数据可视化

可视化是我们以各种可视化形式描述数据的操作，从图表、图形到信息图形。它是探索性数据分析 (EDA) 中最重要的部分之一，因为它使我们能够轻松掌握变量之间的关系以及对后期特征工程和建模有用的数据的任何独特特征。在本文中，我向您介绍了 10 个 Python 可视化概念和技巧，它们鲜为人知，但对于将它们添加到您的可视化库中很有用。

先导入相关的Python库和数据集，示例的数据集包括客户ID，性别，年龄，年收入，消费评估分数。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

dataFile = pd.read_csv("/home/test.csv")
dataFile.head(10)

使用matplotlib style

Python 中的 Matplotlib 允许我们指定用于可视化的特定样式。这些风格使我们的可视化更容易理解，更容易阅读和解释，有时还为它们增添了审美趣味，使它们对客户更具说服力。以下是可以使用样式列表

['seaborn-deep',
'seaborn-muted',
'bmh',
'seaborn-white',
'dark_background',
'seaborn-notebook',
'seaborn-darkgrid',
'grayscale',
'seaborn-paper',
'seaborn-talk',
'seaborn-bright',
'classic',
'seaborn-colorblind',
'seaborn-ticks',
'ggplot',
'seaborn',
'_classic_test',
'fivethirtyeight',
'seaborn-dark-palette',
'seaborn-dark',
'seaborn-whitegrid',
'seaborn-pastel',
'seaborn-poster']

在开始构建可视化之前，运行你需要的样式的代码，比如使用“fivethirtyeight”

plt.style.use("fivethirtyeight")

设置和更新参数

有时候在制作的每个可视化指定参数很麻烦，如果需要为制作的所有可视化定义一组参数。在这种情况下，可以使用 matplotlib 的 rcParams 方法。

# 使用 matplotlib.pyplot 的 rcParams 方法设置图形大小
plt.rcParams['figure.figsize'] = (16, 9)
# 设置折线图的线宽
import matplotlib as mpl 
mpl.rcParams ['lines.linewidth'] = 2

也可以通过 seaborn 的 set 方法设置参数或设置

# 另一种设置图形大小的方法是使用 seaborn 的 set 方法
sns.set(rc={'figure.figsize':(10,8)})

我们可以使用 matplotlib 中的 pylab 方法来更新参数

import matplotlib.pylab as pylab
# 指定你想要覆盖/更新的各种参数
params = {'legend.fontsize': 'large',
'figure.figsize': (16,9),
'axes.labelsize': 'x-large',
'axes.titlesize':'small',
'xtick.labelsize':'medium',
'ytick.labelsize':'x-large'}
pylab.rcParams.update(params)

请注意，可以使用 7 个不同的选项来指定大小，如下所示

Size: {'xx-small', 'x-small', 'small', 'medium', 'large', 'x-large', 'xx-large'}

甜甜圈图(Donut Plot)

甜甜圈图是一个很好的图表，用于可视化不同类别的比例。当您为每个部分的实际比例值添加注释时，它会更有效，因为具有相似比例的部分可能难以相互区分。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

dataFile = pd.read_csv("test.csv")
dataFile.head(10)
plt.style.use("fivethirtyeight")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
size = dataFile['性别'].value_counts()
colors = ['pink', 'lightblue']
labels = "男", "女"
explode = [0.05, 0.03] 
donut = plt.Circle((0,0), 0.6, color = 'white')
plt.pie(size, colors = colors, labels = labels, shadow = True, explode = explode, autopct = '%.2f%%')
plt.title('性别分布', fontsize = 20)
p = plt.gcf()
p.gca().add_artist(donut)
plt.legend()
plt.show()

群体图（Swarm Plot）

Swarm Plot 是一种可视化类型，它允许我们可视化每个类别的值分布。它比其他类型的可视化（如箱线图）更有用，因为它具有粒度显示（即显示每个数据点的值），如下所示。这样做的缺点是，如果有太多具有相似值范围的数据点，则可视化可能看起来过于聚集并难以解释可视化。我建议将它用于不太大的数据集。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

dataFile = pd.read_csv("test.csv")
plt.style.use("fivethirtyeight")
sns.catplot(x='性别', y='年纪', data=dataFile)

箱线图

Boxenplot 由 seaborn 软件包提供，看起来几乎像一个箱形图。箱线图的主要改进是更精细的分位数显示，为用户的可视化添加了更多信息。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

dataFile = pd.read_csv("test.csv")
plt.style.use("fivethirtyeight")
sns.boxenplot(x='性别', y='消费者年收入（千元）', data=dataFile, palette = 'copper')

散点矩阵图

散点矩阵图包含数值变量的单变量和多变量可视化。如果有 n 个数值变量，它会显示 nxn 个网格，并且对角线位置的网格包含每个变量的单变量分布图（例如直方图），而其他网格向我们显示解释不同变量组合之间关系的散点图。请看下面的可视化

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

dataFile = pd.read_csv("test.csv")
plt.style.use("fivethirtyeight")
from pandas.plotting import scatter_matrix
pd.plotting.scatter_matrix(dataFile.drop('客户ID',axis=1), figsize=(10,10))

密度图

密度图是一种类似于直方图的分布图，但不同之处在于它描绘的是概率密度函数，而不是纯计数或比例,“这是一种估计随机变量的概率密度函数 (PDF) 的非参数方法，它使用高斯核进行估计并包括自动带宽确定。”

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

dataFile = pd.read_csv("test.csv")
plt.style.use("fivethirtyeight")
fig, ax = plt.subplots(1,1,figsize=(9,5))
sns.kdeplot(dataFile[dataFile['性别']=='男']['消费者年收入（千元）'], ax=ax) 
sns.kdeplot(dataFile[dataFile['性别']=='女']['消费者年收入（千元）'], ax=ax)
plt.legend(['性别:男', '性别:女'])

安德鲁斯曲线

因为人类可以感知和理解的最大维度数是三个，所以任何超过这个维度数的特征组合都很难将它们放在画布上。为了解决这个问题，有几种可视化以我们可以消化的方式描述三个维度上的多维数据。安德鲁斯曲线就是其中之一。它通过以下方式转换多变量观察:

IRIS 数据中对应于不同物种的线用不同的颜色标记，我们看到一些线有很多重叠，而另一些则没有。这让我们了解变量中的哪些类别具有与其他类别不同的潜在分布或模式。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from pandas.plotting import andrews_curves

dataFile = pd.read_csv("test.csv")
plt.style.use("fivethirtyeight")

andrews_curves(dataFile.drop("客户ID", axis=1).sample(30), "性别",colormap="rainbow")

堆积面积图

堆积面积图可用于显示不同类别的比例或值随时间的细分。看看下面的可视化。

在上面看到的，我们可以很容易地看到类别和 A、B 和 C 的细分是如何随时间变化的。例如，从 2017 年开始，A、B 和 C 的细分相对均匀。但是，B 和 C 的部分在 2018 年之前呈指数下降，而 A 的部分则保持相对不变。

树图

类似于饼图、条形图和甜甜圈图，树状图向我们展示了不同比例的类别的视觉展示。我个人认为它比前面提到的三个情节更有效，尤其是当你有很多类别要比较时。例如，在甜甜圈图中，许多具有相似比例的类别显示为圆圈中的角度可能很难感知。另一方面，三棵树图将比例显示为一个大矩形的石板中不同大小的矩形，这使我们更容易立即了解类别在大小方面如何相互比较。

在下面的代码中，我们选取了前 20 个口袋妖怪，并根据前 20 个口袋妖怪的主要类型创建了一个树形图.

import pandas as pd
import squarify
import matplotlib.pyplot as plt
import seaborn as sb

# read the dataset and create a DataFrame
dataset = pd.read_csv("pokemons_dataset.csv")
df = pd.DataFrame(dataset)

top20_pokemon = df.loc[:, ["Name","Total",'Primary Type']].sort_values(by="Total", ascending=False)[:20]

plt.figure(figsize=(12, 6))
plt.axis("off")
axis = squarify.plot(top20_pokemon['Primary Type'].value_counts(),
                     label=top20_pokemon['Primary Type'].value_counts().index,
                     color=sb.color_palette("tab20", len(
                         top20_pokemon['Primary Type'].value_counts())),
                     pad=1,
                     text_kwargs={'fontsize': 18})
axis.set_title("Primary Data Types Of Top 20 Pokemons", fontsize=24)

在本文中，介绍了10 种不太为人所知和使用的可视化和技巧，但对于添加到您的数据可视化工具包中很有用。最重要的是，我个人认为理解每个可视化的作用，它所显示的信息，它什么时候是最有效的，以及如何用它来向观众传达你想要的信息是最重要的，而不是对你知道如何创建多少可视化感到自豪。