數據可視化實用教程

做者|Soner Yıldırım
編譯|VK
來源|Towards Data Science

探索性數據分析（EDA）是數據科學或機器學習管道的重要組成部分。爲了使用數據建立一個健壯且有價值的產品，你須要研究數據，理解變量之間的關係，以及數據的底層結構。數據可視化是EDA中最有效的工具之一。

在這篇文章中，咱們將嘗試使用可視化功能來研究客戶流失數據集：https://www.kaggle.com/sonalidasgupta95/churn-prediction-of-bank-customers

咱們將建立許多不一樣的可視化效果，並嘗試在每個可視化中引入Matplotlib或Seaborn庫的一個特性。

咱們首先導入相關庫並將數據集讀入pandas數據幀。

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style='darkgrid')
%matplotlib inline

df = pd.read_csv("/content/Churn_Modelling.csv")

df.head()

該數據集包含10000個客戶（即行）和14個關於銀行客戶及其產品的特徵。這裏的目標是使用所提供的特徵來預測客戶是否會流失（即退出=1）。

讓咱們從catplot開始，這是Seaborn庫的一個分類圖。

sns.catplot(x='Gender', y='Age', data=df, hue='Exited', height=8, aspect=1.2)

研究發現：45到60歲的人比其餘年齡段的人更容易離職（即離開公司）。女性和男性之間沒有太大的差異。

hue參數用於根據類別變量區分數據點。

下一個可視化是散點圖，它顯示了兩個數值變量之間的關係。讓咱們看看客戶的工資和餘額是否相關。

plt.figure(figsize=(12,8))

plt.title("Estimated Salary vs Balance", fontsize=16)

sns.scatterplot(x='Balance', y='EstimatedSalary', data=df)

咱們第一次使用matplotlib.pyplot接口來建立Figure對象並設置標題。而後，咱們用Seaborn在這個圖形對象上畫出了實際的圖表。

研究結果：估計工資與餘額之間不存在有意義的關係或相關性。餘額彷佛具備正態分佈（不包括餘額爲零的客戶）。

下一個可視化是箱線圖，它顯示了一個變量在中位數和四分位數上的分佈。

plt.figure(figsize=(12,8))

ax = sns.boxplot(x='Geography', y='Age', data=df)

ax.set_xlabel("Country", fontsize=16)
ax.set_ylabel("Age", fontsize=16)

咱們還使用set_xlabel和set_ylabel調整了x和y軸的字體大小。

如下是箱線圖：

中值是全部點排序時中間的點。Q1（第一個或下四分位數）是數據集下半部分的中值。Q3（第三或上四分位數）是數據集上半部分的中值。

所以，箱線圖爲咱們提供了關於分佈和異常值的概念。在咱們建立的箱線圖中，頂部有許多異常值（用點表示）。

發現：年齡變量的分佈是右偏的。因爲上側的異常值，平均值大於中值。

在變量的單變量分佈中能夠觀察到右偏態。讓咱們建立一個distplot來觀察分佈。

plt.figure(figsize=(12,8))

plt.title("Distribution of Age", fontsize=16)

sns.distplot(df['Age'], hist=False)

右邊的尾巴比左邊的重。緣由是咱們在箱線圖上觀察到的異常值。

distplot在默認狀況下也提供了一個直方圖，可是咱們使用hist參數更改了它。

Seaborn庫還提供了不一樣類型的pair圖，這些圖提供了變量之間成對關係的概述。讓咱們先從數據集中隨機抽取一個樣本，使曲線圖更具吸引力。原始數據集有10000個觀測值，咱們將選取一個包含100個觀測值和4個特徵的樣本。

subset=df[['CreditScore','Age','Balance','EstimatedSalary']].sample(n=100)

g = sns.pairplot(subset, height=2.5)

在對角線上，咱們能夠看到變量的直方圖。網格的另外一部分表示變量與變量之間的關係。

另外一個觀察成對關係的工具是熱圖，它採用矩陣並生成彩色編碼圖。熱圖主要用於檢查特徵和目標變量之間的相關性。

讓咱們首先使用pandas的corr函數建立一些特徵的相關矩陣。

corr_matrix = df[['CreditScore','Age','Tenure','Balance',
'EstimatedSalary','Exited']].corr()

咱們如今能夠繪製這個矩陣。

plt.figure(figsize=(12,8))

sns.heatmap(corr_matrix, cmap='Blues_r', annot=True)

發現：「年齡」和「餘額」列與客戶流失呈正相關。

---

隨着數據量的增長，分析和探索數據變得愈來愈困難。可視化是探索性數據分析中的一個重要工具，當它被有效和恰當地使用時，它就有了強大的力量。可視化也有助於向你的聽衆傳達信息或告訴他們你的發現。

沒有一種適合全部類型的可視化方法，所以某些任務須要不一樣類型的可視化。根據任務的不一樣，不一樣的選擇可能更合適。全部可視化都有一個共同點，那就是它們是探索性數據分析和數據科學中講故事部分的好工具。

原文連接：https://towardsdatascience.com/a-practical-guide-for-data-visualization-9f1a87c0a4c2

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方文檔：
http://sklearn123.com/

歡迎關注磐創博客資源彙總站：
http://docs.panchuang.net/