數(shù)據(jù)可視化是任何數(shù)據(jù)科學或機器學習項目的一個重要組成部分。人們常常會從探索數(shù)據(jù)分析(EDA)開始，來深入了解數(shù)據(jù)，并且創(chuàng)建可視化確實有助于讓問題更清晰和更容易理解，尤其是對于那些較大的高維度數(shù)據(jù)集。在項目結束的時候，能夠以清晰的、簡潔的和令人信服的方式呈現(xiàn)最終結果，這是非常重要的，讓你的用戶能夠理解和明白。你可能已經(jīng)看過了我之前的文章《5種快速和簡單的Python數(shù)據(jù)可視化方法(含代碼)》(5 Quick and Easy Data Visualizations in Python with Code)，其中介紹了5種基本可視化方法：散點圖、線圖、柱狀圖、條形圖和箱形圖。這五個是簡單而強大的可視化方法，你絕對可以通過這些方法從數(shù)據(jù)集中得到巨大的收獲。在本文中，將介紹另外4個數(shù)據(jù)可視化方法，但稍微復雜一些，你可以在看完上一篇文章介紹的基本方法之后再用。

熱圖(Heat Map)

熱圖是數(shù)據(jù)的矩陣表示方式，其中每個矩陣的值用一種顏色來表示。不同的顏色代表不同的級別，矩陣指數(shù)將兩個對比的列或特征連接在一起。熱圖可以很好地顯示出多個特征變量之間的關系，因為可以直接把一個級別看作一種顏色。還可以通過觀察熱圖中的一些點來查看每個關系是如何與數(shù)據(jù)集中的其它關系進行比較的。這些顏色的確提供了簡單的表示方式，因為這是非常直觀的。

現(xiàn)在來看下代碼：與matplotlib庫相比，seaborn庫可用于更高級的圖表，通常也需要更多的組件，如更多的顏色、圖形或者變量。Matplotlib庫用于顯示圖表，numpy用于生成數(shù)據(jù)，而pandas用于控制。繪圖只是調(diào)用一個簡單的seaborn函數(shù)，如果你發(fā)現(xiàn)了一些在視覺上很特別的東西，通過這個函數(shù)，還可以設置顏色映射。

二維密度圖(2D Density Plot)

二維密度圖是一維版本的簡單擴展，能夠看到關于2個變量的概率分布。讓我們看看下面的二維密度圖，右邊的刻度用顏色表示每一點的概率。高的概率，看下數(shù)據(jù)集，似乎大約是0.5的大小和1.4-ish的速度。正如你所看到的，二維密度圖對于快速確定數(shù)據(jù)對于兩個變量最集中的區(qū)域非常地顯著，而不是像一維密度圖那樣只集中一個變量。當你有兩個對輸出結果非常重要的變量，并且希望了解它們?nèi)绾我黄饘敵鼋Y果分布起作用的時候，二維密度圖尤其適合。

Seaborn的代碼超級簡單，我們將通過創(chuàng)建一個偏態(tài)分布介紹它。如果你發(fā)現(xiàn)某些顏色和陰影在視覺上更特別，那么大多數(shù)的可選參數(shù)都是為了看起來更清晰。

蜘蛛圖(Spider Plot)

蜘蛛圖是顯示一對多關系最好的方法之一。也就是說，你可以繪制并查看區(qū)別于單個變量或類別的多個變量的值。在蜘蛛圖中，一個變量相對于另一個變量的特性是顯而易見的，因為面積和長度在一些方向上變化了。如果你希望了解幾個類別關于這些變量是如何疊加起來的，可以并排繪制一下。在下圖中，很容易比較三個電影角色的不同屬性，并了解他們的優(yōu)勢所在!

這次我們將能夠直接使用matplotlib來創(chuàng)建可視化，而不是用seaborn。需要計算每個屬性所在的角度，因為我們希望它們沿圓周被平均地分隔開。我們將在每個計算的角度放置標簽，然后把值繪制成一個點，該點到中心的距離取決于它的值或是級別。最后，為了清晰起見，我們將使用半透明的顏色填充由連接各屬性點的線所包含的區(qū)域。

樹形圖(Tree Diagram)

我們從小學就開始使用樹形圖了，樹形圖既自然又直觀，還易于解釋。直接連接的節(jié)點關系密切，而與有多個連接的節(jié)點差別很大。在下圖中，我已經(jīng)根據(jù)統(tǒng)計繪制了一小部分來自Kaggle的Pokemon with stats數(shù)據(jù)集：

HP、攻擊、防御、特殊攻擊、特殊防御、速度

因此，與stats wise最匹配的Pokemon將緊密連接在一起。例如，我們看到，在頂部，Arbok和Fearow是直接連接的，而且，如果我們查看數(shù)據(jù)，Arbok總共有438個，而Fearow有442個，非常接近。但是一旦我們移動到Raticate，我們得到的總數(shù)是413，這與Arbok和Fearow的差別很大，這就是它們被分開的原因。當我們移動樹的時候，基于相似性，Pokemon被分的組越來越多。在綠色組中的Pokemon相互之間比紅色組中的更相似，即使沒有直接的綠色連接。

對于樹形圖，我們實際上要使用Scipy的。在查看了數(shù)據(jù)集之后，我們將去掉字符串類型的列。我們這么做只是為了要得到正確的可視化結果，但在實踐中，最好是把這些字符串轉(zhuǎn)換成分類變量，為了得到更好的結果和進行比較，我們還設置了數(shù)據(jù)幀索引，以便能夠適當?shù)赜盟鳛橐妹總€節(jié)點的列。最后，在Scipy中計算和繪制樹形圖是非常簡單的事了。

分享名稱：Python數(shù)據(jù)可視化的四種簡易方法
標題鏈接：http://aaarwkj.com/news40/103290.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供外貿(mào)網(wǎng)站建設、動態(tài)網(wǎng)站、定制網(wǎng)站、定制開發(fā)、品牌網(wǎng)站制作、自適應網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)