大家好

我早期入門數據分析的時候曾對數據可視化比較癡迷，積累了很多文檔、代碼、圖例，最近花了點時間重新整理了一遍。發(fā)現之前還真是寫了很多東西，現在看來都是極簡單和入門，有點不值一提。

但不知道有沒有剛入門的同學恰好需要，先看下主要內容吧：

• 基礎的散點圖、折線圖、柱狀圖、直方圖、餅圖、箱線圖
• 配合實例的探索性數據分析常用圖表
• 漏斗圖、詞云圖、動態(tài)排序圖、R風格圖、交互式圖、南丁格爾玫瑰圖、缺失值矩陣圖、漫畫風格圖、桑吉圖、和弦圖、餅樹圖
• 也有一些圖沒有寫文檔，只保留了代碼，比如氣泡圖、山巒疊嶂圖、甘特圖、極坐標圖
• 中間也涉及Matplotlib、Seaborn、Bokeh、plotly、Chartify等繪圖庫的入門

配套的數據集、代碼、文檔和示例圖很完整（付費讀者文末可下載），2萬余字，100余張示例圖。

定價29元，感興趣的同學支持一波吧。

想白嫖的同學，可以在本公眾號挨個搜索關鍵詞，其實大部分都有寫過免費文章，只是沒有本文整理的完善，代碼可能也不完整，不影響學習。

正文：

探索性數據分析常用圖表

探索性數據分析（EDA）階段為機器學習項目中至關重要的環(huán)節(jié)，我們以廣告渠道對銷量的影響數據集為例，即電視廣告(TV)，報紙廣告(Newspaper)，和廣播廣告(Radio)對于產品銷量的影響。一個公司同時通過這三種廣告媒介進行宣傳，在不同的廣告預算下，產品銷量也不同。我們希望通過數據分析了解不同的廣告渠道對銷量有什么影響，并最大化廣告對于銷量的增益。本節(jié)，我們用可視化的方式，對數據集做個探索性數據分析。

導入庫&數據

# -*- coding: utf-8 -*-
# 導入庫

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

# 導入數據

df=pd.read_csv('..\Advertising.csv')

數據分布

先看一下數據分布情況

df.hist(xlabelsize=10,ylabelsize=10,figsize=(16,12))

箱形圖

箱形圖（Box-plot）又稱為盒須圖、盒式圖或箱線圖，是一種用作顯示一組數據分散情況資料的統計圖。它主要用于反映原始數據分布的特征，還可以進行多組數據分布特征的比 較。箱線圖的繪制方法是：先找出一組數據的上邊緣、下邊緣、中位數和兩個四分位數；然后， 連接兩個四分位數畫出箱體；再將上邊緣和下邊緣與箱體相連接，中位數在箱體中間。

四分位距(IQR)就是上四分位與下四分位的差值。而我們通過IQR的1.5倍為標準，規(guī)定：超過（上四分位+1.5倍IQR距離，或者下四分位-1.5倍IQR距離）的點為異常值。

plt.subplots(figsize=(15,10)) sns.boxplot(data=df)

可以看出newspaper是存在異常值，異常值處理可以用missinggo處理，之后會講，這里就不講了。

矩陣圖

矩陣圖法就是從多維問題的事件中，找出成對的因素，排列成矩陣圖，然后根據矩陣圖來分析問題，確定關鍵點的方法。它是一種通過多因素綜合思考，探索問題的好方法。從問題事項中找出成對的因素群，分別排列成行和列，找出其中行與列的相關性或相關程度大小的一種方法。

sns.pairplot(df, kind="reg")

相關圖

相關圖是研究相關關系的直觀工具。一般在進行詳細的定量分析之前，可利用相關圖對現象之間存在的相關關系的方向、形式和密切程度進行大致的判斷。變量之間的相關關系可以簡單分為四種表現形式，分別有：正線性相關、負線性相關、非線性相關和不相關，從圖形上各點的分散程度即可判斷兩變量間關系的密切程度。

plt.subplots(figsize=(15,10))
sns.heatmap(df.corr(), xticklabels=df.corr().columns, yticklabels=df.corr().columns, cmap='RdYlGn', center=0, annot=True)

帶線性回歸最佳擬合線的散點圖

如果你想了解兩個變量如何相互改變，那么最佳擬合線就是常用的方法。我在圖中還加入了 沿 X 和 Y 軸變量的邊緣直方圖，用于可視化 X 和 Y 之間的關系以及單獨的 X 和 Y 的單變量分布。

g_TV = sns.jointplot("TV", "sales", data=df,

kind="reg", truncate=False,

color="m", height=7)

g_radio = sns.jointplot("radio", "sales", data=df,

kind="reg", truncate=False,

color="m", height=7)

g_newspaper = sns.jointplot("newspaper", "sales", data=df,

kind="reg", truncate=False,

color="m", height=7)

重溫探索性數據分析

探索性數據分析是進行建模分析之前的相當關鍵的步驟，它是幫助大家熟悉數據并且探索數據的過程。在EDA的過程中，你能探索到越多的數據特性，在建模的過程中就越高效。

我們以UCI機器學習庫中「銀行營銷數據集」為例，根據相關的信息預測通過電話推銷，用戶是否會在銀行進行存款。我們用可視化的方式，認識一下幾個重要特征。

數值型的特征可以用箱型圖查看其分布情況，這樣也可以查找異常值。

概率密度圖也是不錯的選擇

分類型數據的分布情況探查主要是查看各個分類值出現的頻次及趨勢，可以用柱狀圖直觀展示。

如果要同時觀察多個變量之間的相互關系，比較常用的就是seaborn中的pairplot方法。

想要具體查看多個聯系性特征之間的相關系數，heatmap是個不錯的選擇。

特征深入研究

這一部分我使用了員工離職數據集，數據主要包括影響員工離職的各種因素（工資、績效、工作滿意度、參加項目數、工作時長、是否升職等）以及員工是否已經離職的對應記錄。我們需要分析這14999個樣本以及10個特征, 通過現有員工已經是否離職的數據, 尋找員工離職原因。

大家可以猜一下，以下幾個特征的可視化是用什么方法實現的？

數據特征分析：對公司的滿意度

數據特征分析：最新考核評估

數據特征分析：工作年限、每月平均工作時長

數據特征分析：工作事故、五年內是否升職、工資水平

數據變換、數據標準化、特征離散

數據可視化還可以用于觀察數據變換的前后對比，這里我依然使用員工離職數據集。

• 數據log變換的可視化

• 數據標準化的可視化

• 特征離散化的可視化

matplotlib、seaborn、pyecharts、Altair分別繪制柱狀圖。

導入庫&數據

# 引入模塊
import numpy as np
import pandas as pd
import altair as alt

import plotly.express as px
import matplotlib.pyplot as plt

## 導入數據
path=r"...\datasets\海外疫情數據.csv"
df = pd.read_csv(path,encoding='utf-8',header=0)
plt.rcParams['font.sans-serif']=['SimHei']  #用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus'] = False  #用來正常顯負數

我們使用的是海外國家新冠肺炎疫情數據，包括了現存確診、累計確診、治愈、死亡數據。

matplotlib

Matplotlib就不用多介紹了，使用最頻繁的Python可視化庫庫。

fig, ax = plt.subplots(figsize=(14,8))
ax.barh( df.國家,df.現存確診,label="現存確診", color='red')
ax.barh( df.國家,df.治愈,label="治愈", color='orange')
ax.barh( df.國家,df.死亡,label="死亡", color='lightgreen')
plt.legend(loc="upper right") 

Seaborn

Seaborn利用matplotlib的強大功能，可以只用幾行代碼就創(chuàng)建漂亮的圖表。關鍵區(qū)別在于Seaborn的默認款式和調色板設計更加美觀和現代。由于Seaborn是在matplotlib之上構建的，因此還需要了解matplotlib以便調整Seaborn的默認值。

plt.figure(figsize=(14,8))
ax = sns.barplot(x="現存確診", y="國家", data=df)

pyecharts

pyecharts 是一個用于生成 Echarts 圖表的類庫。Echarts 是百度開源的一個數據可視化 JS 庫。用 Echarts 生成的圖可視化效果非常棒。

Altair

Altair是一個基于 Vega-lite 的聲明性統計（declarative statistical）可視化python庫。聲明意味著只需要提供數據列與編碼通道之間的鏈接，例如x軸，y軸，顏色等，其余的繪圖細節(jié)它會自動處理。聲明使Altair變得簡單，友好和一致。使用Altair可以輕松設計出有效且美觀的可視化代碼。

普通散點圖

散點圖是用于研究兩個變量之間關系的經典的和基本的圖表。 如果數據中有多個組，則可能需要以不同顏色可視化每個組。

今天我們畫普通散點圖、邊際分布線性回歸散點圖、散點圖矩陣、帶線性回歸最佳擬合線的散點圖。

在 matplotlib 中，可以使用 plt.scatterplot（） 方便地執(zhí)行此操作。

import matplotlib.pyplot as plt

import numpy as np

N = 10

x = np.random.rand(N)

y = np.random.rand(N)

plt.scatter(x, y)

plt.show()

matplotlib散點圖升級版

散點的大小、形狀、顏色和透明度都是可以修改的，來看一個升級版。

import numpy as np

import matplotlib.pyplot as plt

# Fixing random state for reproducibility

np.random.seed(19680801)

N = 50

x = np.random.rand(N)

y = np.random.rand(N)

colors = np.random.rand(N)

area = (30 * np.random.rand(N))**2 # 0 to 15 point radii

plt.scatter(x, y, s=area, c=colors, alpha=0.5)

plt.show()

Seaborn散點圖 + 分布圖

#創(chuàng)建數據
rs = np.random.RandomState(2)

df = pd.DataFrame(rs.randn(200,2), columns = ['A','B'])

sns.jointplot(x=df['A'], y=df['B'], #設置xy軸，顯示columns名稱

data = df, #設置數據

color = 'b', #設置顏色

s = 50, edgecolor = 'w', linewidth = 1,#設置散點大小、邊緣顏色及寬度(只針對scatter)

stat_func=sci.pearsonr,

kind = 'scatter',#設置類型：'scatter','reg','resid','kde','hex'

#stat_func=<function pearsonr>,

space = 0.1, #設置散點圖和布局圖的間距

size = 8, #圖表大小(自動調整為正方形))

ratio = 5, #散點圖與布局圖高度比，整型

marginal_kws = dict(bins=15, rug =True), #設置柱狀圖箱數，是否設置rug

)

帶線性回歸最佳擬合線的散點圖

如果你想了解兩個變量如何相互改變，那么最佳擬合線就是常用的方法。 下圖顯示了數據中各組之間最佳擬合線的差異。 要禁用分組并僅為整個數據集繪制一條最佳擬合線，

import seaborn as sns

sns.set(style="darkgrid")

tips = sns.load_dataset("tips")

g = sns.jointplot("total_bill", "tip", data=tips,

kind="reg", truncate=False,

xlim=(0, 60), ylim=(0, 12),

color="m", height=7)

矩陣散點圖 - pairplot()

#設置風格

sns.set_style('white')

#讀取數據

iris = sns.load_dataset('iris')

print(iris.head())

sns.pairplot(iris,

kind = 'scatter', #散點圖/回歸分布圖{'scatter', 'reg'})

diag_kind = 'hist', #直方圖/密度圖{'hist'， 'kde'}

hue = 'species', #按照某一字段進行分類

palette = 'husl', #設置調色板

markers = ['o', 's', 'D'], #設置不同系列的點樣式（這里根據參考分類個數）

size = 2 #圖標大小)