Python 數據可視化,常用看這一篇就夠了

前言

如果你想要用 Python 進行數據分析，就需要在項目初期開始進行探索性的數據分析，這樣方便你對數據有一定的瞭解。其中最直觀的就是採用數據可視化技術，這樣，數據不僅一目瞭然，而且更容易被解讀。

可視化視圖分爲 4 類，

• 比較：比較數據間各類別的關係，或者是它們隨着時間的變化趨勢，比如折線圖；
• 聯繫：查看兩個或兩個以上變量之間的關係，比如散點圖；
• 構成：每個部分佔整體的百分比，或者是隨着時間的百分比變化，比如餅圖；
• 分佈：關注單個變量，或者多個變量的分佈情況，比如直方圖。

同樣，按照變量的個數可以把可視化視圖劃分爲單變量分析和多變量分析。單變量分析指的是一次只關注一個變量。多變量分析可以讓你在一張圖上可以查看兩個以上變量的關係，從而分析出來這兩個變量之間是否存在某種聯繫。可視化的視圖可以說是分門別類，多種多樣，
常用的 10 種視圖，這些視圖包括：
散點圖、折線圖、直方圖、條形圖、箱線圖、餅圖、熱力圖、蜘蛛圖、二元變量分佈和成對關係。

散點圖

散點圖的英文叫做 scatter plot，它將兩個變量的值顯示在二維座標中，非常適合展示兩個變量之間的關係。

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 數據準備
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
# 用Matplotlib畫散點圖
plt.scatter(x, y,marker='x')
plt.show()

# 用Seaborn畫散點圖
df = pd.DataFrame({'x': x, 'y': y})
sns.jointplot(x="x", y="y", data=df, kind='scatter');
plt.show()

在工具包引用後，畫散點圖，需要使用 plt.scatter(x, y, marker=None) 函數。x、y 是座標，marker 代表了標記的符號。比如“x”、“>”或者“o”。選擇不同的 marker，呈現出來的符號樣式也會不同，你可以自己試一下。

折線圖

折線圖折線圖可以用來表示數據隨着時間變化的趨勢。
在 Matplotlib 中，我們可以直接使用 plt.plot() 函數，當然需要提前把數據按照 x 軸的大小進行排序，要不畫出來的折線圖就無法按照 x 軸遞增的順序展示。在 Seaborn 中，我們使用 sns.lineplot (x, y, data=None) 函數。其中 x、y 是 data 中的下標。data 就是我們要傳入的數據，一般是 DataFrame 類型。這裏我們設置了 x、y 的數組。x 數組代表時間（年），y 數組我們隨便設置幾個取值。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 數據準備
x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]
y = [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]
# 使用Matplotlib畫折線圖
plt.plot(x, y)
plt.show()
# 使用Seaborn畫折線圖
df = pd.DataFrame({'x': x, 'y': y})
sns.lineplot(x="x", y="y", data=df)
plt.show()

直方圖

直方圖是比較常見的視圖，它是把橫座標等分成了一定數量的小區間，這個小區間也叫作“箱子”，然後在每個“箱子”內用矩形條（bars）展示該箱子的箱子數（也就是 y 值），這樣就完成了對數據集的直方圖分佈的可視化。在 Matplotlib 中，我們使用 plt.hist(x, bins=10) 函數，其中參數 x 是一維數組，bins 代表直方圖中的箱子數量，默認是 10。在 Seaborn 中，我們使用 sns.distplot(x, bins=10, kde=True) 函數。其中參數 x 是一維數組，bins 代表直方圖中的箱子數量，kde 代表顯示核密度估計，默認是 True，我們也可以把 kde 設置爲 False，不進行顯示。核密度估計是通過核函數幫我們來估計概率密度的方法。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 數據準備
a = np.random.randn(100)
s = pd.Series(a) 
# 用Matplotlib畫直方圖
plt.hist(s)
plt.show()
# 用Seaborn畫直方圖
sns.distplot(s, kde=False)
plt.show()
# kde=True 會顯示一條取值的曲線
sns.distplot(s, kde=True)
plt.show()

條形圖

如果說通過直方圖可以看到變量的數值分佈，那麼條形圖可以幫我們查看類別的特徵。
在條形圖中，長條形的長度表示類別的頻數，寬度表示類別。在 Matplotlib 中，我們使用 plt.bar(x, height) 函數，其中參數 x 代表 x 軸的位置序列，height 是 y 軸的數值序列，也就是柱子的高度。在 Seaborn 中，我們使用 sns.barplot(x=None, y=None, data=None) 函數。其中參數 data 爲 DataFrame 類型，x、y 是 data 中的變量。

import matplotlib.pyplot as plt
import seaborn as sns
# 數據準備
x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']
y = [5, 4, 8, 12, 7]
# 用Matplotlib畫條形圖
plt.bar(x, y)
plt.show()
# 用Seaborn畫條形圖
sns.barplot(x, y)
plt.show()

箱線圖

箱線圖，又稱盒式圖，由五個數值點組成：最大值 (max)、最小值 (min)、中位數 (median) 和上下四分位數 (Q3, Q1)。它可以幫我們分析出數據的差異性、離散程度和異常值等。在 Matplotlib 中，我們使用 plt.boxplot(x, labels=None) 函數，其中參數 x 代表要繪製箱線圖的數據，labels 是缺省值，可以爲箱線圖添加標籤。在 Seaborn 中，我們使用 sns.boxplot(x=None, y=None, data=None) 函數。其中參數 data 爲 DataFrame 類型，x、y 是 data 中的變量。

# 數據準備
# 生成10*4維度數據
data=np.random.normal(size=(10,4)) 
lables = ['A','B','C','D']
# 用Matplotlib畫箱線圖
plt.boxplot(data,labels=lables)
plt.show()
# 用Seaborn畫箱線圖
df = pd.DataFrame(data, columns=lables)
sns.boxplot(data=df)
plt.show()

餅圖

餅圖是常用的統計學模塊，可以顯示每個部分大小與總和之間的比例。
在 Python 數據可視化中，它用的不算多。我們主要採用 Matplotlib 的 pie 函數實現它。在 Matplotlib 中，我們使用 plt.pie(x, labels=None) 函數，其中參數 x 代表要繪製餅圖的數據，labels 是缺省值，可以爲餅圖添加標籤。這裏我設置了 lables 數組，分別代表高中、本科、碩士、博士和其他幾種學歷的分類標籤。nums 代表這些學歷對應的人數。

import matplotlib.pyplot as plt
# 數據準備
nums = [25, 37, 33, 37, 6]
labels = ['High-school','Bachelor','Master','Ph.d', 'Others']
# 用Matplotlib畫餅圖
plt.pie(x = nums, labels=labels)
plt.show()

熱力圖

熱力圖，英文叫 heat map，是一種矩陣表示方法，其中矩陣中的元素值用顏色來代表，不同的顏色代表不同大小的值。
熱力圖是一種非常直觀的多元變量分析方法，通過顏色就能直觀地知道某個位置上數值的大小。
另外你也可以將這個位置上的顏色，與數據集中的其他位置顏色進行比較。我們一般使用 Seaborn 中的 sns.heatmap(data) 函數，其中 data 代表需要繪製的熱力圖數據。這裏我們使用 Seaborn 中自帶的數據集 flights，該數據集記錄了 1949 年到 1960 年期間，每個月的航班乘客的數量。
（如果報錯：URLError: <urlopen error [Errno 61] Connection refused>，請從下面這個鏈接下載樣例數據）
https://github.com/mwaskom/seaborn-data

import matplotlib.pyplot as plt
import seaborn as sns
sns.set()

# Load the example flights dataset and convert to long-form
flights_long = sns.load_dataset("flights")
# flights_long = pd.read_csv("~/seaborn-data-master/flights.csv")
flights = flights_long.pivot("month", "year", "passengers")

# Draw a heatmap with the numeric values in each cell
f, ax = plt.subplots(figsize=(9, 6))
sns.heatmap(flights, annot=True, fmt="d", linewidths=.5, ax=ax)

蜘蛛圖

蜘蛛圖是一種顯示一對多關係的方法。
在蜘蛛圖中，一個變量相對於另一個變量的顯著性是清晰可見的。這裏需要使用 Matplotlib 來進行畫圖，首先設置兩個數組：labels 和 stats。他們分別保存了這些屬性的名稱和屬性值。因爲蜘蛛圖是一個圓形，你需要計算每個座標的角度，然後對這些數值進行設置。當畫完最後一個點後，需要與第一個點進行連線。因爲需要計算角度，所以我們要準備 angles 數組；又因爲需要設定統計結果的數值，所以我們要設定 stats 數組。並且需要在原有 angles 和 stats 數組上增加一位，也就是添加數組的第一個元素。

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.font_manager import FontProperties  
# 數據準備
labels=np.array([u"A","B",u"C",u"D",u"E",u"F"])
stats=[83, 61, 95, 67, 76, 88]
# 畫圖數據準備，角度、狀態值
angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)
stats=np.concatenate((stats,[stats[0]]))
angles=np.concatenate((angles,[angles[0]]))
# 用Matplotlib畫蜘蛛圖
fig = plt.figure()
ax = fig.add_subplot(111, polar=True)   
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
# 設置中文字體
# font = FontProperties(fname=r"C:\Windows\Fonts\simhei.ttf", size=14)  
# ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)
ax.set_thetagrids(angles * 180/np.pi, labels)
plt.show()

代碼中 flt.figure 是創建一個空白的 figure 對象，這樣做的目的相當於畫畫前先準備一個空白的畫板。然後 add_subplot(111) 可以把畫板劃分成 1 行 1 列。再用 ax.plot 和 ax.fill 進行連線以及給圖形上色。最後我們在相應的位置上顯示出屬性名。這裏需要用到中文，Matplotlib 對中文的顯示不是很友好，因此我設置了中文的字體 font，這個需要在調用前進行定義。最後我們可以得到下面的蜘蛛圖，看起來是不是很酷？

二元變量分佈

如果我們想要看兩個變量之間的關係，就需要用到二元變量分佈。當然二元變量分佈有多種呈現方式，開頭給你介紹的散點圖就是一種二元變量分佈。
在 Seaborn 裏，使用二元變量分佈是非常方便的，直接使用 sns.jointplot(x, y, data=None, kind) 函數即可。其中用 kind 表示不同的視圖類型：“kind=‘scatter’”代表散點圖，“kind=‘kde’”代表核密度圖，“kind=‘hex’ ”代表 Hexbin 圖，它代表的是直方圖的二維模擬。這裏我們使用 Seaborn 中自帶的數據集 tips，這個數據集記錄了不同顧客在餐廳的消費賬單及小費情況。代碼中 total_bill 保存了客戶的賬單金額，tip 是該客戶給出的小費金額。我們可以用 Seaborn 中的 jointplot 來探索這兩個變量之間的關係。

import matplotlib.pyplot as plt
import seaborn as sns
# 數據準備
# tips = sns.load_dataset("tips")
tips = pd.read_csv("~/seaborn-data-master/tips.csv")
print(tips.head(10))
# 用Seaborn畫二元變量分佈圖（散點圖，核密度圖，Hexbin圖）
sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter')
sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde')
sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')
plt.show()

散點圖

核密度圖

Hexbin圖

成對關係

如果想要探索數據集中的多個成對雙變量的分佈，可以直接採用 sns.pairplot() 函數。它會同時展示出 DataFrame 中每對變量的關係，另外在對角線上，你能看到每個變量自身作爲單變量的分佈情況。
它可以說是探索性分析中的常用函數，可以很快幫我們理解變量對之間的關係。
pairplot 函數的使用，就像在 DataFrame 中使用 describe() 函數一樣方便，是數據探索中的常用函數。這裏我們使用 Seaborn 中自帶的 iris 數據集，這個數據集也叫鳶尾花數據集。鳶尾花可以分成 Setosa、Versicolour 和 Virginica 三個品種，在這個數據集中，針對每一個品種，都有 50 個數據，每個數據中包括了 4 個屬性，分別是花萼長度、花萼寬度、花瓣長度和花瓣寬度。通過這些數據，需要你來預測鳶尾花卉屬於三個品種中的哪一種。

import matplotlib.pyplot as plt
import seaborn as sns
# 數據準備
# iris = sns.load_dataset('iris')
iris = pd.read_csv("~/seaborn-data-master/iris.csv")
# 用Seaborn畫成對關係
sns.pairplot(iris)
plt.show()

總結

Seaborn 是基於 Matplotlib 更加高級的可視化庫。 常用的這10 種可視化視圖，可以按照變量之間的關係對它們進行分類，這些關係分別是比較、聯繫、構成和分佈。當然我們也可以按照隨機變量的個數來進行劃分，比如單變量分析和多變量分析。在數據探索中，成對關係 pairplot() 的使用，相好比 Pandas 中的 describe() 使用一樣方便，常用於項目初期的數據可視化探索。在 Matplotlib 和 Seaborn 的函數中，我只列了最基礎的使用，也方便你快速上手。當然如果你也可以設置修改顏色、寬度等視圖屬性。你可以自己查看相關的函數幫助文檔。這些留給你來進行探索。