首页
技术小册
AIGC
面试刷题
技术文章
MAGENTO
云计算
视频课程
源码下载
PDF书籍
「涨薪秘籍」
登录
注册
Python数据可视化
离散型变量的可视化
数值型变量的可视化
关系型数据的可视化
多个图形的合并
线性回归预测模型
一元线性回归模型
多元线性回归模型
回归模型的假设检验
岭回归与LASSO回归模型
岭回归模型
岭回归模型的应用
LASSO回归模型
LASSO回归模型的应用
Logistic回归分类模型
Logistic模型的构建
分类模型的评估方法
Logistic回归模型的应用
决策树与随机森林
节点字段的选择
决策树的剪枝
随机森林
KNN模型的应用
KNN算法的思想
最佳k值的选择
相似度的度量方法
当前位置:
首页>>
技术小册>>
Python数据分析与挖掘实战(下)
小册名称：Python数据分析与挖掘实战(下)
很多时候，我们拿到手的数据都包含大量的数值型变量，在对数值型变量进行探索和分析时，一般都会应用到可视化方法。而本节的重点就是介绍如何使用Python实现数值型变量的可视化，通过本节内容的学习，读者将会掌握如何使用matplotlib模块、pandas模块和seaborn模块绘制直方图、核密度图、箱线图、小提琴图、折线图以及面积图。 6.2.1 直方图与核密度曲线 直方图一般用来观察数据的分布形态，横坐标代表数值的均匀分段，纵坐标代表每个段内的观测数量（频数）。一般直方图都会与核密度图搭配使用，目的是更加清晰地掌握数据的分布特征，下面将详细介绍该类型图形的绘制。 1．matplotlib模块 ```python plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False) ```  这里不妨以Titanic数据集为例绘制乘客的年龄直方图，具体代码如下：   如图6-14所示，就是关于乘客年龄的直方图分布。需要注意的是，如果原始数据集中存在缺失值，一定要对缺失观测进行删除或替换，否则无法绘制成功。如果在直方图的基础上再添加核密度图，通过matplotlib模块就比较吃力了，因为首先得计算出每一个年龄对应的核密度值。为了简单起见，下面利用pandas模块中的plot方法将直方图和核密度图绘制到一起。 2．pandas模块   如图6-15所示，Python的核心代码就两行，分别是利用plot方法绘制直方图和核密度图。需要注意的是，在直方图的基础上添加核密度图，必须将直方图的频数更改为频率，即normed参数设置为True。 3．seaborn模块 尽管这幅图满足了两种图形的合成，但其表达的是所有乘客的年龄分布，如果按性别分组，研究不同性别下年龄分布的差异，该如何实现？针对这个问题，使用matplotlib模块或pandas模块都会稍微复杂一些，推荐使用seaborn模块中的distplot函数，因为该函数的代码简洁而易懂。关于该函数的语法和参数含义如下： ```python sns.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None) ```  从函数的参数可知，通过该函数，可以实现三种图形的合成，分别是直方图（hist参数）、核密度曲线（kde参数）以及指定的理论分布密度曲线（fit参数）。接下来，针对如上介绍的distplot函数，绘制不同性别下乘客的年龄分布图，具体代码如下：   如图6-16所示，为了避免四个图形混在一起不易发现数据背后的特征，将直方图与核密度图分开绘制。从直方图来看，女性年龄的分布明显比男性矮，说明在各年龄段下，男性乘客要比女性乘客多；再看核密度图，男女性别的年龄分布趋势比较接近，说明各年龄段下的男女乘客人数同步增加或减少。 6.2.2 箱线图 箱线图是另一种体现数据分布的图形，通过该图可以得知数据的下须值（Q1-1.5IQR）、下四分位数（Q1）、中位数（Q2）、均值、上四分位（Q3）数和上须值（Q3+1.5IQR），更重要的是，箱线图还可以发现数据中的异常点。箱线图的绘制仍然可以通过matplotlib模块、pandas模块和seaborn模块完成，下面将一一介绍各模块绘制条形图的过程。 1．matplotlib模块 首先介绍一下matplotlib模块中绘制箱线图的boxplot函数，有关该函数的语法和参数含义如下： ```python plt.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None) ```  为读者方便理解boxplot函数的用法，这里以某平台二手房数据为例，运用箱线图探究其二手房单价的分布情况，具体代码如下：   如图6-17所示，图中的上下两条横线代表上下须、箱体的上下两条横线代表上下四分位数、箱体中的虚线代表中位数、箱体中的点则为均值、上下须两端的点代表异常值。通过图中均值和中位数的对比就可以得知数据微微右偏（判断标准：如果数据近似正态分布，则众数＝中位数=均值；如果数据右偏，则众数<中位数<均值；如果数值左偏，则众数>中位数>均值）。 如上绘制的是二手房整体单价的箱线图，这样的箱线图可能并不常见，更多的是分组箱线图，即二手房的单价按照其他分组变量（如行政区域、楼层、朝向等）进行对比分析。下面继续使用matplotlib模块对二手房的单价绘制分组箱线图，代码如下：   应用matplotlib模块绘制如上所示的分组箱线图会相对烦琐一些，由于boxplot函数每次只能绘制一个箱线图，为了能够实现多个箱线图的绘制，对数据稍微做了一些变动，即将每个行政区域下的二手房单价汇总到一个列表中，然后基于这个大列表应用boxplot函数。在绘图过程中，首先做了一个“手脚”，那就是统计各行政区域二手房的平均单价，并降序排序，这样做的目的就是让分组箱线图能够降序呈现。 虽然pandas模块中的plot方法可以绘制分组箱线图，但是该方法是基于数据框执行的，并且数据框的每一列对应一个箱线图。对于二手房数据集来说，应用plot方法绘制分组箱线图不太合适，因为每一个行政区的二手房数量不一致，将导致无法重构一个新的数据框用于绘图。 2．seaborn模块 如果读者觉得matplotlib模块绘制分组箱线图比较麻烦，可以使用seaborn模块中的boxplot函数。下面不妨先了解一下该函数的参数含义： ```python sns.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs) ```  这里仍以上海二手房数据为例，应用seaborn模块中的boxplot函数绘制分组箱线图，详细代码如下：  通过如上代码，同样可以得到完全一致的分组箱线图。这里建议读者不要直接学习和使用pandas模块和seaborn模块绘制统计图形，而是先把matplotlib模块摸透，因为Python的核心绘图模块是matplotlib。 6.2.3 小提琴图 小提琴图是比较有意思的统计图形，它将数值型数据的核密度图与箱线图融合在一起，进而得到一个形似小提琴的图形。尽管matplotlib模块也提供了绘制小提琴图的函数violinplot，但是绘制出来的图形中并不包含一个完整的箱线图，所以本节将直接使用seaborn模块中的violinplot函数绘制小提琴图。首先，带领读者了解一下有关violinplot函数的语法和参数含义： ```python sns.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None, linewidth=None, color=None, palette=None, saturation=0.75, ax=None) ```  接下来，以酒吧的消费数据为例（数据包含客户的消费金额、消费时间、打赏金额、客户性别、是否抽烟等字段），利用如上介绍的函数绘制分组小提琴图，以帮助读者进一步了解参数的含义，绘图代码如下：   如图6-19所示，得到了分组的小提琴图，读者会发现，小提琴图的左右两边并不对称，是因为同时使用了hue参数和split参数，两边的核密度图代表了不同性别客户的消费额分布。从这张图中，一共可以反映四个维度的信息，y轴表示客户的消费额、x轴表示客户的消费时间、颜色图例表示客户的性别、左右核密度图的宽度代表了样本量。以周五和周六两天为例，周五的男女客户数量差异不大，而周六男性客户要比女性客户多得多，那是因为右半边的核密度图更宽一些。 6.2.4 折线图 对于时间序列数据而言，一般都会使用折线图反映数据背后的趋势。通常折线图的横坐标指代日期数据，纵坐标代表某个数值型变量，当然还可以使用第三个离散变量对折线图进行分组处理。接下来仅使用Python中的matplotlib模块和pandas模块实现折线图的绘制。尽管seaborn模块中的tsplot函数也可以绘制时间序列的折线图，但是该函数非常不合理，故不在本节中介绍。 1．matplotlib模块 折线图的绘制可以使用matplotlib模块中的plot函数实现。关于该函数的语法和参数含义如下： ```python plt.plot(x, y, linestyle, linewidth, color, marker, markersize, markeredgecolor, markerfactcolor, markeredgewidth, label, alpha) ```  为了进一步理解plot函数中的参数含义，这里以某微信公众号的阅读人数和阅读人次为例（数据包含日期、人数和人次三个字段），绘制2017年第四季度微信文章阅读人数的折线图，代码如下：   如图6-20所示，在绘制折线图的同时，也添加了每个数据对应的圆点。读者可能会注意到，代码中折线类型和点类型分别用一个减号-（代表实线）和字母o（代表空心圆点）表示。是否还有其他的表示方法？这里将常用的线型和点型汇总到表6-1和表6-2中。  虽然上面的图形可以反映有关微信文章阅读人数的波动趋势，但是为了进一步改进这个折线图，还需要解决两个问题： 如何将微信文章的阅读人数和阅读人次同时呈现在图中。 对于x轴的刻度标签，是否可以只保留月份和日期，并且以7天作为间隔。   如图6-21所示，恰到好处地解决了之前提出的两个问题。上面的绘图代码可以分解为两个核心部分： 运用两次plot函数分别绘制阅读人数和阅读人次的折线图，最终通过plt.show()将两条折线呈现在一张图中。 日期型轴刻度的设置，ax变量用来获取原始状态的轴属性，然后基于ax对象修改刻度的显示方式，一个是仅包含月日的格式，另一个是每7天作为一个间隔。 2．pandas模块 如果使用pandas模块绘制折线图，调用的仍然是plot方法，接下来以2015—2017年上海每天的最高气温数据为例，绘制每月平均最高气温的三条折线图，具体代码如下：   如图6-22所示，图中表示的是各年份中每月平均最高气温的走势，虽然绘图的核心部分（plot过程）很简单，但是前提需要将原始数据集转换成可以绘制多条折线图的格式，即构成三条折线图的数据分别为数据框的三个字段。为了构造特定需求的数据集，使用了数据框的pivot_table方法，形成一张满足条件的透视表。图6-23所示就是数据集转换的前后对比。 
上一篇：
离散型变量的可视化
下一篇：
关系型数据的可视化
该分类下的相关小册推荐：
Python合辑3-字符串用法深度总结
Python机器学习实战
Python编程轻松进阶(四)
Python编程轻松进阶(三)
机器学习算法原理与实战
Python高性能编程与实战
Python合辑4-130个字符串操作示例
Python合辑1-Python语言基础
Python甚础Django与爬虫
Python与办公-玩转Excel
Python编程轻松进阶(五)
Python合辑11-闭包函数
