全文共1948字，預計學習時長8分鐘
圖源：unsplash
設想一下，自己正在說服客戶投資公司，拿着員工成就記錄的excel表格就直接給客戶看了。換位思考，如果你是客戶的話會有什麼反應？數據太多難道不會讓人感到不知所措嗎？講真的，數據可視化了解一下。
數據可視化是將原始數據轉換成可視化的圖形和圖表，從而更易於理解，它的主要目的是更快地進行研究和數據分析，並有效傳達趨勢和模式。
相較於冗長的純文本，人腦能夠更好地理解具有視覺吸引力的數據。
圖源：Dribbble
kaggle數據集的清理和可視化
本文將在Kaggle選取一個數據集，按照要求清理數據，並嘗試將數據可視化。
首先，要從外部源加載數據並對其進行清理，這將會用到Pandas庫。在使用Pandas庫之前先要有序導入，可以通過使用Pandas進行導入。
import pandas as pd
接着加載從Kaggle獲取的CSV文件，並嘗試瞭解更多信息。
可以看到數據集共有9列。“日期（Date）”和“時間(Time)”列顯示上次更新的日期和時間。因爲不會用到“印度確診病例”和“國外確認病例”，所以先刪除這兩列。“時間”（Time）列也並不重要，也將其刪除。由於Data Frame中已經有索引，“序列號”（Sno）一列也是不需要的。
現在可以看到，數據幀只有5列數據。刪除冗餘數據是個好習慣，因爲保留冗餘數據會佔用不必要的空間，可能會導致運行中斷。
此處的Kaggle數據集每天都會更新，添加新數據並不會覆蓋原有數據。例如，4月13日的數據集有925行，每行代表一個特定邦的累積數據。但在4月14日，數據集有958行，這意味着4月14日添加了34 行新數據。
上圖中可以看到相同的邦名，但試着觀察其他列發生的變化。有關新確診病例的數據每天都被添加到數據集中，這種數據形式有助於瞭解傳播趨勢。比如隨時間增加的病例數，或者是進行時間序列分析。
但我們只想分析最新數據，而不是分析以往的數據，因此可以刪掉那些多餘行。首先，按日期降序排列數據，並通過使用邦名對數據進行分組，消除重複值。
可以看到，df_states數據幀只有30行，這意味着有一行專門顯示每個邦的最新統計數據。在使用日期列對數據幀進行排序時，將按照日期降序對數據幀進行排序（注意代碼中升序=False），
remove_duplicates會保存首個匹配值，並刪除所有重複值。
現在來聊聊數據可視化。我們將使用Plotly對上述數據幀進行可視化。柱狀圖、條形圖、散點圖都能有效解釋模式和趨勢，但由於要處理的是地理數據，所以筆者更建議使用分級統計圖。
什麼是分級統計圖？
運用Plotly繪製，分級統計圖按照地理區域進行劃分，這些區域相對於數據變量被塗上顏色或陰影。這些圖表能夠簡單快捷地顯示一個地理區域的數據值，表現出趨勢和模式。
圖源：Youtube
上圖中，各個區域根據人口密度呈現不同顏色。顏色越深意味着該地區人口越多。現在針對我們的數據集，創建一個基於確診病例的分級統計圖。確診病例越多，特定區域的顏色就越深。
如果想繪製一張印度地圖，需要一個帶有邦座標的shapefile文件。維基百科告訴我們，shapefile格式就是地理信息系統（GIS）的地理空間矢量數據格式。
在使用shapefile文件之前，需要安裝GeoPandas，這是一個python軟件包，可以輕鬆處理地理空間數據。
pip install geopandas
import geopandas as gpd
可以看到數據幀有一列是邦名，且其座標爲矢量形式。現在要把這個shapefile格式轉換成所需的JSON格式。
import json#Read data tojson.merged_json = json.loads(map_df.to_json())
下一步，使用Plotly Express.’ 的px.choropleth函數創建分級統計圖。製作分級統計圖需要幾何信息：
· 這可以由GeoJSON格式（上文已創建）提供，其中每個特性都具有唯一標識值（比如本例中的st-nm）
· Plotly中包含美國和世界其他各國在內的現有幾何信息
GeoJSON數據（即上文創建的merged_json）被傳遞給geojson參數，度量值被傳遞給px.choropleth的color參數。
每個分級統計圖都有一個locations參數，該參數以邦/國家爲參量。因爲要爲印度的不同邦創建一個分級統計圖，所以我們將State列傳遞給參數。
fig = px.choropleth(df_states,
geojson=merged_json,
color="Confirmed",
locations="State/UnionTerritory",
featureidkey="properties.st_nm",
color_continuous_scale =["#ffffb2","#fecc5c","#fd8d3c","#f03b20","#bd0026"],
projection="mercator"
)fig.update_geos(fitbounds="locations",visible=False)fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})fig.show()
第一個參量是數據幀本身，顏色深淺將根據確診病例數值而變化。將fig.updtae_geos()中的visible 參數設置爲False，從而隱藏基本圖表和框架。還可以將fitbounds = "locations"設置爲自動縮放世界地圖，顯示人們感興趣的區域。
可以將鼠標放在各個區域上，瞭解更多相關信息。
數據可視化從前是一門被忽視的藝術，如今它的重要性逐漸被人們注意到了。這裏講到的只是處理數據的其中一種方法，事實上，數據可視化的世界千變萬化，等待你去探索。
我們一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）