盘一盘 Python 系列 6 - Seaborn

全文共 9347 字,50 幅图表截屏,

预计阅读时间 24 分钟。

0

引言

本文是 Python 系列的第九篇

根据大家投票结果,还是要写 Seaborn,哎。


Seaborn 是基于 matplotlib 开发的高阶 Python 数据可视图库,用于绘制优雅、美观的统计图形。

和 NumPy, SciPy, Pandas, Matplotlib 一样,要用 Seaborn,首先引用其库并起别名为 sns。(好奇为什么大家惯用 sns,而不是 sb?)

import seaborn as sns

本帖还有用到其它的库,声明如下。

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline

from datetime import datetime
np.random.seed(1031)

在 Matplotlib 那贴已提过,个人偏好百度 Echarts 里面的一组颜色,因此将其 hex 颜色代码定义出来,其中红色的 r_hex深青色的 dt_hex 是大爱。

r_hex = '#dc2624'     # red,       RGB = 220,38,36
dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80
tl_hex = '#45a0a2'    # teal,      RGB = 69,160,162
r1_hex = '#e87a59'    # red,       RGB = 232,122,89
tl1_hex = '#7dcaa9'   # teal,      RGB = 125,202,169
g_hex = '#649E7D'     # green,     RGB = 100,158,125
o_hex = '#dc8018'     # orange,    RGB = 220,128,24
tn_hex = '#C89F91'    # tan,       RGB = 200,159,145
g50_hex = '#6c6d6c'   # grey-50,   RGB = 108,109,108
bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104
g25_hex = '#c7cccf'   # grey-25,   RGB = 199,204,207

将上面自定义颜色设置为 seaborn 里调色板,当然你可以用它里面默认调色板。

color = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59',
         '#7dcaa9', '#649E7D', '#dc8018', '#C89F91', 
         '#6c6d6c', '#4f6268', '#c7cccf']
sns.set_palette( color )

本章我们用以下思路来讲解:

  • 第一章深度了解 (in-depth) 配对图 (pairplot),在讲解时,我们配用数据清洗的案例分析,可供以后的「机器学习」用。
  • 第二章广度了解 (in-breadth) 其他类型的图,只是做个简单展示。

注:在公众号对话框输入 data 可下载数据。

本帖目录如下:

目录

第一章 - 深度了解 Seaborn

1.1 鸢尾花识别

1.2 无标签的图

1.3 有标签的图

1.4 设置色板

1.5 设置标记

1.6 子集图

1.7 线性回归图

1.8 核密度图

第二章 - 广度了解 Seaborn

2.1 条形图

2.2 计数图

2.3 点图

2.4 箱形图

2.5 小提琴图

2.6 箱形水平图

2.7 双变量分布图

总结

1

深度了解 Seaborn

1.1

鸢尾花识别

假设我们要创建一个智能手机应用程序,从智能手机拍摄的照片中自动识别花的种类。 我们正在与一个数据科学家团队合作,该数据科学主管负责创建一个演示机器学习模型,测量花的萼片长度 (sepal length),萼片宽度 (sepal width),花瓣长度 (petal length) 和花瓣宽度 (petal width) 四个变量,并根据这些测量识别物种。

等等,萼片是什么鬼?萼片是花的最外一环。下图清晰指出花的萼片和花瓣。

我们已经从现场研究人员获得了一个数据集,里面包括三种类型的鸢尾花的测量,如下图:

根据当地研究人员测量的每种鸢尾花的四个数据 (萼片长/宽和花瓣长/宽),我们最终目的是想正确的分类这三种花。但重中之重的第一步是数据处理,有了干净数据之后再来机器学习很容易。

但怎么处理数据有时候更像一门艺术而不像一门科学。接下来会从

  1. 检查数据
  2. 清理数据
  3. 测试数据

三方面来探索,在其过程中当然会借助 Seaborn。

检查数据

即便是政府或银行,他们公布的数据也有错误。在花费太多时间分析数据之前,提早检查并修正这些错误能节省大量时间。一般来说,我们希望回答以下问题:

  1. 数据格式有什么问题吗?
  2. 数据数值有什么问题吗?
  3. 数据需要修复或删除吗?

检查点 1. 数据格式

首先用 pandas 读取 csv 文件并将数据存成 DataFrame 格式。

iris_data = pd.read_csv( 'iris-data.csv', 
                          na_values=['NA'] ) 

函数 read_csv() 里面用到的两个参数

  • 第一个 filename 是读取 csv 文件名
  • 第二个参数用来把 csv 里面空白处用 NaN 代替

此行代码将 csv 里的数据转成 pandas 里的数据表,命名为 iris_data。接着查看其前 10 个数据。

iris_data.head(10)

数据看起来是可用的 (大神 Hadley Wickhan 对干净数据的定义是,每一列代表一个特征;每一行代表一个样例)。

  • 数据的第一行定义了列标题,标题的描述足以让我们了解每个列代表的内容 (萼片长度,萼片宽度,花瓣长度和花瓣宽度),标题甚至给我们记录测量的单位 (cm, 厘米)
  • 第一行之后的每一行代表一个花的观测数据:四个测量指标和一个类 (class),它告诉我们花的种类。比如前 10 个都是山鸢尾花 (注意第 8 到 10 个的花瓣宽度没有数据,用 NaN 来表示)。

检查点 2. 数据统计

接下来,检查数据的分布可以识别异常值。我们从数据集的汇总统计数据开始。

iris_data.describe()

解释一下上表:

  • describe() 函数的产出每列数据的个数 (count),均值 (mean),标准差 (std),最小值 (min),25, 50 和 75 百分位数 (25%, 50%, 75%) 和最大值 (max)。50 百分位数也就是中位数 (median)。
  • 从该表中看到几个有用的值。 例如,我们看到缺少 5 条花瓣宽度的数据 (表里 count 那一行的萼片长度,萼片宽度和花瓣长度的个数都是 150 个,唯独花瓣宽度是 145 个)。

此外,这样的表给不了太多有用信息,除非我们知道数据应该在一个特定的范围 (如萼片长度的最小值是 0.055, 和它其他指标如均值和几个百分位数都不是量纲的,很有可能是测量错误)。

你说表中这些数字看起来是不是很枯燥,为什么不用直观的图呢?现在 seaborn 可以派上用场了。

sb.pairplot(iris_data.dropna(), hue='class')  

上面 pairplot() 函数里

  • 第一个参数 iris_data.dropna() 就是除去 NaN 的数据表,这么做原因很简单,图里不可能显示的出 NaN 值的。
  • 第二个参数 hue = 'class' 就是根据类 (class) 下不同的值赋予不同的颜色 (hue 就是色彩的意思) 。

让我们再回顾一下 iris_data 的前 10 行:

它有 5 列,前四列 (萼片长度,萼片宽度,花瓣长度和花瓣宽度) 可看成自变量,第五列 (类) 可看成变量。

配对图 (pairplot) 绘制前四列变量的关系图,而且用不同颜色区分不同的类下面的这四个变量。 从上图可知,横轴纵轴都有四个变量,那么总共可以画出 16 (4*4) 张小图。

  • 对角线上的 4 张都是某个变量和自身的关系,用分布图 (dist plot)。
  • 非对角线的 12 张就是某个变量和另一个变量的关系,用散点图 (scatter plot)。比如第一行第二列的图描述的就是萼片长度 (看纵轴第一个 sepal_length_cm 字样) 和萼片宽度 (看横轴第二个 sepal_width_cm 字样)。

让再回顾「配对图」

从「配对图」中,我们可以迅速看出数据集上的一些问题:

  1. 图的右侧标注这五个类 (Iris-setosa, Iris-setossa, Iris-versicolor, versicolor, Iris-virginica),但原本要分类的花只有三类 (Iris-setosa, Iris-versicolor, Iris-virginica)。这意味着在记录数据时可能会犯下一些错误。
  2. 在测量中有一些明显的异常值可能是错误的。
    1. 第二行的图 1-2-4 (或第二列的图1-2-4),对于 Iris-setosa,一个萼片宽度 (sepal_width) 值落在其正常范围之外。
    2. 第一行后三张图 (或第一列后三张图),对于 Iris-versicolor,几个萼片长度 (sepal_length) 值都接近零。

下一步我们的任务是要处理错误的数据。

修正点 1. 数据类别

问题:按理说鸢尾花应该只有三类,而图中却显示有五类。

在与现场研究人员交谈后,得知研究员

  • 忘记在 Iris-versicolor 之前添加 Iris-
  • 在 Iris-setossa 中多打了一个 s

让我们使来修正这些错误。

第一行将 versicolor 改为 Iris-versicolor;第二行将 Iris-setossa 改为 Iris-setosa;第四行用 unique() 函数 (unique 有唯一不重复的意思) 检验修改过的数据只有三类,更新后再画「配对图」。

完美!五个类减到三个类,而且名称正确,分别是 Iris-setosa, Iris-versicolor 和 Iris-virginica。

修正点 2. 异常值

修正异常值 (outliers) 是一件棘手的事情。因为我们很难判断异常值是否由测量误差引起,或者是不正确的单位记录数据,或者是真正的异常。如果我们决定排除任何数据,需要记录排除的数据并提供排除该数据的充分理由。由上节所知,我们有两种类型的异常值。

问题 1:山鸢尾花的一个萼片宽度值落在其正常范围之外 (黄色高亮)。

我们的研究人员知道,山鸢尾花 (Iris-setosa) 的萼片宽度 (sepal_width_cm) 不可能低于 2.5 厘米。显然,这个记录是错误的,这种情况下最有效的方法是删除它而不是花时间查找原因。但是,我们仍需要知道有多少个类似这样的错误数据,如果很少删除它没有问题,如果很多我们需要查明原因。

cond = (iris_data['class'] == 'Iris-setosa') 
     & (iris_data['sepal_width_cm'] < 2.5)
iris_data.loc[cond]

上面代码是用数据表里的 loc[] 切片来找到类为 Iris-setoa 并且 sepal width 小于 2.5 的所有行。最后发现只有一个这样的数据,因此可以直接删除此数据。

去掉 Iris-setosa 里萼片宽度大于 2.5 厘米的数据,然后画出其条形图。

iris_data = iris_data.loc[~cond]
iris_data.loc[iris_data['class'] == 'Iris-setosa',
             'sepal_width_cm'].hist()

从上面条形图也看到了再没有这个异常值 (小于 2.5 厘米的点)。

完美! 现在所有的山鸢尾花的萼片宽度都大于 2.5 厘米。

问题 2:变色鸢尾花的几个萼片长度值接近与零 (黄色高亮)。

所有这些接近零的 sepal_length_cm 似乎错位了两个数量级,好像它们的记录单位米而不是厘米。在与实地研究人员进行了一些简短的对话后,我们发现其中一个人忘记将这些测量值转换为厘米。

我们使用代码来修正这些错误。

cond = (iris_data['class'] == 'Iris-versicolor') 
     & (iris_data['sepal_length_cm'] < 1.0)
iris_data.loc[cond]

上面代码是用数据表里的 loc[] 切片来找到类为 Iris-versicolor 并且 sepal length 接近零的所有行,发现有五个数据。

将萼片长度乘以 100 倍,从单位米换成单位厘米,然后画出其条形图。

iris_data.loc[cond, 'sepal_length_cm'] *= 100.0

iris_data.loc[iris_data['class'] == 'Iris-versicolor', 
             'sepal_length_cm'].hist()

从上面条形图也看到了再没有这五个异常值 (零点零几的点)。

完美! 我们成功修正了这些异常值,要不然以后会 GIGO (Garbage In Garbage Out)。

修正点 3. 缺失值

对了,我们还有些 NaN 这样的缺失值 (missing value)。通常我们有两种方式来处理这类数据。

  1. 删除 (deletion)
  2. 插补 (imputation)

在本例中删除不是理想的做法,特别是考虑到它们都在 Iris-setosa 下,如图:

所有缺失的值都属于 Iris-setosa类,直接删除可能会对日后数据分析带来偏差。此外,可以用插补方法,其最常见的方法平均插补 (mean imputation)。其做法就是“假设知道测量的值落在一定范围内,就可以用该测量的平均值填充空值”。

首先查看缺失值在 DataFrame 哪个位置。

上面代码里面 iris_data[A].isnull() 语句是找出 A 列中值为 NA 或 NaN 的行,而 "|" 是“或”的意思。因此上面整句话是找到萼片长度,萼片宽度,花瓣长度和花瓣宽度这四列下的所有含 NaN 的行数据,最后发现只有 5 行,而且 NaN 都来自花瓣宽度。

然后用 mean() 求出其宽度的平均值,用其将 NaN 值全部代替,最后打印出那 5 行插补后的 DataFrame。

为了确保所有 NaN 值已被替换,再次用 iris_data[A].isnull() 语句来查看,出来的结果是一个只有列标题的空数据表。这表示表内已经没有 NaN 值了。

经过了修正类别、异常值和缺失值后,最后来看看基于干净数据画的「配对图」吧。

sns.pairplot( iris_data,  hue='class' )

从上图可看到:

  1. 五个类变成三个类
  2. 异常值全部被删除
  3. 缺失值全部被插补

图整洁了,数据也干净了,之后可以用来做机器学习。


如果你不喜欢我自定义的配色的话,你可以随意用

  • 用 set_style() 选五种风格:darkgrid, whitegrid, dark, white 和 ticks .
  • 用 set_palette() 六种调色盘:deep, muted, pastel, bright, dark 和 colorblind

首先将风格初始化成 ticks。

sns.set(style='ticks')

1.2

无标签的图

假设我们不知道数据标签是什么 (无监督学习里的聚类问题),那么画出来的「配对图」是单色调的。

sns.pairplot( iris_data );

对角线上的图是直方图 (histgram),非对角线上的散点图没有被不同的颜色区分。我们可以用 K-mean 聚类来得到 K 个不同簇,再和本身有的标签比对,看看聚类的效果如何 (在之后的 sklean 那贴再细讲)。

1.3

带标签的图

如果我们知道数据标签 (有监督学习里的分类问题),那么画出来的「配对图」是多色调的,只需把 hue 变量设置成 DataFrame 数据里的标签名。

sns.pairplot( iris_data, hue='class' );

当细分了标签后,对角线图就是分布图 (distplot),本例有三类,因此有三个分布。非对角线图还是散点图,只不过由不同颜色区分不同类别。

1.4

设置色板

将风格设置为 dark (背景变成灰色),色板设置成 husl。

sns.set_style('dark')
sns.pairplot( iris_data, hue='class', 
                         palette='husl' );

husl 其实就是一个色彩系统,取 10 个样本颜色展示如下:

sns.palplot( sns.color_palette('husl',10) )

1.5

设置标记

将风格设置为 darkgrid (背景变成带网格的灰色),色板设置成 colorblind 为色盲用户着想,甚至将不同类用圆形 (o)、正方形 (s) 和方块 (D) 来标记。

sns.set_style('darkgrid')
sns.set_palette('colorblind')
sns.pairplot( iris_data, hue='class',
                         markers=['o','s','D'] );

同理心满满有没有?

1.6

子集图

如果我们不想展示所有变量之间的关系图,我们可以选择子集图。

将风格设置为 whitegrid (背景变成带网格的白色),并将横轴和纵轴赋予相同的子集变量 (都是 vars)。

sns.set_style('whitegrid')
sns.pairplot( iris_data, 
              vars=['sepal_width_cm', 
                    'sepal_length_cm'] );

将风格设置为 white (背景变成白色),并将横轴和纵轴赋予不同的子集变量 (x_vars 和 y_vars)。

sns.set_style('white')
sns.pairplot( iris_data, 
              x_vars=['sepal_width_cm', 
                      'sepal_length_cm'],
              y_vars=['petal_width_cm', 
                      'petal_length_cm']);

1.7

线性回归图

pairplot() 除了画出变量之间的关系图,通过设置里面参数 kind = 'reg',还可在非对角图上对那些散点做线性回归。

sns.set_style('ticks')
sns.set_palette('dark')
sns.pairplot( iris_data, kind='reg' );

有个细节:色板设置成 dark,颜色顿时暗淡了许多 (深蓝)。

1.8

核密度图

pairplot() 除了画出变量之间的关系图,通过设置里面参数 diag_kind = 'kde',还可在对角图上对那些直方图的点做核密度估计 (KDE, kernel density estimation),该技巧在做平滑数据时用到。

sns.set_palette('bright')
sns.pairplot( iris_data, diag_kind='kde' );

有个细节:色板设置成 bright,颜色顿时明亮了许多 (浅蓝)。

2

广度了解 Seaborn

在本节中我们用 Seaborn 提供了内置数据集 Titantic 来展示

  • 条形图 (barplot)
  • 计数图 (countplot)
  • 点图 (pointplot)
  • 箱形图 (boxplot)
  • 小提琴图 (violinplot)

然后用 Iris 数据来展示

  • 箱形水平图 (boxplot h)
  • 双变量分布图 (jointplot)

首先加载 Titanic 的数据。

titanic = sns.load_dataset("titanic")
titanic.head(3).append(titanic.tail(3))

Titanic 数据集是非常适合数据科学和机器学习新手入门练习的数据集,它包含 1912 年泰坦尼克号沉船事件中一些乘客的个人信息以及存活状况。点击下图看该数据集的变量解释。

还是用引言中自定义的调色板。

sns.set_palette( color )
sns.palplot( sns.color_palette(color,11) )

2.1

条形图

对于男性和女性 (x='sex'),根据不同船票各等舱 (hue='class'),统计其生还率 (y='survived')。用颜色区分舱的等级。

sns.barplot( x='sex', 
             y='survived',
             hue='class',
             data=titanic )

值得注意的是,条形图不仅显示点估计值 (point estimate),还显示了置信区间 (confidence interval)。

由图可知,做一等舱和二等舱的女人生还率最高,三等舱的女人也比一等舱的男人生还率高。

2.2

计数图

统计每层客舱 (x='deck') 里的人数。

sns.countplot( x='deck',
               data=titanic )

C 舱里人数最多,G 舱里人数最少。

2.3

点图

统计每等舱 (x=‘class’) 不同性别 (hue='sex‘) 的生还率 (y='survived')。用颜色区分性别。

sns.pointplot( x='class',
               y='survived',
               hue='sex',
               data=titanic,
               markers=['^','o'],
               linestyles=['-','--'] )

点图也显示点估计和置信区间,由图可知,在各等舱中,女性生还率高于男性生还率高。

2.4

箱形图

统计在生还和死亡 (x='alive') 成年和未成年男性 (hue='adult_male') 的年龄分布 (y='age')。用颜色区分是否成年。

sns.boxplot( x='alive',
             y='age',
             hue='adult_male',
             data=titanic )

由图可看出,生还或死亡的男性在成年和未成年下的年龄分布很相似。

2.5

小提琴图

统计在男性和女性 (x='sex') 两类里生还和死亡 (hue='survived') 的年龄分布 (y='age')。用颜色区分生还率。

sns.violinplot( x='sex',
                y='age',
                hue='survived',
                data=titanic )

由图可看出,生还和死亡的女性年龄分布非常类似,而对于男性其年龄分类差别很大。

2.6

箱形水平图

画出萼片长度,萼片宽度,花瓣长度和花瓣宽度的箱形图 (横向)。上节也可以用这个图来找异常值。

sns.boxplot( data=iris_data, 
             orient='h' )

2.7

双变量分布图

设置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的一维分布。

sns.jointplot( 'sepal_length_cm', 'sepal_width_cm',
                data=iris_data,
                kind='kde')

设置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的线性关系。这时的分布用直方图表示。

sns.jointplot( 'sepal_length_cm', 'sepal_width_cm',
                data=iris_data,
                kind='reg')

3

总结

Seaborn 就是 Matplotlib 的升级版,底层绘图逻辑和元素层级就不用再重复了。

Seaborn 比 Matplotlib 强大的三个地方就是:

  • 代码简单,基本都是一句话 (one-liner) 就可以画出变量之间统计关系图
  • 能够处理分类 (categorical) 变量 (不仅仅只能处理连续变量)
  • 颜色更加丰富好看 (不过这个看个人喜好)

下篇讨论用于炫酷可视化工具 PyEcharts 。Stay Tuned!

本文分享自微信公众号 - 王的机器(MeanMachine1031)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-05-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励