Python數(shù)據(jù)集的可視化技巧是什么

本篇內(nèi)容主要講解“Python數(shù)據(jù)集的可視化技巧是什么”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“Python數(shù)據(jù)集的可視化技巧是什么”吧!

本文涉及三個(gè)實(shí)用的可視化工具：

• 圖形分類相關(guān)性

• 散點(diǎn)圖矩陣

• 使用Seaborn的分類散點(diǎn)圖注釋和圖注釋

總的來說，本文會(huì)教大家制作一些好看又中用的圖表。

本文將使用kaggle上的國際足聯(lián)2019年完整的球員數(shù)據(jù)集，其***版數(shù)據(jù)庫包括了每個(gè)注冊(cè)在內(nèi)的球員的詳細(xì)信息。

由于該數(shù)據(jù)集有許多列，因此我們只關(guān)注分類列和連續(xù)列的子集。

import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt %matplotlib inline # We dont Probably need the Gridlines. Do we? If yes comment this line sns.set(style="ticks") player_df = pd.read_csv("../input/data.csv") numcols = [  'Overall',  'Potential', 'Crossing','Finishing',  'ShortPassing',  'Dribbling','LongPassing', 'BallControl', 'Acceleration',        'SprintSpeed', 'Agility',  'Stamina',  'Value','Wage'] catcols = ['Name','Club','Nationality','Preferred Foot','Position','Body Type'] # Subset the columns player_dfplayer_df = player_df[numcols+ catcols] # Few rows of data player_df.head(5)

球員數(shù)據(jù)

雖然該數(shù)據(jù)格式良好，但是因?yàn)楣べY和值列是以歐元為單位，并包含字符串，需要進(jìn)行一些預(yù)處理，才能使它們?yōu)楹罄m(xù)分析提供數(shù)值。

def wage_split(x):     try:         return int(x.split("K")[0][1:])     except:         return 0 player_df['Wage'] = player_df['Wage'].apply(lambda x : wage_split(x)) def value_split(x):     try:         if 'M' in x:             return float(x.split("M")[0][1:])         elif 'K' in x:             return float(x.split("K")[0][1:])/1000     except:         return 0 player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x))

圖形分類相關(guān)性

簡單來說，相關(guān)性是衡量兩個(gè)變量如何一起運(yùn)動(dòng)的指標(biāo)。

例如，在現(xiàn)實(shí)生活中，收入與支出呈正相關(guān)，其中一個(gè)變量隨著另一個(gè)變量的增加而增加。

學(xué)習(xí)成績和電子游戲的使用呈負(fù)相關(guān)，其中一個(gè)變量的增加意味著另一個(gè)變量的減少。

因此如果預(yù)測(cè)變量與目標(biāo)變量呈正相關(guān)或負(fù)相關(guān)，那么該變量就有研究價(jià)值。

研究不同變量之間的相關(guān)性對(duì)于理解數(shù)據(jù)非常有意義。

使用Seaborn即可輕松創(chuàng)建出相當(dāng)不錯(cuò)的關(guān)系圖。

corr = player_df.corr() g = sns.heatmap(corr,  vmax=.3, center=0,             square=True, linewidths=.5, cbar_kws={"shrink": .5}, annot=True, fmt='.2f', cmap='coolwarm') sns.despine() g.figure.set_size_inches(14,10)  plt.show()

所有的分類變量都去哪了?

你有注意到什么問題嗎?

有問題，因?yàn)樵搱D僅計(jì)算了數(shù)值列之間的相關(guān)性。

如果目標(biāo)變量是club或position，會(huì)出現(xiàn)什么情況?

如果想得到三種不同情況之間的相關(guān)性，可使用以下相關(guān)性度量來計(jì)算。

1. 數(shù)值變量

該變量可通過Pearson相關(guān)性的方式得到，用于度量兩個(gè)變量如何一起運(yùn)動(dòng)，范圍為[-1，1]。

2. 分類變量

使用克萊姆V系數(shù)來分類案例。該系數(shù)是兩個(gè)離散變量之間的相互關(guān)聯(lián)，并與具有兩個(gè)或多層次的變量一起使用。它也是一個(gè)對(duì)稱的度量，因?yàn)樽兞康捻樞驘o關(guān)緊要，即克萊姆(A,B)==克萊姆(B，A)。

例如，在數(shù)據(jù)集中，Club和Nationality一定有某種關(guān)聯(lián)。

可用堆疊圖來驗(yàn)證這一點(diǎn)，這是理解分類變量和分類變量間分布的一個(gè)***方法，因?yàn)樵谠摂?shù)據(jù)中有很多國籍和俱樂部，所以使用數(shù)據(jù)的子集。

只保留***的球隊(duì)(保留波爾圖足球俱樂部只是為了讓樣本更加多樣化)和最常見的國籍。

俱樂部偏好在很大程度上反映了“國籍”：了解前者有助于預(yù)測(cè)后者。

由圖可知，英國球員更可能效力于切爾西隊(duì)或曼聯(lián)隊(duì)，而不是在巴塞羅那隊(duì)、拜仁慕尼黑隊(duì)或波爾圖隊(duì)。

同理，克萊姆V系數(shù)也也捕獲到了同樣的信息。

如果所有俱樂部擁有的球員的國籍比例相同，那么克萊姆V系數(shù)則為0。

如果每個(gè)俱樂部偏好單一國籍的球員，則克萊姆系數(shù)V==1，例如，所有的英國球員在曼聯(lián)隊(duì)效力，所有的德國球員在拜仁慕尼黑隊(duì)效力等等。

在所有其他情況下，范圍則為[0,1]。

3. 數(shù)值變量和分類變量

對(duì)連續(xù)分類案例使用相關(guān)比率。

在不涉及太多數(shù)學(xué)的情況下，該變量用于離散程度的衡量。

如果給定一個(gè)數(shù)字，就能找出它的類別嗎?

例如，假設(shè)數(shù)據(jù)集中有“SprintSpeed”和“Position”兩列分類，那么：

• 守門員：58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)

• 中后衛(wèi)：68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)

• 前鋒：91(C.Ronaldo)、94(G. Bale)、80(S.Aguero)、 76(R. Lewandowski)

由上可知，這些數(shù)字很好地預(yù)測(cè)了他們所處的位置，因此相關(guān)性很高。

如果某球員沖刺速度超過85，那么該球員肯定是前鋒。

這個(gè)比率也在[0,1]之間。

執(zhí)行此操作的代碼取自dython包，代碼不會(huì)很多，最終結(jié)果如下：

player_dfplayer_df = player_df.fillna(0) results = associations(player_df,nominal_columns=catcols,return_results=True)

分類vs.分類、分類vs.數(shù)值、數(shù)值vs.數(shù)值，這些使圖表更為有趣。

很美，不是嗎?

只要看看數(shù)據(jù)，就能對(duì)足球有如此多的了解，例如：

• 球員的位置與運(yùn)球能力高度相關(guān)?？偛荒茏屆肺魈吆笮l(wèi)吧!

• 值與傳球和控球的相關(guān)性比運(yùn)球更高。規(guī)則是永遠(yuǎn)傳球，正如內(nèi)馬爾的傳球。

• “俱樂部”和“收入”有很高的相關(guān)性并且可預(yù)測(cè)。

• “體型”與“踢球偏好的腳”高度相關(guān)。這是否意味著如果某球員是瘦子，就很可能喜歡用左腳踢球?這可能沒啥實(shí)際意義，需要進(jìn)一步調(diào)查。

此外，通過這個(gè)簡單的圖表，就能找到上述這么多信息，這在沒有分類變量的典型相關(guān)圖中是見不到的。

大家可深入研究這張圖表，得到更多有意義的結(jié)果，但關(guān)鍵是圖表能讓大家在現(xiàn)實(shí)生活中更容易找到某種規(guī)律。

散點(diǎn)圖矩陣

雖然前文談到了很多相關(guān)性，但它是一個(gè)變幻無常的指標(biāo)，為了讓大家理解，我們來看一個(gè)例子。

“Anscombe四重奏”由四個(gè)相關(guān)性幾乎近似于1的數(shù)據(jù)集組成，但具有非常不同的數(shù)據(jù)分布，并且在繪制時(shí)呈現(xiàn)出非常不同的效果。

Anscombe四重奏：相關(guān)性變化無常

因此，有時(shí)繪制相關(guān)數(shù)據(jù)變得至關(guān)重要，并且需要單獨(dú)查看分布。

現(xiàn)在數(shù)據(jù)集中有很多列，把它們?nèi)祭L制成圖形會(huì)很費(fèi)力。

其實(shí)只需幾行代碼就可以解決。

filtered_player_df = player_df[(player_df['Club'].isin(['FC Barcelona', 'Paris Saint-Germain',        'Manchester United', 'Manchester City', 'Chelsea', 'Real Madrid','FC Porto','FC Bayern München'])) &                        (player_df['Nationality'].isin(['England', 'Brazil', 'Argentina',        'Brazil', 'Italy','Spain','Germany']))                       ] # Single line to create pairplot g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']])

非常好，在該圖中可看到很多信息。

• 工資和價(jià)值高度相關(guān)。

• 大多數(shù)其它值也是相關(guān)的，然而“潛力”與“價(jià)值”的比的趨勢(shì)是不尋常的?？梢钥吹?，當(dāng)?shù)竭_(dá)特定的潛在閥值時(shí)，價(jià)值如何呈指數(shù)增長。這些信息對(duì)建模很有幫助，可以對(duì)“潛力”進(jìn)行轉(zhuǎn)換使其更具有相關(guān)性嗎?

警告：沒有分類列!

在此基礎(chǔ)上能做得更好嗎?總能做到。

g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club')

圖上的信息很多，只需添加“hue”參數(shù)到分類變量“club”中即可。

• 波爾圖隊(duì)的工資分配趨向于工資少的那一端。

• 該圖無法看出波爾圖隊(duì)球員價(jià)值的急劇分布，波爾圖隊(duì)的球員們總是在尋求機(jī)會(huì)。

• 許多粉紅點(diǎn)(代表切爾西隊(duì))在“潛力”和“工資”圖上形成了一個(gè)集群。切爾西隊(duì)有很多工資較低的高潛力球員，需要更多關(guān)注。

還可從工資/價(jià)值子圖中獲取一些信息。

年薪50萬的藍(lán)點(diǎn)是梅西。此外，比梅西更有價(jià)值的橙點(diǎn)是內(nèi)馬爾。

盡管該技巧仍然不能解決分類問題，但還有一些其它方法來研究分類變量分布，雖然是個(gè)例。

分類散點(diǎn)圖

如何查看分類數(shù)據(jù)和數(shù)字?jǐn)?shù)據(jù)之間的關(guān)系?

就像輸入名字一樣，輸入分類散點(diǎn)圖的圖片。為每個(gè)類別繪制一組點(diǎn)，在y軸上稍微分散，以便于查看。

這是我們目前繪制這種關(guān)系的***方法。

g = sns.swarmplot(y = "Club",               x = 'Wage',                data = filtered_player_df,               # Decrease the size of the points to avoid crowding                size = 7) # remove the top and right line in graph sns.despine() g.figure.set_size_inches(14,10) plt.show()

分類散點(diǎn)圖

為什么不用箱形圖呢?中位數(shù)在哪?可以繪制出來嗎?當(dāng)然可以。在頂部覆蓋一個(gè)條形圖，就得到了一個(gè)好看的圖形。

g = sns.boxplot(y = "Club",               x = 'Wage',                data = filtered_player_df, whis=np.inf) g = sns.swarmplot(y = "Club",               x = 'Wage',                data = filtered_player_df,               # Decrease the size of the points to avoid crowding                size = 7,color = 'black') # remove the top and right line in graph sns.despine() g.figure.set_size_inches(12,8) plt.show()

有趣的分類散點(diǎn)圖+箱形圖

很好，在圖表上可看出各個(gè)點(diǎn)的分布和一些統(tǒng)計(jì)數(shù)據(jù)，并能明確地了解工資差異。

圖中最右邊的點(diǎn)是梅西，這樣一來，就不用通過圖表下方的文字來說明。

該圖可用來做演示，如果老板要求把梅西寫在這張圖上，那么就可加上圖片注釋。

max_wage = filtered_player_df.Wage.max() max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0] g = sns.boxplot(y = "Club",               x = 'Wage',                data = filtered_player_df, whis=np.inf) g = sns.swarmplot(y = "Club",               x = 'Wage',                data = filtered_player_df,               # Decrease the size of the points to avoid crowding                size = 7,color='black') # remove the top and right line in graph sns.despine() # Annotate. xy for coordinate. max_wage is x and 0 is y. In this plot y ranges from 0 to 7 for each level # xytext for coordinates of where I want to put my text plt.annotate(s = max_wage_player,              xy = (max_wage,0),              xytext = (500,1),               # Shrink the arrow to avoid occlusion              arrowprops = {'facecolor':'gray', 'width': 3, 'shrink': 0.03},              backgroundcolor = 'white') g.figure.set_size_inches(12,8) plt.show()

帶注釋的統(tǒng)計(jì)信息和點(diǎn)群，可用于演講中。

• 看看該圖下方的波爾圖隊(duì)，工資預(yù)算如此之小，難以和其它高收入的球隊(duì)們競(jìng)爭。

• 皇馬和巴塞羅那有許多高薪球員。

• 曼聯(lián)的工資中位數(shù)***。

• 曼聯(lián)和切爾西注重平等，許多球員的工資水平都差不多。

• 雖然內(nèi)馬爾比梅西更受重視，但梅西和內(nèi)馬爾的工資差距巨大。

由此可知，在這個(gè)瘋狂的世界中，有些正常只是表面的。

到此，相信大家對(duì)“Python數(shù)據(jù)集的可視化技巧是什么”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！