuàng)建可視化。

首先，將數(shù)據(jù)集讀取為Pandas數(shù)據(jù)框。

import numpy as np 
import pandas as pd 
grocery = pd.read_csv("/content/Groceries_dataset.csv", parse_dates=['Date']) 
marketing = pd.read_csv("/content/DirectMarketing.csv") 

> The first 5 rows of the grocery dataframe (image by author)

> The first 5 rows of the marketing dataframe (image by author)

我們現(xiàn)在可以開始創(chuàng)建可視化并探索數(shù)據(jù)集。

1. 線圖

線圖可視化兩個(gè)變量之間的關(guān)系。其中之一通常是時(shí)間，以便我們可以看到變量如何隨時(shí)間變化。

對(duì)于雜貨數(shù)據(jù)集，我們可以使用線圖來可視化所購買商品的數(shù)量隨時(shí)間的變化。

首先，我們使用Pandas的groupby函數(shù)計(jì)算每天購買的商品數(shù)量。

items = grocery[['Date','itemDescription']]\ 
  .groupby('Date').count().reset_index() 
items.rename(columns={'itemDescription':'itemCount'}, inplace=True) 
items.head()  
Date item Count  
2014-01-01 48 1  
2014-01-02 62 2  
2014-01-03 54 3  
2014-01-04 64 4  
2014-01-05 44 

這是用于創(chuàng)建折線圖的matplotlib語法。

plt.figure(figsize=(10,6)) 
plt.title("Number of Items Purchased - Daily", fontsize=16) 
plt.plot('Date', 'itemCount',  
         data=items[items.Date > '2015-08-01']) 
plt.xlabel('Date', fontsize=14) 
plt.ylabel('Item Count', fontsize=14) 

> (image by author)

第一行創(chuàng)建一個(gè)Figure對(duì)象，第二行添加標(biāo)題，第三行在Figure對(duì)象上繪制數(shù)據(jù)。最后兩行添加了x軸和y軸的標(biāo)簽。

該圖包含2015-08-01年之后的數(shù)據(jù)，以供演示。

注意：默認(rèn)圖形大小為(6,4)。我們可以為每個(gè)圖形分別更改它或更新默認(rèn)圖形大小。

#to get the default figure size 
plt.rcParams.get('figure.figsize')[6.0, 4.0]  
#to update the default figure size 
plt.rcParams['figure.figsize'] = (10,6) 

2. 散點(diǎn)圖

散點(diǎn)圖通常用于可視化兩個(gè)數(shù)字變量的值。我們可以觀察它們之間是否存在相關(guān)性。因此，它也是一個(gè)關(guān)系圖。

散點(diǎn)圖可用于檢查營(yíng)銷數(shù)據(jù)集中的薪水和支出金額之間是否存在相關(guān)性。我們還可以基于分類變量來區(qū)分值。

讓我們分別創(chuàng)建已婚和單身人士的工資和花費(fèi)金額的散點(diǎn)圖。

fig, ax = plt.subplots() 
plt.title("Salary vs Spent Amount", fontsize=16) 
ax.scatter('Salary', 'AmountSpent',  
           data=marketing[marketing.Married == 'Married']) 
ax.scatter('Salary', 'AmountSpent',  
           data=marketing[marketing.Married == 'Single']) 
ax.legend(labels=['Married','Single'], loc='upper left', fontsize=12) 

> (image by author)

我們創(chuàng)建了帶有多個(gè)軸對(duì)象的Figure對(duì)象。每個(gè)類別(已婚和單身)的散點(diǎn)圖都繪制在軸對(duì)象上。

使用Seaborn分隔類別要容易得多。我們只是將列名傳遞給hue參數(shù)。

工資和支出金額之間存在正相關(guān)關(guān)系，這不足為奇。另一個(gè)見解是，已婚人士的收入通常比單身人士高。

注意：您可能已經(jīng)注意到，第一圖和第二圖的" xticks"和" yticks"大小不同。我已經(jīng)使用rc方法更新了這些設(shè)置，如下所示。

plt.rc('xtick', labelsize=12) 
plt.rc('ytick', labelsize=12) 

3. 直方圖

直方圖是一種檢查連續(xù)變量分布的方法。它將變量的值范圍劃分為bin，并顯示每個(gè)bin中的值數(shù)。因此，我們對(duì)值的分布方式進(jìn)行了概述。

我們可以使用直方圖檢查支出金額的分布。

plt.title("Distribution of Spent Amount", fontsize=16) 
plt.hist('AmountSpent', data=marketing, bins=16) 

> (image by author)

bins參數(shù)用于更改箱數(shù)。越多的垃圾桶將導(dǎo)致更詳細(xì)的分發(fā)概述。

4. 箱形圖

箱形圖概述了變量的分布。它顯示了值如何通過四分位數(shù)和離群值分布。

箱形圖可用于檢查營(yíng)銷數(shù)據(jù)集中消費(fèi)量的分布。我們還可以根據(jù)" OwnHome"列進(jìn)行區(qū)分。

X1 = marketing[marketing.OwnHome == 'Own']['AmountSpent'] 
X2 = marketing[marketing.OwnHome == 'Rent']['AmountSpent'] 
plt.title("Distribution of Spent Amount", fontsize=16) 
plt.boxplot((X1,X2), labels=['Own Home', 'Rent']) 

> (image by author)

我們可以將值數(shù)組傳遞給盒圖函數(shù)或元組中的多個(gè)數(shù)組。擁有房屋的人通常會(huì)花更多錢。這些值也更加分散。

中間的線代表變量的中位數(shù)。

5. 條形圖

條形圖主要用于分類變量。這是一個(gè)簡(jiǎn)單的圖，但是對(duì)于報(bào)表或交付結(jié)果很有用。

我們可以使用subplots函數(shù)創(chuàng)建帶有兩個(gè)條形圖的圖形。

fig, (ax1, ax2) = plt.subplots(nrows=1,  
                               ncols=2,  
                               sharey=True, 
                               figsize=(8,5)) 
ax1.bar(x=location.index, height=location.values, width=0.5) 
ax1.set_title("Location", fontsize=14) 
ax2.bar(x=age.index, height=age.values, width=0.5) 
ax2.set_title("Age Groups", fontsize=14) 

> (image by author)

我們可以看到每個(gè)類別中存在多少個(gè)值。這些信息可以簡(jiǎn)單地通過pandas的value_counts函數(shù)獲得。但是，最好使用可視化。

6. 2D直方圖

2D直方圖在網(wǎng)格上組合了2個(gè)不同的直方圖(x軸和y軸)。因此，我們能夠可視化重疊或并發(fā)的密度。換句話說，我們可視化一對(duì)變量的分布。

我們可以使用hist2d函數(shù)輕松創(chuàng)建2D直方圖。

plt.figure(figsize=(8, 8)) 
plt.title("Histogram of Spent Amount and Salary", fontsize=16) 
plt.hist2d("AmountSpent", "Salary",  
           range=[[0, 2000], [0, 80000]], 
           data=marketing,  
           cmap='Blues') 

> (image by author)

為了獲得更多信息，我使用了range參數(shù)來限制x軸和y軸上的范圍。否則，由于異常值，大多數(shù)值將被壓縮到左下角。

較暗的區(qū)域包含更多的數(shù)據(jù)點(diǎn)?？梢哉f，大多數(shù)人都在"支出額"和"工資"列的下部。

結(jié)論

我們?cè)谶@篇文章中介紹的只是Matplotlib功能的一小部分。但是，這些基本圖通常用于探索性數(shù)據(jù)分析或創(chuàng)建數(shù)據(jù)報(bào)告。

此外，它們對(duì)學(xué)習(xí)Matplotlib的語法有很大幫助。像其他任何學(xué)科一樣，掌握Matplotlib的最佳方法是練習(xí)。熟悉基本功能后，即可繼續(xù)使用更高級(jí)的功能。

Matplotlib語法比Seaborn更復(fù)雜，但是它在繪圖上提供了更多的控制和靈活性。