5種快速易用的Python Matplotlib數據可視化方法

時間 2019-11-15

標籤快速易用 python matplotlib 數據可視化方法欄目 Python 简体版

原文原文鏈接

文章選自towardsdatascience，做者：George Seif，機器之心編譯。數據可視化是數據科學家工做的重要部分。在項目的早期階段，咱們一般須要進行探索性數據分析來得到對數據的洞察。經過數據可視化可讓該過程變得更加清晰易懂，尤爲是在處理大規模、高維度數據集時。在本文中，咱們介紹了最基本的 5 種數據可視化圖表，在展現了它們的優劣點後，咱們還提供了繪製對應圖表的 Matplotlib 代碼。

Matplotlib 是一個很流行的 Python 庫，能夠幫助你快速方便地構建數據可視化圖表。然而，每次啓動一個新項目時都須要從新設置數據、參數、圖形和繪圖方式是很是枯燥無聊的。本文將介紹 5 種數據可視化方法，並用 Python 和 Matplotlib 寫一些快速易用的可視化函數。下圖展現了選擇正確可視化方法的導向圖。
python

選擇正確可視化方法的導向圖。

散點圖

因爲能夠直接看到原始數據的分佈，散點圖對於展現兩個變量之間的關係很是有用。你還能夠經過用顏色將數據分組來觀察不一樣組數據之間的關係，以下圖所示。你還能夠添加另外一個參數，如數據點的半徑來編碼第三個變量，從而可視化三個變量之間的關係，以下方第二個圖所示。bash

用顏色分組的散點圖

用顏色分組的散點圖，點半徑做爲第三個變量表示國家規模

接下來是代碼部分。咱們首先將 Matplotlib 的 pyplot 導入爲 plt，並調用函數 plt.subplots() 來建立新的圖。咱們將 x 軸和 y 軸的數據傳遞給該函數，而後將其傳遞給 ax.scatter() 來畫出散點圖。咱們還能夠設置點半徑、點顏色和 alpha 透明度，甚至將 y 軸設置爲對數尺寸，最後爲圖指定標題和座標軸標籤。服務器

import matplotlib.pyplot as plt
import numpy as np

def 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)
複製代碼

線圖

當一個變量隨另外一個變量的變化而變化的幅度很大時，即它們有很高的協方差時，線圖很是好用。以下圖所示，咱們能夠看到，全部專業課程的相對百分數隨年代的變化的幅度都很大。用散點圖來畫這些數據將變得很是雜亂無章，而難以看清其本質。線圖很是適合這種狀況，由於它能夠快速地總結出兩個變量的協方差。在這裏，咱們也能夠用顏色將數據分組。app

線圖示例

如下是線圖的實現代碼，和散點圖的代碼結構很類似，只在變量設置上有少量變化。ide

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)
複製代碼

直方圖

直方圖對於觀察或真正瞭解數據點的分佈十分有用。如下爲咱們繪製的頻率與 IQ 的直方圖，咱們能夠直觀地瞭解分佈的集中度（方差）與中位數，也能夠了解到該分佈的形狀近似服從於高斯分佈。使用這種柱形（而不是散點圖等）能夠清楚地可視化每個箱體（X 軸的一個等距區間）間頻率的變化。使用箱體（離散化）確實能幫助咱們觀察到「更完整的圖像」，由於使用全部數據點而不採用離散化會觀察不到近似的數據分佈，可能在可視化中存在許多噪聲，使其只能近似地而不能描述真正的數據分佈。函數

直方圖案例

下面展現了 Matplotlib 中繪製直方圖的代碼。這裏有兩個步驟須要注意，首先，n_bins 參數控制直方圖的箱體數量或離散化程度。更多的箱體或柱體能給咱們提供更多的信息，但一樣也會引入噪聲並使咱們觀察到的全局分佈圖像變得不太規則。而更少的箱體將給咱們更多的全局信息，咱們能夠在缺乏細節信息的狀況下觀察到總體分佈的形狀。其次，cumulative 參數是一個布爾值，它容許咱們選擇直方圖是否是累積的，即選擇機率密度函數（PDF）或累積密度函數（CDF）。ui

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)
複製代碼

若是咱們但願比較數據中兩個變量的分佈，有人可能會認爲咱們須要製做兩個獨立的直方圖，並將它們拼接在一塊兒而進行比較。但實際上 Matplotlib 有更好的方法，咱們能夠用不一樣的透明度疊加多個直方圖。以下圖所示，均勻分佈設置透明度爲 0.5，所以咱們就能將其疊加在高斯分佈上，這容許用戶在同一圖表上繪製並比較兩個分佈。
編碼

疊加直方圖

在疊加直方圖的代碼中，咱們須要注意幾個問題。首先，咱們設定的水平區間要同時知足兩個變量的分佈。根據水平區間的範圍和箱體數，咱們能夠計算每一個箱體的寬度。其次，咱們在一個圖表上繪製兩個直方圖，須要保證一個直方圖存在更大的透明度。spa

# Overlay 2 histograms to compare them
def 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')
複製代碼

條形圖

當對類別數不多（<10）的分類數據進行可視化時，條形圖是最有效的。當類別數太多時，條形圖將變得很雜亂，難以理解。你能夠基於條形的數量觀察不一樣類別之間的區別，不一樣的類別能夠輕易地分離以及用顏色分組。咱們將介紹三種類型的條形圖：常規、分組和堆疊條形圖。3d

常規條形圖如圖 1 所示。在 barplot() 函數中，x_data 表示 x 軸上的不一樣類別，y_data 表示 y 軸上的條形高度。偏差條形是額外添加在每一個條形中心上的線，可用於表示標準差。

常規條形圖

分組條形圖容許咱們比較多個類別變量。以下圖所示，咱們第一個變量會隨不一樣的分組（G一、G2 等）而變化，咱們在每一組上比較不一樣的性別。正如代碼所示，y_data_list 變量如今其實是一組列表，其中每一個子列表表明了一個不一樣的組。而後咱們循環地遍歷每個組，並在 X 軸上繪製柱體和對應的值，每個分組的不一樣類別將使用不一樣的顏色表示。

分組條形圖

堆疊條形圖很是適合於可視化不一樣變量的分類構成。在下面的堆疊條形圖中，咱們比較了工做日的服務器負載。經過使用不一樣顏色的方塊堆疊在同一條形圖上，咱們能夠輕鬆查看並瞭解哪臺服務器天天的工做效率最高，和同一服務器在不一樣天數的負載大小。繪製該圖的代碼與分組條形圖有相同的風格，咱們循環地遍歷每一組，但咱們此次在舊的柱體之上而不是旁邊繪製新的柱體。

堆疊條形圖

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')
複製代碼

箱線圖

上述的直方圖對於可視化變量分佈很是有用，但當咱們須要更多信息時，怎麼辦？咱們可能須要清晰地可視化標準差，也可能出現中位數和平均值差值很大的狀況（有不少異常值），所以須要更細緻的信息。還可能出現數據分佈很是不均勻的狀況等等。

箱線圖能夠給咱們以上須要的全部信息。實線箱的底部表示第一個四分位數，頂部表示第三個四分位數，箱內的線表示第二個四分位數（中位數）。虛線表示數據的分佈範圍。

因爲箱線圖是對單個變量的可視化，其設置很簡單。x_data 是變量的列表。Matplotlib 函數 boxplot() 爲 y_data 的每一列或 y_data 序列中的每一個向量繪製一個箱線圖，所以 x_data 中的每一個值對應 y_data 中的一列/一個向量。

箱線圖示例

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)
複製代碼