Python数据集的可视化技巧是什么

魁首哥

作者

Python数据集的可视化技巧是什么

本篇内容主要讲解“Python数据集的可视化技巧是什么”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Python数据集的可视化技巧是什么”吧!

本文涉及三个实用的可视化工具：

图形分类相关性
散点图矩阵
使用Seaborn的分类散点图注释和图注释

总的来说，本文会教大家制作一些好看又中用的图表。

本文将使用kaggle上的国际足联2019年完整的球员数据集，其***版数据库包括了每个注册在内的球员的详细信息。

由于该数据集有许多列，因此我们只关注分类列和连续列的子集。

importnumpyasnpimportpandasaspdimportseabornassnsimportmatplotlib.pyplotasplt%matplotlibinline#WedontProbablyneedtheGridlines.Dowe?Ifyescommentthislinesns.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','PreferredFoot','Position','BodyType']#Subsetthecolumnsplayer_dfplayer_df=player_df[numcols+catcols]#Fewrowsofdataplayer_df.head(5)

球员数据

虽然该数据格式良好，但是因为工资和值列是以欧元为单位，并包含字符串，需要进行一些预处理，才能使它们为后续分析提供数值。

defwage_split(x):try:returnint(x.split("K")[0][1:])except:return0player_df['Wage']=player_df['Wage'].apply(lambdax:wage_split(x))defvalue_split(x):try:if'M'inx:returnfloat(x.split("M")[0][1:])elif'K'inx:returnfloat(x.split("K")[0][1:])/1000except:return0player_df['Value']=player_df['Value'].apply(lambdax:value_split(x))

图形分类相关性

简单来说，相关性是衡量两个变量如何一起运动的指标。

例如，在现实生活中，收入与支出呈正相关，其中一个变量随着另一个变量的增加而增加。

学习成绩和电子游戏的使用呈负相关，其中一个变量的增加意味着另一个变量的减少。

因此如果预测变量与目标变量呈正相关或负相关，那么该变量就有研究价值。

研究不同变量之间的相关性对于理解数据非常有意义。

使用Seaborn即可轻松创建出相当不错的关系图。

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()

所有的分类变量都去哪了?

你有注意到什么问题吗?

有问题，因为该图仅计算了数值列之间的相关性。

如果目标变量是club或position，会出现什么情况?

如果想得到三种不同情况之间的相关性，可使用以下相关性度量来计算。

1. 数值变量

该变量可通过Pearson相关性的方式得到，用于度量两个变量如何一起运动，范围为[-1，1]。

2. 分类变量

使用克莱姆V系数来分类案例。该系数是两个离散变量之间的相互关联，并与具有两个或多层次的变量一起使用。它也是一个对称的度量，因为变量的顺序无关紧要，即克莱姆(A,B)==克莱姆(B，A)。

例如，在数据集中，Club和Nationality一定有某种关联。

可用堆叠图来验证这一点，这是理解分类变量和分类变量间分布的一个***方法，因为在该数据中有很多国籍和俱乐部，所以使用数据的子集。

只保留***的球队(保留波尔图足球俱乐部只是为了让样本更加多样化)和最常见的国籍。

俱乐部偏好在很大程度上反映了“国籍”：了解前者有助于预测后者。

由图可知，英国球员更可能效力于切尔西队或曼联队，而不是在巴塞罗那队、拜仁慕尼黑队或波尔图队。

同理，克莱姆V系数也也捕获到了同样的信息。

如果所有俱乐部拥有的球员的国籍比例相同，那么克莱姆V系数则为0。

如果每个俱乐部偏好单一国籍的球员，则克莱姆系数V==1，例如，所有的英国球员在曼联队效力，所有的德国球员在拜仁慕尼黑队效力等等。

在所有其他情况下，范围则为[0,1]。

3. 数值变量和分类变量

对连续分类案例使用相关比率。

在不涉及太多数学的情况下，该变量用于离散程度的衡量。

如果给定一个数字，就能找出它的类别吗?

例如，假设数据集中有“SprintSpeed”和“Position”两列分类，那么：

守门员：58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)
中后卫：68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)
前锋：91(C.Ronaldo)、94(G. Bale)、80(S.Aguero)、 76(R. Lewandowski)

由上可知，这些数字很好地预测了他们所处的位置，因此相关性很高。

如果某球员冲刺速度超过85，那么该球员肯定是前锋。

这个比率也在[0,1]之间。

执行此操作的代码取自dython包，代码不会很多，最终结果如下：

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

分类vs.分类、分类vs.数值、数值vs.数值，这些使图表更为有趣。

很美，不是吗?

只要看看数据，就能对足球有如此多的了解，例如：

球员的位置与运球能力高度相关。总不能让梅西踢后卫吧!
值与传球和控球的相关性比运球更高。规则是永远传球，正如内马尔的传球。
“俱乐部”和“收入”有很高的相关性并且可预测。
“体型”与“踢球偏好的脚”高度相关。这是否意味着如果某球员是瘦子，就很可能喜欢用左脚踢球?这可能没啥实际意义，需要进一步调查。

此外，通过这个简单的图表，就能找到上述这么多信息，这在没有分类变量的典型相关图中是见不到的。

大家可深入研究这张图表，得到更多有意义的结果，但关键是图表能让大家在现实生活中更容易找到某种规律。

散点图矩阵

虽然前文谈到了很多相关性，但它是一个变幻无常的指标，为了让大家理解，我们来看一个例子。

“Anscombe四重奏”由四个相关性几乎近似于1的数据集组成，但具有非常不同的数据分布，并且在绘制时呈现出非常不同的效果。

Anscombe四重奏：相关性变化无常

因此，有时绘制相关数据变得至关重要，并且需要单独查看分布。

现在数据集中有很多列，把它们全都绘制成图形会很费力。

其实只需几行代码就可以解决。

filtered_player_df=player_df[(player_df['Club'].isin(['FCBarcelona','ParisSaint-Germain','ManchesterUnited','ManchesterCity','Chelsea','RealMadrid','FCPorto','FCBayernMünchen']))&(player_df['Nationality'].isin(['England','Brazil','Argentina','Brazil','Italy','Spain','Germany']))]#Singlelinetocreatepairplotg=sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']])

非常好，在该图中可看到很多信息。

工资和价值高度相关。
大多数其它值也是相关的，然而“潜力”与“价值”的比的趋势是不寻常的。可以看到，当到达特定的潜在阀值时，价值如何呈指数增长。这些信息对建模很有帮助，可以对“潜力”进行转换使其更具有相关性吗?

警告：没有分类列!

在此基础上能做得更好吗?总能做到。

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

图上的信息很多，只需添加“hue”参数到分类变量“club”中即可。

波尔图队的工资分配趋向于工资少的那一端。
该图无法看出波尔图队球员价值的急剧分布，波尔图队的球员们总是在寻求机会。
许多粉红点(代表切尔西队)在“潜力”和“工资”图上形成了一个集群。切尔西队有很多工资较低的高潜力球员，需要更多关注。

还可从工资/价值子图中获取一些信息。

年薪50万的蓝点是梅西。此外，比梅西更有价值的橙点是内马尔。

尽管该技巧仍然不能解决分类问题，但还有一些其它方法来研究分类变量分布，虽然是个例。

分类散点图

如何查看分类数据和数字数据之间的关系?

就像输入名字一样，输入分类散点图的图片。为每个类别绘制一组点，在y轴上稍微分散，以便于查看。

这是我们目前绘制这种关系的***方法。

g=sns.swarmplot(y="Club",x='Wage',data=filtered_player_df,#Decreasethesizeofthepointstoavoidcrowdingsize=7)#removethetopandrightlineingraphsns.despine()g.figure.set_size_inches(14,10)plt.show()

分类散点图

为什么不用箱形图呢?中位数在哪?可以绘制出来吗?当然可以。在顶部覆盖一个条形图，就得到了一个好看的图形。

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,#Decreasethesizeofthepointstoavoidcrowdingsize=7,color='black')#removethetopandrightlineingraphsns.despine()g.figure.set_size_inches(12,8)plt.show()

有趣的分类散点图+箱形图

很好，在图表上可看出各个点的分布和一些统计数据，并能明确地了解工资差异。

图中最右边的点是梅西，这样一来，就不用通过图表下方的文字来说明。

该图可用来做演示，如果老板要求把梅西写在这张图上，那么就可加上图片注释。

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,#Decreasethesizeofthepointstoavoidcrowdingsize=7,color='black')#removethetopandrightlineingraphsns.despine()#Annotate.xyforcoordinate.max_wageisxand0isy.Inthisplotyrangesfrom0to7foreachlevel#xytextforcoordinatesofwhereIwanttoputmytextplt.annotate(s=max_wage_player,xy=(max_wage,0),xytext=(500,1),#Shrinkthearrowtoavoidocclusionarrowprops={'facecolor':'gray','width':3,'shrink':0.03},backgroundcolor='white')g.figure.set_size_inches(12,8)plt.show()