数据可视化报告

数据可视化报告

*
– 第一回：数据展示初相识
–
+ 生成画布 plt.figure()
+ 保存画布 plt.savefig()
– 第二回：艺术图表见乾坤
–
+ 绘制折线图 plt.plot()
+ 绘制柱状图 plt.bar()
+ 绘制饼图 plt.pie()
+ Matplotlib 画廊
– 第三回：布局格式定方圆
–
+ 坐标值 pd.Series()、pd.DataFrame()
+ 轴刻度 plt.xticks()、plt.yticks()
+ 轴标题 plt.xlabel()、plt.ylabel()
– 第四回：文字图例尽眉目
–
+ 标题 plt.title()
+ 图例 plt.legend()
+ 数据标签 plt.text()
– 第五回：样式色彩秀芳华
–
+ 图表的样式
+ 数据标记点的样式
– 第六回：鸿雁在云鱼在水
–
+ 关系图 seaborn.relplot()
+ 分布图 seaborn.displot()
+ 分类图 seaborn.catplot()

Python 做数据可视化时面临两大痛点：

• 绘图时现用现查，用过即忘，效率极低。
• 只会复制粘贴，不知其所以然，面对复杂图表一筹莫展。

我们介绍 Matplotlib 和 Seabron：

• 从图形，布局，文本，样式等多维度系统梳理 Matplotlib、Seabron 的绘图方法，构建对于绘图方法的整体理解。
• 从绘图 API 层级，接口等方面阐明 Matplotlib、Seabron 的设计理念，摆脱只会复制粘贴的尴尬处境。

Matplotlib 是一个 Python 2D 绘图库，在后面绘图的过程中并不是使用 Matplotlib 库本身，而是用 Matplotlib 库下面的一个模块 —— pyplot。

from matplotlib import pyplot as plt

第一回：数据展示初相识

一张图是由画布、图表以及图表元素组成。

• 画布是整个图形的基础，画布的操作分成俩步 — 生成和保存。

• 图表是整个图形的核心内容，不同图表适合不同场景。
  

  

• 图表元素：图表标题、坐标轴刻度、坐标轴标题、图例和数据标签 — 其中，图表标题、坐标轴刻度、坐标轴标题是每张图都要具备的。当图中出现多个条件时，添加图例；当图中出现数值比较时，添加数据标签

读到这里，对数据可视化就有大致印象了。

依照代码实现逻辑，应该是先有画布，再有图表，具备这两者就能生成一张最简单的图，而要让这张图传递更丰富的信息，则需要添加图表元素。

; 生成画布 plt.figure()

plt.figure( figsize = (6, 6) )

生成画布用到的是 pyplot 模块下的 figure 函数，即 plt.figure()。

其中的参数 figsize 可以控制画布的长和宽，一般用元组的形式进行赋值。

保存画布 plt.savefig()

生成的图形保存到本地，可以用 plt.savefig() 对画布进行保存，这里只需要设置它的路径参数。

plt.savefig('./xxx.png')

第二回：艺术图表见乾坤

常见图表：

• 折线图：呈现数据变化趋势
• 柱状图：让数值大小的比较更明显
• 饼图：呈现各部分相对于整体的占比

绘制折线图 plt.plot()

绘制折线图用到 plt.plot() 函数，该函数中有两个参数 x 和 y 分别表示 x、y 坐标值。

直接将 x 和 y 坐标值传入 plt.plot() 函数，该函数就会自动将两个对象中的元素按照顺序匹配成坐标点，并绘制成折线图。

plt.figure(figsize=(6, 6))

x = pd.Series(['第一季度', '第二季度', '第三季度', '第四季度'])
y = pd.Series([59, 70, 68, 56])

plt.plot(x, y, color='dodgerblue')

绘制柱状图 plt.bar()

和折线图一样，绘制柱状图也需要设置（x,y）坐标值，不同的是柱状图绘图函数 plt.bar()的参数是 x 和 height，height 表示柱子的高，对应 y 坐标值。

plt.figure(figsize=(6, 6))

x = pd.Series(['第一季度', '第二季度', '第三季度', '第四季度'])
y = pd.Series([59, 70, 68, 56])

plt.bar(x, height=y, color='darkorange', alpha=0.6)

绘制饼图 plt.pie()

饼图和折线图、柱状图在图像特征方面差异蛮大的。

plt.figure(figsize=(6, 6))

x = pd.Series([59, 70, 68, 56])

autopct='%.2f%%'

textprops = {'fontsize': 12, 'color': 'black'}

explode = [0.1, 0, 0, 0]

colors = ['cornflowerblue', 'salmon', 'yellowgreen', 'orange']

plt.pie(x, autopct=autopct, textprops=textprops,
        explode=explode, colors=colors)

Matplotlib 画廊

Matplotlib 画廊：https://matplotlib.org/stable/gallery/index.html

Matplotlib 还有很多图表，上面的画廊相当于速查表，有成品的图表和代码实现。

第三回：布局格式定方圆

在绘制图表时，先确定好坐标点，再经由绘图函数就能生成图表。

坐标值 pd.Series()、pd.DataFrame()

x = pd.Series(['第一季度', '第二季度', '第三季度', '第四季度'])
y = pd.Series([160, 200, 180, 155])

x = pd.DataFrame(['第一季度', '第二季度', '第三季度', '第四季度'])
y = pd.DataFrame([160, 200, 180, 155])

设置好坐标值后，就可以绘制图表。

假设绘制折线图 plt.plot() ，该函数中有两个参数 x 和 y 分别表示 x、y 坐标值。

plt.figure(figsize=(6, 6))

x = pd.Series(['第一季度', '第二季度', '第三季度', '第四季度'])
y = pd.Series([59, 70, 68, 56])

plt.plot(x, y, color='dodgerblue')

轴刻度 plt.xticks()、plt.yticks()

设置 x、y 轴刻度的函数分别是 plt.xticks() 和 plt.yticks()。

plt.xticks(fontsize=12)
plt.yticks(fontsize=12)

轴标题 plt.xlabel()、plt.ylabel()

坐标轴标题主要对坐标轴刻度值的含义进行描述，设置 x 轴标题和 y 轴标题分别用到 plt.xlabel() 和 plt.ylabel() 函数。

plt.xlabel('季度', fontsize=15)
plt.ylabel('研发费用（百万元）', fontsize=15)

第四回：文字图例尽眉目

看文章先从标题看起，看图同样也从标题看起。

标题 plt.title()

图表标题默认放在图表顶部，向读者传递图表的名称。设置图表标题用的是 plt.title() 函数，包含两个参数：

• label：标题名
• fontsize：标题的字体大小

plt.title('男女比例图', fontsize=20)

图例 plt.legend()

设置图例用到 plt.legend()函数，其中的参数labels表示图例名称，对应图中的多个条件，通常传入可迭代对象，比如列表、Series 对象等。

plt.legend(['变化', '分布'])

数据标签 plt.text()

数据标签是指坐标点上方显示的标签，用于呈现每个坐标点的数据信息。

添加数据标签用到 plt.text()函数，它有几个参数，分别是 x、y、s、ha、va 以及 fontsize。

plt.text('第一季度', 160, 160, ha='center', va='bottom', fontsize=12)
plt.text('第二季度', 200, 200, ha='center', va='bottom', fontsize=12)
plt.text('第三季度', 180, 180, ha='center', va='bottom', fontsize=12)
plt.text('第四季度', 155, 155, ha='center', va='bottom', fontsize=12)

更通用的是，借助 zip() 函数实现。

for a, b in zip(x, y):
    plt.text(a, b, b, ha='center', va='bottom', fontsize=12)

第五回：样式色彩秀芳华

图表的样式

任何一个绘图函数都有很多参数，如折线图函数 plt.plot()

坐标值（x，y）是最少必备参数，如果我们想让图表展示的图表效果更惊艳，就也得学习一下后面的参数。

先看线条的宽度和颜色：

• linewidth 可以设置线条的宽度
• color 可以设置线条的的颜色，传入颜色对应的英文单词

plt.figure(figsize=(6, 6))

plt.plot(x, y, linewidth=3, color='r')

线条宽度变宽，并且变成红色。

数据标记点的样式

以上是图表（线条）样式，另一个是数据标记点样式，需要用到的参数是 marker、markerfacecolor 和 markersize。

• marker：设置数据标记点的形状

• markersize：设置数据标记点的大小
• markerfacecolor：填充颜色

我们选择数据标记点的形状为圆（marker=’o’）；大小为 10（markersize=10）；填充颜色为白色（markerfacecolor=’w’）。

plt.figure(figsize=(6, 6))

plt.plot(x, y, linewidth=3, color='r', marker='o',
        markersize=10, markerfacecolor='w')

第六回：鸿雁在云鱼在水

我们研究的数据，都分成定性和定量俩类。

• 定性：又叫分类数据，如性别、游戏段位
• 定量：可用数字量化的数据，如身高体重

对于定性数据，我们常常需要分析不同 类别的信息，例如分析《王者荣耀》中最强王者的男女比例等。

至于定量数据，我们比较感兴趣的是不同变量之间的 关系或者变量的 分布情况，比如身高和基因的关系、某品牌手机销售额的分布情况等。

在统计学中，我们把用来描绘数据基本情况的统计学方法称为描述性统计。

再将数据映射到坐标系上时，就会得到我们常说的统计图形。

而用于表现数据的关系、分布或者分类情况的，可以被称为描述性统计图形。

Seaborn 的图形分类也参考了上述概念，描述性统计图形有 关系图、 分布图、 分类图这三类。

分别用于对应不同的数据类型和分析目的：

• 关系图：展示定量数据之间关系的趋势，如离散程度或者数据随时间变化的情况。
• 分布图：展示定量数据的分布信息，比如频数分布情况，数据的形态等。
• 分类图：展示定性数据之间的分布或关系之类的信息，比如不同类别数据的大小，分布情况等。

有这个框架在，描述性统计图形就一通百通了。

• 关系图：散点图、折线图，定量数据之间关系的趋势。
• 分布图：直方图、核密度估计图、经验累积分布图、轴须图，定量数据的分布信息。
• 分类图：箱型图、分布散点图、分簇散点图、增强箱型图、小提琴图、点图、计数图、条形图，定性数据之间的分布或关系之类的信息。

关系图 seaborn.relplot()

散点图又叫 X-Y 图，将所有的连续数据以点的形式展现在坐标系上。

可比较直观地观察变量 x 与变量 y 之间的相关性。

适合变量之间存在密切关系，但是这些关系又不像数学或物理公式那样能够精确表达的。

• 无关r = 0.00 r=0.00 r =0 .0 0：在散点图中，如果变量之间不存在线性关系，则表现为随机分布的离散的点。
• 正相关r = 1.00 r=1.00 r =1 .0 0：当变量 x 增大的时候，变量 y 也在增大；变量 x 减小的时候，y 也在减小。
• 负相关r = − 1.00 r=-1.00 r =−1 .0 0：当变量 x 增大的时候，y 减小；当 x 减小的时候，y 增大。

在观察散点图的时候，还有一个概念需要我们理解 —— 离群点。

当变量间存在某种线性关系时，大部分的数据点会表现出 “报团取暖”，相对密集的形态，但总有几个不合群的，”高冷” 的数据点离集群较远，我们可以称这些点为离群点或异常点。

观察散点图步骤：

• X、Y 轴代表哪俩个变量
• 相关关系，是否有线性关系
• 离群点，有木有特殊意义

散点图函数：seaborn.relplot(x, y, data, hue, size, style, kind)

import pandas as pd
student_info = pd.read_csv('./学生信息.csv')

import seaborn as sns
sns.relplot(x='身高', y='体重', data=student_info, kind=scatter)

可以看到，大部分数据点都比较集中，且身高越高，相应的体重也会越大，身高和体重应该是正相关关系。

student_info 数据集其实数据还有分类（男、女），我们可以分开显示。

sns.relplot(x='身高', y='体重', data=student_info, hue='性别')

男生和女生用不同的颜色标记了出来。从整体上看，该数据集中的男生身高还是普遍高于女生的。

我们还可以让数据展示的更显著，参数 size 可以让表示体重的点，随体重增大而增大。

sns.relplot(x='身高', y='体重', data=student_info, hue='性别', size=1)

我们发现，学生数据的分类，不仅有性别，还有班级。

sns.relplot(x='身高', y='体重', data=student_info, hue='性别', size='体重', style='班级')

使用 style = 班级，这样不同班级点的不同形状区分数据，1班是圆、2班是方形。

关系图，除了散点图，还有折线图。

折线图也可以反映数据间的关系，只不过它一般使用时间维度作为 X 轴，数值维度作为 Y 轴。

当我们想要了解某一维度在时间上的规律或者趋势时，用折线图是个比较不错的选择。

relplot() 函数也是可以画出折线图的，基本的折线图只需要在必选参数的基础上，只要写成 kind=’line’ 即可。

折线图函数：sns.relplot(x, y, data, kind=’line’)

这也是 Seaborn 的一大优势，想要画某一大类下面的不同图形时，只需要调用这一大类的函数，少量修改其中的参数即可。

分布图 seaborn.displot()

根据 Seaborn 的划分，Distribution 类别中共有四种图形：直方图、核密度估计图、经验累积分布图和轴须图，它们都可以用来表示定量数据的分布情况。

P.S. 人的眼睛对颜色比对形状更敏感，因此，在做可视化时，我们可以优先考虑使用颜色来区分不同的数据。

直方图是描述性统计中很常见的一种图形，它牵涉到统计学中的频数这一概念。

频数，又称 “次数”。指变量值中代表某种特征的数值出现的次数。

在直方图中，我们会把连续数据进行分组，而后统计每个分组内数据的数量（即频数），接着，在平面直角坐标系中用 X 轴标记出每个分组的端点，用 Y 轴表示频数，这样，在坐标系中生成的每个矩形的高就代表了对应分组的频数。

如果从形状来看的话，直方图与柱状图会非常类似。

虽然相似，但从上面的对比图中也可以看出，柱状图的方块之间有间隔，然而直方图各个方块之间没有间隔，紧密相连（当然也有例外情况。在某个分布数据的频数极少或没有时，会出现断点，比如上图直方图中的最右侧方块）。

但它们两个最大的区别还是在数据类型上，柱状图用于画出定性数据（分类数据）的某些特征，直方图则是用于展示定量数据的分布情况。

我们还可以通过直方图来观察数据分布的大体形状，比如：数据分布是否对称，是右偏还是左偏等。

如果数据分布大体对称的话，图形会呈现出中间高，两边低，左右近似对称的特点，就像上图中间所示形状一样。

如果数据的 &#x4F17;&#x6570; < &#x4E2D;&#x4F4D;&#x6570; < &#x5E73;&#x5747;&#x6570;，那么分布大体就会呈现出右偏分布的情况，形状上类似上图左侧部分。

如果数据的 众数 > 中位数 > 平均数，那么分布大体就会呈现出左偏分布的情况，形状上类似上图右侧部分。

画直方图的函数：sns.displot(x, data, hue, kind=’hist’) 。

这里，借用一下泰坦尼克号乘客的数据。

sns.displot(x='乘客年龄', data=titanic_info, hue='乘客性别', kind='hist')

根据图形显示，蓝色代表男性，橙色代表女性，图形中的灰色部分是颜色重合造成的。总体来看，男乘客的数量是要高于女乘客的，尤其是在青壮年（20 岁-40 岁）群体中，这一差异非常明显。

直方图一般用来统计连续数据分组后，每个组对应的频数，可以从形状上判断数据分布的大体形状，比如：数据分布是否对称，是右偏还是左偏等。

核密度估计图：sns.displot(kind=’kde’)

经验累积分布图：sns.displot(kind=’ecdf’)

分类图 seaborn.catplot()

Seaborn 给 Categorical（分类）中安排了八种图：分布散点图、分簇散点图、箱型图、增强箱型图、小提琴图、点图、条形图和计数图，他们都可以用来表示定性数据中不同类别之间的关系。

箱型图又称盒须图、盒式图或箱线图，它可以反映一组数据的分布特点，如分布是否对称，是否存在异常值，但其更适合对多组数据（分类数据）的分布特征进行比较。

当一个数据集同时包含分类变量和连续变量时，箱形图可以提供连续变量随着分类变量改变而变化的信息。

它使用了 5 个关键数值对分布进行概括，即一组数据的 上相邻值、 下相邻值、 第一四分位数、 中位数和 第三四分位数。至于数据集中的 异常值，则会被绘制成单独的点。

当我们把一组数据按照从大到小的顺序排序后，需要关注几个特殊的数据：第一四分位数（Q1）、中位数（Median）和第三四分位数（Q3），即处在 25%、50% 和 75% 位置上的数据。箱子的上下边框，就是第三四分位数（Q3）和第一四分位数（Q1）。

Q3 与 Q1 的差称为四分位差或四分位距，用 IQR 表示。

我们可以根据 IQR 来计算出上下内围栏的范围，内围栏（inter fence）是指与 Q1 和 Q3 的距离等于1.5 倍 IQR 的两个点，其中Q1 – 1.5 _IQR 为下内围栏，Q3 + 1.5_IQR 为上内围栏。

上下内围栏一般不在箱线图中显示，但它们明确了数据的范围，在上下内围栏以外的数据，都是异常值。

去掉异常值后，找出上下内围栏之间的最大值和最小值，也就是图中所示的上相邻值和下相邻值。

通过观察箱型图，我们可以直观地了解到中位数，上相邻值和下相邻值这几个描述数据分布情况的关键值，也可以清晰地看到数据集中是否存在异常值。

如上图所示，假如中位数在箱子中间位置的话，就说明这些数据是对称分布的；箱子的长短也能体现分布情况，箱子较长意味着分布比较分散，若箱子很短，则数据分布得较为集中。

箱型图函数：sns.catplot(x, y, data, hue, order, kind=’box’)

sns.catplot(x = '价格', y = '类型', kind='box', data=chart_df)

在生成的图片中，配饰和鞋子的中位数较高，食品的中位数最低，一定程度上说明配饰和鞋子的花费较高，食品的花费最低。看得出来，在如何变美这件事上花的钱要比吃饭多出不少。

比较长的箱子是配饰，说明配饰的价格数据比较分散，原因可能是在买普通饰品的同时也买过较贵的高端饰品。

衣服、配饰和鞋子的中位数都近似在箱子的中间位置，看来这三类的价格分布较为对称。

我们还能在图片中发现，衣服、日用品和食品的价格中都存在离群点，衣服类型中有两个，日用品和食品类型各一个。

kind 的其他值还可以是：

• ‘strip’ 对应的分布散点图
• ‘swarm’ 对应的分簇散点图
• ‘violin’ 对应的小提琴图
• ‘boxen’ 对应的增强箱型图
• ‘point’ 对应的点图
• ‘bar’ 对应的条形图
• ‘count’ 对应的计数图

最后，安利一款 Visual Python 软件（Python 图形化软件），不需要敲代码，直接操作可视化界面，随意 DIY 这个窗口，软件会自动生成 DIY 后的界面代码，欢迎试用～

Original: https://blog.csdn.net/qq_41739364/article/details/118147975
Author: Debroon
Title: 数据可视化报告