用Python代碼實(shí)現(xiàn)5種最好的、簡(jiǎn)單的數(shù)據(jù)可視化分別是怎樣的

這篇文章給大家介紹用Python代碼實(shí)現(xiàn)5種最好的、簡(jiǎn)單的數(shù)據(jù)可視化分別是怎樣的，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

數(shù)據(jù)可視化是數(shù)據(jù)科學(xué)家工作的重要組成部分。在項(xiàng)目的早期階段，您通常會(huì)進(jìn)行探索性數(shù)據(jù)分析（EDA）以獲得對(duì)數(shù)據(jù)的一些見(jiàn)解。創(chuàng)建可視化確實(shí)有助于使事情更清晰、更容易理解，尤其是對(duì)于更大、更高維度的數(shù)據(jù)集。在項(xiàng)目即將結(jié)束時(shí)，能夠以清晰、簡(jiǎn)潔和引人注目的方式呈現(xiàn)您的最終結(jié)果非常重要，以便您的受眾（通常是非技術(shù)客戶(hù)）能夠理解。

Matplotlib是一個(gè)流行的Python庫(kù)，可用于輕松創(chuàng)建數(shù)據(jù)可視化。但是，每次執(zhí)行新項(xiàng)目時(shí)，設(shè)置數(shù)據(jù)、參數(shù)、數(shù)字和繪圖都會(huì)變得相當(dāng)混亂和乏味。在這篇博文中，我們將看看6個(gè)數(shù)據(jù)可視化，并使用Python的Matplotlib為它們編寫(xiě)一些快速簡(jiǎn)便的函數(shù)。與此同時(shí)，這是一個(gè)很好的圖表，可以為工作選擇正確的可視化！

散點(diǎn)圖

散點(diǎn)圖非常適合顯示兩個(gè)變量之間的關(guān)系，因?yàn)槟梢灾苯硬榭磾?shù)據(jù)的原始分布。您還可以通過(guò)對(duì)組進(jìn)行顏色編碼來(lái)簡(jiǎn)單地查看不同數(shù)據(jù)組的這種關(guān)系，如下圖所示。想要想象三個(gè)變量之間的關(guān)系？沒(méi)問(wèn)題！只需使用另一個(gè)參數(shù)（如點(diǎn)大小）來(lái)編碼第三個(gè)變量，我們可以在下面的第二個(gè)圖中看到。

現(xiàn)在來(lái)看代碼。我們首先使用別名“plt”導(dǎo)入Matplotlib的pyplot。為了創(chuàng)建一個(gè)新的情節(jié)圖，我們調(diào)用plt.subplots（）。將x軸和y軸數(shù)據(jù)傳遞給函數(shù)，然后將它們傳遞給ax.scatter（）以繪制散點(diǎn)圖。我們還可以設(shè)置磅值、點(diǎn)顏色和Alpha透明度。您甚至可以將y軸設(shè)置為對(duì)數(shù)刻度。然后專(zhuān)門(mén)為圖形設(shè)置標(biāo)題和軸標(biāo)簽。這很容易使用一個(gè)端到端創(chuàng)建散點(diǎn)圖的函數(shù)！

線形圖

當(dāng)您可以清楚地看到一個(gè)變量與另一個(gè)變量差異很大，即它們具有高協(xié)方差時(shí)，最好使用線圖。我們來(lái)看看下圖來(lái)說(shuō)明，可以清楚地看到，所有專(zhuān)業(yè)的百分比隨時(shí)間變化很大。使用散點(diǎn)圖繪制這些圖形會(huì)非常混亂，這使得我們很難真正理解并看到發(fā)生了什么。線圖非常適合這種情況，因?yàn)樗鼈兓旧峡梢钥焖倏偨Y(jié)兩個(gè)變量的協(xié)方差（百分比和時(shí)間）。同樣，我們也可以通過(guò)顏色編碼進(jìn)行分組。

這是線形圖的代碼。它與上面的散點(diǎn)非常相似。只有一些變量的微小變化。

直方圖

直方圖可用于查看（或?qū)嶋H發(fā)現(xiàn)）數(shù)據(jù)點(diǎn)的分布。查看下面的直方圖，我們繪制頻率與IQ直方圖。我們可以清楚地看到中心的濃度和中位數(shù)。我們還可以看到它遵循高斯分布。使用條（而不是散點(diǎn)）確實(shí)可以清楚地看到每個(gè)箱的頻率之間的相對(duì)差異。使用分檔（離散化）確實(shí)有助于我們看到“更大的圖像”，而如果我們使用所有數(shù)據(jù)點(diǎn)而沒(méi)有離散分檔，可視化中可能會(huì)有很多噪聲，這使得很難看到真正發(fā)生了什么。

Matplotlib中直方圖的代碼如下所示。有兩個(gè)參數(shù)需要注意。首先，n_bins參數(shù)控制我們的直方圖所需的離散區(qū)數(shù)。更多的bins會(huì)給我們更好的信息，但也可能會(huì)引入噪音;另一方面，較少的bins給我們提供了更多的“鳥(niǎo)瞰圖”，并且沒(méi)有更精細(xì)的細(xì)節(jié)，更能了解正在發(fā)生的事情。其次，累積參數(shù)是一個(gè)布爾值，它允許我們選擇我們的直方圖是否累積。這基本上是選擇概率密度函數(shù)（PDF）或累積密度函數(shù)（CDF）。

想象一下，我們想要比較數(shù)據(jù)中兩個(gè)變量的分布。有人可能會(huì)認(rèn)為你必須制作兩個(gè)單獨(dú)的直方圖并將它們并排放置以進(jìn)行比較。但是，實(shí)際上有更好的方法：我們可以用不同的透明度覆蓋直方圖?？纯聪聢D，統(tǒng)一分布設(shè)置為透明度為0.5，以便我們可以看到它背后的內(nèi)容。這允許用戶(hù)直接在同一圖上查看兩個(gè)分布。

在代碼中為疊加的直方圖設(shè)置了一些東西。首先，我們?cè)O(shè)置水平范圍以適應(yīng)兩個(gè)變量分布。根據(jù)這個(gè)范圍和所需的箱數(shù)，我們實(shí)際上可以計(jì)算每個(gè)箱的寬度。最后，我們?cè)谕粋€(gè)圖上繪制兩個(gè)直方圖，其中一個(gè)直方圖略微透明。

條形圖

當(dāng)您嘗試可視化具有少量（可能<10個(gè)）類(lèi)別的分類(lèi)數(shù)據(jù)時(shí)，條形圖最有效。如果我們的類(lèi)別太多，那么圖中的條形圖將非常混亂并且難以理解。它們適用于分類(lèi)數(shù)據(jù)，因?yàn)槟梢愿鶕?jù)條形圖的大小（即幅度）輕松查看類(lèi)別之間的差異;類(lèi)別也很容易劃分顏色編碼。我們將看到3種不同類(lèi)型的條形圖：常規(guī)、分組和堆疊。隨著我們的進(jìn)展，請(qǐng)查看下圖中的代碼。

常規(guī)的條形圖在下面的第一個(gè)圖中。在barplot（）函數(shù)中，x_data表示x軸上的代碼，y_data表示y軸上的條形高度。誤差條是以每個(gè)條形為中心的額外線條，可以繪制以顯示標(biāo)準(zhǔn)偏差。

分組條形圖允許我們比較多個(gè)分類(lèi)變量?？纯聪旅娴牡诙€(gè)條形圖。我們比較的第一個(gè)變量是分?jǐn)?shù)如何按組（G1，G2，......等組）變化。我們還將性別本身與顏色代碼進(jìn)行比較?？匆幌麓a，y_data_list變量現(xiàn)在實(shí)際上是一個(gè)列表，其中每個(gè)子列表代表一個(gè)不同的組。然后我們遍歷每個(gè)組，對(duì)于每個(gè)組，我們?cè)趚軸上繪制每個(gè)刻度線的條形圖;每組也有顏色編碼。

堆積條形圖非常適合可視化不同變量的分類(lèi)構(gòu)成。在下面的堆積條形圖中，我們將比較日常的服務(wù)器負(fù)載。通過(guò)顏色編碼堆棧，我們可以輕松查看和了解哪些服務(wù)器每天工作最多，以及負(fù)載如何與所有日期的其他服務(wù)器進(jìn)行比較。此代碼遵循與分組條形圖相同的樣式。我們遍歷每個(gè)組，除了這次我們?cè)谂f組之上而不是在它們旁邊繪制新條。

直方圖

我們之前查看過(guò)直方圖，這些直方圖非常適合可視化變量的分布。但是如果我們需要更多信息呢？也許我們想要更清晰地看待標(biāo)準(zhǔn)偏差？也許中位數(shù)與均值有很大不同，因此我們有很多異常值？如果存在這樣的偏差并且許多值集中在一邊怎么辦？

這就是箱形圖出現(xiàn)的原因。箱形圖給出了上述所有信息。實(shí)線框的底部和頂部始終是第一和第三四分位數(shù)（即數(shù)據(jù)的25％和75％），框內(nèi)的頻帶始終是第二個(gè)四分位數(shù)（中位數(shù)）。晶須（即帶有條形末端的虛線）從盒子中伸出，以顯示數(shù)據(jù)的范圍。

由于為每個(gè)組/變量繪制了框圖，因此很容易設(shè)置。x_data是組/變量的列表。Matplotlib函數(shù)boxplot（）為y_data的每一列或序列y_data中的每個(gè)向量創(chuàng)建一個(gè)盒子圖;因此，x_data中的每個(gè)值對(duì)應(yīng)于y_data中的列/向量。我們所要設(shè)定的只是情節(jié)的美學(xué)。

關(guān)于用Python代碼實(shí)現(xiàn)5種最好的、簡(jiǎn)單的數(shù)據(jù)可視化分別是怎樣的就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。