前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >十分钟掌握数据可视化基本操作(下)

十分钟掌握数据可视化基本操作(下)

作者头像
老肥码码码
发布2020-05-13 21:03:08
6890
发布2020-05-13 21:03:08
举报
文章被收录于专栏:算法与数据之美

和之前学习Pandas一样,我们继续以宝可梦数据集作为学习可视化的例子,进而梳理Python绘图的基本操作,主要涉及seaborn以及matplotlib两个可视化库。

上半篇我们主要使用matplotlib来进行柱状图、散点图、饼图折线图等的绘制,下半篇主要使用seaborn来进行箱线图、小提琴图、分簇散点图、热力图等的绘制。本文是下半篇,上半篇链接在这里

箱线图

箱线图可以提供数据位置及其分散情况的关键信息,主要用于反映原始数据分布的特征,还可以进行多组数据分布特征的比较。

如上图所示,箱线图主要包含几个关键的数据,上、下四方位数,中位数,上、下边缘以及异常值。简单来说,上四分位数表示全部数据中有四分之一的数据大于它,异常值表示远离上或下四分位数。

我们来用箱线图观察一下宝可梦的各项属性的分散情况。

代码语言:javascript
复制
df2=df.drop(['Generation','Total','Legendary'],axis=1)
sns.boxplot(data=df2)
plt.show()

可以看到每种属性都有异常值,远超于普通宝可梦,其中血量值的异常值数量最多。

接着我们来看不同的代目的各种属性的分布特征,共用同一个Y轴,同时绘制四张子图。

代码语言:javascript
复制
fig,axes=plt.subplots(1,4,sharey=True)
sns.boxplot(x="Generation",y="Attack",data=df,ax=axes[0])
sns.boxplot(x="Generation",y="Sp.Atk",data=df,ax=axes[1])
sns.boxplot(x="Generation",y="Defense",data=df,ax=axes[2])
sns.boxplot(x="Generation",y="Sp.Def",data=df,ax=axes[3])
fig.set_size_inches(20,7)

总体来看,五代目宝可梦的攻击力水平要高于其他代目,二代目宝可梦的特殊攻击水平要低于其他代目。

我们还可以用箱线图来观察不同类型的宝可梦对其防御数值的影响,结果显而易见,钢铁类型的宝可梦拥有最为卓越的防御属性。

代码语言:javascript
复制
plt.subplots(figsize=(20,5))
plt.title('Defence by Type 1')
sns.boxplot(x='Type1',y='Defense',data=df2)
plt.ylim(0,240)  # 设置y轴的范围
plt.show()

另外我们还可以在boxplot中添加参数hue,分门别类地进行箱线图绘制,这里根据是否为神兽来做区分,显然神兽的防御属性远超非神兽。

小提琴图

小提琴图结合了箱线图与核密度估计图的特点,它表征了在一个或多个分类变量情况下,连续变量数据的分布并进行了比较,它是一种观察多个数据分布有效方法。

这里我们绘制不同类型的宝可梦的攻击力值小提琴图。

代码语言:javascript
复制
plt.title('Attack by Type1')
sns.violinplot(x="Type1", y ="Attack",data=df2)
plt.ylim(0,200)
plt.show()

小提琴图中宽度较厚的部分表示具有较高密度点的区域,而较薄的部分则表示低密度点的区域。我们可以清楚地看到有一部分电系宝可梦的攻击力在60左右,小提琴图有明显的膨胀部分;而岩石系的宝可梦的攻击力分布较为平均,小提琴图呈长窄形状。

我们对不同代目的宝可梦绘制了总属性值的小提琴图,并且将是否为神兽区分开来。

代码语言:javascript
复制
plt.title('Strongest Generation')
sns.violinplot(x="Generation",y="Total",data=df,hue="Legendary",split=True)
plt.show()

根据小提琴图我们似乎可以得出一代目的神兽实力最为强劲,三代目的非神兽实力则更优。

热力图

这里采用热力图来可视化数据各列之间的相关性。可以看到特殊攻击、攻击和特殊防御的数值与是否为神兽的相关性较高,而代目与其他数据的相关性较低。

代码语言:javascript
复制
df3=df.drop(['Total'],axis=1)
sns.heatmap(df3.corr(),annot=True)
plt.show()

分簇散点图

分簇散点图可以理解为数据点不重叠的分类散点图,swarmplot函数类似于stripplot函数,但该函数可以对点进行一些调整,使得数据点不重叠。

swarmplot()可以自己实现对数据分类的展现,也可以作为箱线图、小提琴图的一种补充,用来显示所有结果以及基本分布情况。

首先通过melt将宝可梦的各项数据汇到同一列中,即把窄宽的数据拉伸为长瘦型,将宝可梦的各项数值按照类型以分簇散点图的形式展现出来。

代码语言:javascript
复制
df5=pd.melt(df2, id_vars=["Name", "Type1", "Type2"], var_name="Stat")
sns.swarmplot(x="Stat", y="value", data=df5, hue="Type1",dodge=True)
plt.legend(bbox_to_anchor=(1, 1), loc=2, borderaxespad=0.)
plt.show()

参考资料

  • Visualizing Pokémon Stats with Seaborn
  • Seaborn官方文档
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-05-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 算法与数据之美 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 箱线图
  • 小提琴图
  • 热力图
  • 分簇散点图
  • 参考资料
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档