5 種使用 Python 代碼輕鬆實現數據可視化的方法
（點擊
上方公眾號
，可快速關注）
編譯： oschina 英文：towardsdatascience
www.oschina.net/translate/5-quick-and-easy-data-visualizations-in-python?print
數據可視化是數據科學家工作中的重要組成部分。在項目的早期階段，你通常會進行探索性數據分析（Exploratory Data Analysis，EDA）以獲取對數據的一些理解。創建可視化方法確實有助於使事情變得更加清晰易懂，特別是對於大型、高維數據集。在項目結束時，以清晰、簡潔和引人注目的方式展現最終結果是非常重要的，因為你的受眾往往是非技術型客戶，只有這樣他們才可以理解。
Matplotlib 是一個流行的 Python 庫，可以用來很簡單地創建數據可視化方案。但每次創建新項目時，設置數據、參數、圖形和排版都會變得非常繁瑣和麻煩。在這篇博文中，我們將著眼於 5 個數據可視化方法，並使用 Python Matplotlib 為他們編寫一些快速簡單的函數。與此同時，這裡有一個很棒的圖表，可用於在工作中選擇正確的可視化方法！
散點圖非常適合展示兩個變數之間的關係，因為你可以直接看到數據的原始分布。 如下面第一張圖所示的，你還可以通過對組進行簡單地顏色編碼來查看不同組數據的關係。想要可視化三個變數之間的關係？ 沒問題！ 僅需使用另一個參數（如點大小）就可以對第三個變數進行編碼，如下面的第二張圖所示。
現在開始討論代碼。我們首先用別名 「plt」 導入 Matplotlib 的 pyplot 。要創建一個新的點陣圖，我們可調用 plt.subplots() 。我們將 x 軸和 y 軸數據傳遞給該函數，然後將這些數據傳遞給 ax.scatter() 以繪製散點圖。我們還可以設置點的大小、點顏色和 alpha 透明度。你甚至可以設置 Y 軸為對數刻度。標題和坐標軸上的標籤可以專門為該圖設置。這是一個易於使用的函數，可用於從頭到尾創建散點圖！
import
matplotlib
.
pyplot
as
pltimport numpy
as
npdef scatterplot
(
x_data
,
y_data
,
x_label
=
""
,
y_label
=
""
,
title
=
""
,
color
=
"r"
,
yscale_log
=
False
)
:
# Create the plot object
_
,
ax
=
plt
.
subplots
()
# Plot the data, set the size (s), color and transparency (alpha)
# of the points
ax
.
scatter
(
x_data
,
y_data
,
s
=
10
,
color
=
color
,
alpha
=
0.75
)
if
yscale_log
==
True
:
ax
.
set_yscale
(
"log"
)
# Label the axes and provide a title
ax
.
set_title
(
title
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_ylabel
(
y_label
)
折線圖
當你可以看到一個變數隨著另一個變數明顯變化的時候，比如說它們有一個大的協方差，那最好使用折線圖。讓我們看一下下面這張圖。我們可以清晰地看到對於所有的主線隨著時間都有大量的變化。使用散點繪製這些將會極其混亂，難以真正明白和看到發生了什麼。折線圖對於這種情況則非常好，因為它們基本上提供給我們兩個變數（百分比和時間）的協方差的快速總結。另外，我們也可以通過彩色編碼進行分組。
這裡是折線圖的代碼。它和上面的散點圖很相似，只是在一些變數上有小的變化。
def
lineplot
(
x_data
,
y_data
,
x_label
=
""
,
y_label
=
""
,
title
=
""
)
:
# Create the plot object
_
,
ax
=
plt
.
subplots
()
# Plot the best fit line, set the linewidth (lw), color and
# transparency (alpha) of the line
ax
.
plot
(
x_data
,
y_data
,
lw
=
2
,
color
=
"#539caf"
,
alpha
=
1
)
# Label the axes and provide a title
ax
.
set_title
(
title
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_ylabel
(
y_label
)
直方圖
直方圖對於查看（或真正地探索）數據點的分布是很有用的。查看下面我們以頻率和 IQ 做的直方圖。我們可以清楚地看到朝中間聚集，並且能看到中位數是多少。我們也可以看到它呈正態分布。使用直方圖真得能清晰地呈現出各個組的頻率之間的相對差別。組的使用（離散化）真正地幫助我們看到了「更加宏觀的圖形」,然而當我們使用所有沒有離散組的數據點時，將對可視化可能造成許多干擾，使得看清真正發生了什麼變得困難。
下面是在 Matplotlib 中的直方圖代碼。有兩個參數需要注意一下：首先，參數 n_bins 控制我們想要在直方圖中有多少個離散的組。更多的組將給我們提供更加完善的信息，但是也許也會引進干擾，使得我們遠離全局；另一方面，較少的組給我們一種更多的是「鳥瞰圖」和沒有更多細節的全局圖。其次，參數 cumulative 是一個布爾值，允許我們選擇直方圖是否為累加的，基本上就是選擇是 PDF（Probability Density Function，概率密度函數）還是 CDF（Cumulative Density Function，累積密度函數）。
def
histogram
(
data
,
n_bins
,
cumulative
=
False
,
x_label
=
""
,
y_label
=
""
,
title
=
""
)
:
_
,
ax
=
plt
.
subplots
()
ax
.
hist
(
data
,
n_bins
=
n_bins
,
cumulative
=
cumulative
,
color
=
"#539caf"
)
ax
.
set_ylabel
(
y_label
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_title
(
title
)
想像一下我們想要比較數據中兩個變數的分布。有人可能會想你必須製作兩張直方圖，並且把它們並排放在一起進行比較。然而，實際上有一種更好的辦法：我們可以使用不同的透明度對直方圖進行疊加覆蓋。看下圖，均勻分布的透明度設置為 0.5 ，使得我們可以看到他背後的圖形。這樣我們就可以直接在同一張圖表裡看到兩個分布。
對於重疊的直方圖，需要設置一些東西。首先，我們設置可同時容納不同分布的橫軸範圍。根據這個範圍和期望的組數，我們可以真正地計算出每個組的寬度。最後，我們在同一張圖上繪製兩個直方圖，其中有一個稍微更透明一些。
# Overlay 2 histograms to compare themdef overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""):
# Set the bounds for the bins so that the two distributions are fairly compared
max_nbins
=
10
data_range
=
[
min
(
min
(
data1
),
min
(
data2
)),
max
(
max
(
data1
),
max
(
data2
))]
binwidth
=
(
data_range
[
1
]
-
data_range
[
0
])
/
max_nbins
if
n_bins
==
0
bins
=
np
.
arange
(
data_range
[
0
],
data_range
[
1
]
+
binwidth
,
binwidth
)
else
:
bins
=
n_bins
# Create the plot
_
,
ax
=
plt
.
subplots
()
ax
.
hist
(
data1
,
bins
=
bins
,
color
=
data1_color
,
alpha
=
1
,
label
=
data1_name
)
ax
.
hist
(
data2
,
bins
=
bins
,
color
=
data2_color
,
alpha
=
0.75
,
label
=
data2_name
)
ax
.
set_ylabel
(
y_label
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_title
(
title
)
ax
.
legend
(
loc
=
"best"
)
柱狀圖
當你試圖將類別很少（可能小於10）的分類數據可視化的時候，柱狀圖是最有效的。如果我們有太多的分類，那麼這些柱狀圖就會非常雜亂，很難理解。柱狀圖對分類數據很好，因為你可以很容易地看到基於柱的類別之間的區別（比如大小)；分類也很容易劃分和用顏色進行編碼。我們將會看到三種不同類型的柱狀圖：常規的，分組的，堆疊的。在我們進行的過程中，請查看圖形下面的代碼。
常規的柱狀圖如下面的圖1。在 barplot() 函數中，xdata 表示 x 軸上的標記，ydata 表示 y 軸上的桿高度。誤差條是一條以每條柱為中心的額外的線，可以畫出標準偏差。
分組的柱狀圖讓我們可以比較多個分類變數。看看下面的圖2。我們比較的第一個變數是不同組的分數是如何變化的（組是G1，G2，……等等)。我們也在比較性別本身和顏色代碼。看一下代碼，y_data_list 變數實際上是一個 y 元素為列表的列表，其中每個子列表代表一個不同的組。然後我們對每個組進行循環，對於每一個組，我們在 x 軸上畫出每一個標記；每個組都用彩色進行編碼。
堆疊柱狀圖可以很好地觀察不同變數的分類。在圖3的堆疊柱狀圖中，我們比較了每天的伺服器負載。通過顏色編碼後的堆棧圖，我們可以很容易地看到和理解哪些伺服器每天工作最多，以及與其他伺服器進行比較負載情況如何。此代碼的代碼與分組的條形圖相同。我們循環遍歷每一組，但這次我們把新柱放在舊柱上，而不是放在它們的旁邊。
def
barplot
(
x_data
,
y_data
,
error_data
,
x_label
=
""
,
y_label
=
""
,
title
=
""
)
:
_
,
ax
=
plt
.
subplots
()
# Draw bars, position them in the center of the tick mark on the x-axis
ax
.
bar
(
x_data
,
y_data
,
color
=
"#539caf"
,
align
=
"center"
)
# Draw error bars to show standard deviation, set ls to "none"
# to remove line between points
ax
.
errorbar
(
x_data
,
y_data
,
yerr
=
error_data
,
color
=
"#297083"
,
ls
=
"none"
,
lw
=
2
,
capthick
=
2
)
ax
.
set_ylabel
(
y_label
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_title
(
title
)
def
stackedbarplot
(
x_data
,
y_data_list
,
colors
,
y_data_names
=
""
,
x_label
=
""
,
y_label
=
""
,
title
=
""
)
:
_
,
ax
=
plt
.
subplots
()
# Draw bars, one category at a time
for
i
in
range
(
0
,
len
(
y_data_list
))
:
if
i
==
0
:
ax
.
bar
(
x_data
,
y_data_list
[
i
],
color
=
colors
[
i
],
align
=
"center"
,
label
=
y_data_names
[
i
])
else
:
# For each category after the first, the bottom of the
# bar will be the top of the last category
ax
.
bar
(
x_data
,
y_data_list
[
i
],
color
=
colors
[
i
],
bottom
=
y_data_list
[
i
-
1
],
align
=
"center"
,
label
=
y_data_names
[
i
])
ax
.
set_ylabel
(
y_label
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_title
(
title
)
ax
.
legend
(
loc
=
"upper right"
)
def
groupedbarplot
(
x_data
,
y_data_list
,
colors
,
y_data_names
=
""
,
x_label
=
""
,
y_label
=
""
,
title
=
""
)
:
_
,
ax
=
plt
.
subplots
()
# Total width for all bars at one x location
total_width
=
0.8
# Width of each individual bar
ind_width
=
total_width
/
len
(
y_data_list
)
# This centers each cluster of bars about the x tick mark
alteration
=
np
.
arange
(
-
(
total_width
/
2
),
total_width
/
2
,
ind_width
)
# Draw bars, one category at a time
for
i
in
range
(
0
,
len
(
y_data_list
))
:
# Move the bar to the right on the x-axis so it doesn"t
# overlap with previously drawn ones
ax
.
bar
(
x_data
+
alteration
[
i
],
y_data_list
[
i
],
color
=
colors
[
i
],
label
=
y_data_names
[
i
],
width
=
ind_width
)
ax
.
set_ylabel
(
y_label
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_title
(
title
)
ax
.
legend
(
loc
=
"upper right"
)
箱形圖
我們之前看了直方圖，它很好地可視化了變數的分布。但是如果我們需要更多的信息呢？也許我們想要更清晰的看到標準偏差？也許中值與均值有很大不同，我們有很多離群值？如果有這樣的偏移和許多值都集中在一邊呢？
這就是箱形圖所適合乾的事情了。箱形圖給我們提供了上面所有的信息。實線框的底部和頂部總是第一個和第三個四分位（比如 25% 和 75% 的數據），箱體中的橫線總是第二個四分位（中位數）。像鬍鬚一樣的線(虛線和結尾的條線）從這個箱體伸出，顯示數據的範圍。
由於每個組/變數的框圖都是分別繪製的，所以很容易設置。xdata 是一個組/變數的列表。Matplotlib 庫的 boxplot() 函數為 ydata 中的每一列或每一個向量繪製一個箱體。因此，xdata 中的每個值對應於 ydata 中的一個列/向量。我們所要設置的就是箱體的美觀。
def
boxplot
(
x_data
,
y_data
,
base_color
=
"#539caf"
,
median_color
=
"#297083"
,
x_label
=
""
,
y_label
=
""
,
title
=
""
)
:
_
,
ax
=
plt
.
subplots
()
# Draw boxplots, specifying desired style
ax
.
boxplot
(
y_data
# patch_artist must be True to control box fill
,
patch_artist
=
True
# Properties of median line
,
medianprops
=
{
"color"
:
median_color
}
# Properties of box
,
boxprops
=
{
"color"
:
base_color
,
"facecolor"
:
base_color
}
# Properties of whiskers
,
whiskerprops
=
{
"color"
:
base_color
}
# Properties of whisker caps
,
capprops
=
{
"color"
:
base_color
})
# By default, the tick label starts at 1 and increments by 1 for
# each box drawn. This sets the labels to the ones we want
ax
.
set_xticklabels
(
x_data
)
ax
.
set_ylabel
(
y_label
)
ax
.
set_xlabel
(
x_label
)
ax
.
set_title
(
title
)
結語
使用 Matplotlib 有 5 個快速簡單的數據可視化方法。將相關事務抽象成函數總是會使你的代碼更易於閱讀和使用！我希望你喜歡這篇文章，並且學到了一些新的有用的技巧。如果你確實如此，請隨時給它點贊。
看完本文有收穫？請轉
發分享給更多人
關注「P
ython開發者」，提升Python技能
※面向對象：人生漫漫，攜手風雨
※不踩坑的Python爬蟲：如何在一個月內學會爬取大規模數據
TAG:Python開發者 |