【Python】改進(jìn)探索性數(shù)據(jù)分析的實(shí)用技巧!

譯者：張峰，Datawhale成員

讓 EDA 更簡(jiǎn)單（更美觀）的實(shí)用指南！

原文鏈接：https://towardsdatascience.com/practical-tips-for-improving-exploratory-data-analysis-1c43b3484577

介紹

探索性數(shù)據(jù)分析（EDA）是使用任何機(jī)器學(xué)習(xí)模型前的必經(jīng)步驟。EDA 過(guò)程需要數(shù)據(jù)分析師和數(shù)據(jù)科學(xué)家的專注和耐心：在從分析數(shù)據(jù)中獲得有意義的見(jiàn)解之前，通常需要花費(fèi)大量時(shí)間主動(dòng)使用一個(gè)或多個(gè)可視化庫(kù)。

在本篇文章中，我將根據(jù)個(gè)人經(jīng)驗(yàn)與大家分享一些如何簡(jiǎn)化 EDA 程序并使其更便捷的技巧。特別是，我將向大家介紹在與 EDA 作“死磕”的過(guò)程中學(xué)到的三條重要技巧：

1.使用最適合你的任務(wù)的非平凡圖表；

2.充分利用可視化庫(kù)的功能；

3.尋找制作相同內(nèi)容的更快方法。

注：在本篇文章中，我們將使用 Kaggle [2] 提供的風(fēng)能數(shù)據(jù)制作信息圖表。讓我們開(kāi)始吧！

技巧1：不要害怕使用非平凡圖表

我在撰寫(xiě)與風(fēng)能分析和預(yù)測(cè)相關(guān)的研究論文[1]時(shí)，學(xué)會(huì)了如何應(yīng)用這一技巧。在為這個(gè)項(xiàng)目做 EDA 時(shí)，我需要?jiǎng)?chuàng)建一個(gè)匯總矩陣來(lái)反映風(fēng)能參數(shù)之間的所有關(guān)系，以便找出哪些參數(shù)對(duì)彼此的影響最大。我腦海中浮現(xiàn)的第一個(gè)想法是建立一個(gè) “老式” 相關(guān)矩陣，我曾在許多數(shù)據(jù)科學(xué)/數(shù)據(jù)分析項(xiàng)目中看到過(guò)這種矩陣。

眾所周知，相關(guān)矩陣用于量化和總結(jié)變量之間的線性關(guān)系。在下面的代碼片段中，對(duì)風(fēng)能數(shù)據(jù)的特征列使用了 corrcoef 函數(shù)。在這里，我還應(yīng)用了 Seaborn 的熱圖函數(shù)，將相關(guān)矩陣陣列繪制成熱力圖：

      
      import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)
cols = ['P', 'Ws', 'Power_curve', 'Wa']

# 建立矩陣
correlation_matrix = np.corrcoef(data[cols].values.T)
hm = sns.heatmap(correlation_matrix,
                 cbar=True, annot=True, square=True, fmt='.3f',
                 annot_kws={'size': 15},
                 cmap='Blues',
                 yticklabels=['P', 'Ws', 'Power_curve', 'Wa'],
                 xticklabels=['P', 'Ws', 'Power_curve', 'Wa'])

# 保存圖表
plt.savefig('image.png', dpi=600, bbox_inches='tight')
plt.show()

    

圖1 建立的相關(guān)矩陣示例

通過(guò)對(duì)圖表結(jié)果的分析，我們可以得出結(jié)論：風(fēng)速和有效功率具有很強(qiáng)的相關(guān)性，但我想很多人都會(huì)同意我的觀點(diǎn)，即在使用這種可視化方法時(shí)，這并不是一種解釋結(jié)果的簡(jiǎn)單方法，因?yàn)檫@里我們只有數(shù)字。

散點(diǎn)圖矩陣是相關(guān)矩陣的一個(gè)很好的替代品，它可以讓你在一個(gè)地方直觀地看到數(shù)據(jù)集不同特征之間的成對(duì)相關(guān)性。在這種情況下，應(yīng)使用 sns.pairplot：

      
      import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)
cols = ['P', 'Ws', 'Power_curve', 'Wa']

# 建立矩陣
sns.pairplot(data[cols], height=2.5)
plt.tight_layout()

# 保存圖表
plt.savefig('image2.png', dpi=600, bbox_inches='tight')
plt.show()

    

圖2 散點(diǎn)圖矩陣示例

通過(guò)觀察散點(diǎn)圖矩陣，我們可以快速目測(cè)數(shù)據(jù)的分布情況以及是否包含異常值。不過(guò)，這種圖表的主要缺點(diǎn)是，由于采用成對(duì)方式繪制數(shù)據(jù)，會(huì)出現(xiàn)重復(fù)數(shù)據(jù)。

最后，我決定將上述圖表合二為一，其中左下部分將包含所選參數(shù)的散點(diǎn)圖，右上部分將包含不同大小和顏色的氣泡：圓圈越大，表示所研究參數(shù)的線性相關(guān)性越強(qiáng)。矩陣的對(duì)角線將顯示每個(gè)特征的分布情況：這里的窄峰值表示該特定參數(shù)變化不大，而其他特征會(huì)發(fā)生變化。

構(gòu)建匯總表的代碼如下。這里的地圖由三個(gè)部分組成：fig.map_lower、fig.map_diag 和 fig.map_upper：

      
      import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)
cols = ['P', 'Ws', 'Power_curve', 'Wa']

# 建立矩陣
def correlation_dots(*args, **kwargs):
    corr_r = args[0].corr(args[1], 'pearson')
    ax = plt.gca()
    ax.set_axis_off()
    marker_size = abs(corr_r) * 3000
    ax.scatter([.5], [.5], marker_size,
               [corr_r], alpha=0.5,
               cmap = 'Blues',
               vmin = -1, vmax = 1,
               transform = ax.transAxes)
    font_size = abs(corr_r) * 40 + 5

sns.set(style = 'white', font_scale = 1.6)
fig = sns.PairGrid(data, aspect = 1.4, diag_sharey = False)
fig.map_lower(sns.regplot)
fig.map_diag(sns.histplot)
fig.map_upper(correlation_dots)

# 保存圖表
plt.savefig('image3.jpg', dpi = 600, bbox_inches = 'tight')
plt.show()

    

圖3 匯總表示例

匯總表結(jié)合了之前研究過(guò)的兩種圖表的優(yōu)點(diǎn)——其下部（左側(cè)）模仿散點(diǎn)圖矩陣，其上部（右側(cè)）片段以圖形方式反映了相關(guān)矩陣的數(shù)值結(jié)果。

技巧 2：充分利用可視化庫(kù)的功能

我時(shí)常需要向同事和客戶介紹 EDA 的成果，因此可視化是我完成這項(xiàng)任務(wù)的重要助手。我總是嘗試在圖表中添加各種元素，如箭頭和注釋，使圖表更具吸引力和可讀性。

讓我們回到上文討論的風(fēng)能項(xiàng)目 EDA 實(shí)施案例。說(shuō)到風(fēng)能，最重要的參數(shù)之一就是功率曲線。風(fēng)力渦輪機(jī)（或整個(gè)風(fēng)電場(chǎng)）的功率曲線是一張顯示不同風(fēng)速下發(fā)電量的圖表。值得注意的是，渦輪機(jī)不會(huì)在低風(fēng)速下運(yùn)行。它們的啟動(dòng)與切入速度有關(guān)，切入速度通常在 2.5-5 米/秒之間。當(dāng)風(fēng)速在 12 至 15 米/秒之間時(shí)，渦輪機(jī)可達(dá)到額定功率。最后，每臺(tái)渦輪機(jī)都有一個(gè)安全運(yùn)行的風(fēng)速上限。一旦達(dá)到這個(gè)極限，風(fēng)力渦輪機(jī)將無(wú)法發(fā)電，除非風(fēng)速降回運(yùn)行范圍內(nèi)。

所研究的數(shù)據(jù)集包括理論功率曲線（這是制造商提供的典型曲線，沒(méi)有任何異常值）和實(shí)際曲線（如果我們繪制風(fēng)力功率與風(fēng)速的關(guān)系曲線）。后者通常包含許多超出理想理論形狀的點(diǎn)，這可能是由于風(fēng)機(jī)故障、SCADA 測(cè)量錯(cuò)誤或計(jì)劃外維護(hù)造成的。

現(xiàn)在，我們將創(chuàng)建一張圖片 ，同時(shí)顯示兩種類型的風(fēng)力曲線——首先，除了圖例外，不帶任何附加項(xiàng)：

      
      import pandas as pd
import matplotlib.pyplot as plt

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)

# 建立圖表
plt.scatter(data['Ws'], data['P'], color='steelblue', marker='+', label='actual')
plt.scatter(data['Ws'], data['Power_curve'], color='black', label='theoretical')
plt.xlabel('Wind Speed')
plt.ylabel('Power')
plt.legend(loc='best')

# 保存圖表
plt.savefig('image4.png', dpi=600, bbox_inches='tight')
plt.show()

    

圖4 一張 “沉默無(wú)語(yǔ)” 的風(fēng)能曲線圖

如你所見(jiàn)，該圖需要解釋，因?yàn)樗话魏纹渌?xì)節(jié)。

但是，如果我們添加線條來(lái)突出顯示圖表中的三個(gè)主要區(qū)域，標(biāo)明切入速度、額定速度和切出速度，并添加帶箭頭的注釋來(lái)顯示其中一個(gè)異常值，又會(huì)怎樣呢？

讓我們來(lái)看看這種情況下的圖表效果如何：

      
      import pandas as pd
import matplotlib.pyplot as plt

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)

# 建立圖表
plt.scatter(data['Ws'], data['P'], color='steelblue', marker='+', label='actual')
plt.scatter(data['Ws'], data['Power_curve'], color='black', label='theoretical')

# 添加垂直線、文字注釋和箭頭
plt.vlines(x=3.05, ymin=10, ymax=350, lw=3, color='black')
plt.text(1.1, 355, r"cut-in", fontsize=15)
plt.vlines(x=12.5, ymin=3000, ymax=3500, lw=3, color='black')
plt.text(13.5, 2850, r"nominal", fontsize=15)
plt.vlines(x=24.5, ymin=3080, ymax=3550, lw=3, color='black')
plt.text(21.5, 2900, r"cut-out", fontsize=15)
plt.annotate('outlier!', xy=(18.4,1805), xytext=(21.5,2050),
            arrowprops={'color':'red'})

plt.xlabel('Wind Speed')
plt.ylabel('Power')
plt.legend(loc='best')

# 保存圖表
plt.savefig('image4_2.png', dpi=600, bbox_inches='tight')
plt.show()

    

圖5 一張 “能說(shuō)會(huì)道” 的風(fēng)能曲線圖

技巧 3：總是能找到更快的制作方法

在分析風(fēng)能數(shù)據(jù)時(shí)，我們通常希望獲得有關(guān)風(fēng)能潛在的全面信息。因此，除了風(fēng)能的動(dòng)態(tài)變化外，還需要有一個(gè)圖表來(lái)顯示風(fēng)速如何隨風(fēng)向變化。

為了說(shuō)明風(fēng)能的變化，可以使用以下代碼：

      
      import pandas as pd
import matplotlib.pyplot as plt

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)

# 將 10 分鐘數(shù)據(jù)重采樣為每小時(shí)測(cè)量值
data['Date/Time'] = pd.to_datetime(data['Date/Time'])
fig = plt.figure(figsize=(10,8))
group_data = (data.set_index('Date/Time')).resample('H')['P'].sum()

# 繪制風(fēng)能動(dòng)態(tài)圖
group_data.plot(kind='line')
plt.ylabel('Power')
plt.xlabel('Date/Time')
plt.title('Power generation (resampled to 1 hour)')

# 保存圖表
plt.savefig('wind_power.png', dpi=600, bbox_inches='tight')
plt.show()

    

下圖是繪制的結(jié)果：

圖6 風(fēng)能的動(dòng)態(tài)變化

正如人們可能注意到的那樣，風(fēng)能的動(dòng)態(tài)輪廓具有相當(dāng)復(fù)雜的不規(guī)則形狀。

風(fēng)玫瑰圖（windrose）或極玫瑰圖（polar rose plot）是一種特殊的圖表，用于表示氣象數(shù)據(jù)的分布，通常是風(fēng)速的方向分布[3]。matplotlib 庫(kù)中有一個(gè)簡(jiǎn)單的模塊 windrose，可以輕松構(gòu)建這類可視化圖，例如：

      
      import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from windrose import WindroseAxes

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

#為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)
wd  = data['Wa']
ws = data['Ws']

# 以堆疊直方圖的形式繪制正態(tài)化風(fēng)玫瑰圖
ax = WindroseAxes.from_ax()
ax.bar(wd, ws, normed=True, opening=0.8, edgecolor='white')
ax.set_legend()

# 保存圖表
plt.savefig('windrose.png', dpi = 600, bbox_inches = 'tight')
plt.show()

    

圖7 根據(jù)現(xiàn)有數(shù)據(jù)得出的風(fēng)玫瑰圖

觀察風(fēng)玫瑰圖，可以發(fā)現(xiàn)有兩個(gè)主要風(fēng)向——東北風(fēng)和西南風(fēng)。

但如何將這兩張圖片合并成一張呢？最明顯的辦法是使用 add_subplot。但由于 windrose 庫(kù)的特殊性，這并不是一項(xiàng)簡(jiǎn)單的任務(wù)：

      
      import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from windrose import WindroseAxes

# 讀取數(shù)據(jù)
data = pd.read_csv('T1.csv')
print(data)

# 為列重命名，使其標(biāo)題更簡(jiǎn)短
data.rename(columns={'LV ActivePower (kW)':'P',
                     'Wind Speed (m/s)':'Ws',
                     'Theoretical_Power_Curve (KWh)':'Power_curve',
                     'Wind Direction (°)': 'Wa'},inplace=True)
data['Date/Time'] = pd.to_datetime(data['Date/Time'])

fig = plt.figure(figsize=(10,8))

# 將兩個(gè)圖都繪制為子圖
ax1 = fig.add_subplot(211)
group_data = (data.set_index('Date/Time')).resample('H')['P'].sum()
group_data.plot(kind='line')
ax1.set_ylabel('Power')
ax1.set_xlabel('Date/Time')
ax1.set_title('Power generation (resampled to 1 hour)')

ax2 = fig.add_subplot(212, projection='windrose')

wd  = data['Wa']
ws = data['Ws']

ax = WindroseAxes.from_ax()
ax2.bar(wd, ws, normed=True, opening=0.8, edgecolor='white')
ax2.set_legend()

# 保存圖表
plt.savefig('image5.png', dpi=600, bbox_inches='tight')
plt.show()

    

在這種情況下，結(jié)果是這樣的：

圖8 單張圖片 顯示風(fēng)能動(dòng)態(tài)和風(fēng)玫瑰圖

這樣做的主要缺點(diǎn)是兩個(gè)子圖的大小不同，因此風(fēng)玫瑰圖周圍有很多空白。

為了方便起見(jiàn)，我建議采用另一種方法，使用 Python Imaging Library (PIL) [4]，只需十幾行代碼：

      
      import numpy as np
import PIL
from PIL import Image

# 列出需要合并的圖片 
list_im = ['wind_power.png','windrose.png']
imgs = [PIL.Image.open(i) for i in list_im]

# 調(diào)整所有圖片的大小，使其與最小圖片相匹配
min_shape = sorted([(np.sum(i.size), i.size) for i in imgs])[0][1]

# 對(duì)于垂直堆疊，我們使用 vstack
images_comb = np.vstack((np.asarray(i.resize(min_shape)) for i in imgs))
images_comb = PIL.Image.fromarray(imgs_comb)

# 保存圖表
imgages_comb.save('image5_2.png', dpi=(600,600))

    

這里的輸出看起來(lái)更漂亮一些，兩張圖片的尺寸相同，這是因?yàn)榇a選擇最小的圖片，并重新縮放其他圖片來(lái)進(jìn)行匹配：

使用 PIL 獲取的包含風(fēng)能動(dòng)力和風(fēng)玫瑰圖的單一圖片

順便說(shuō)一下，在使用 PIL 時(shí)，我們還可以使用水平堆疊法，例如，我們可以將 “沉默無(wú)語(yǔ)” 和 “能說(shuō)會(huì)道” 的風(fēng)力曲線圖進(jìn)行比較和對(duì)比：

      
      import numpy as np
import PIL
from PIL import Image

list_im = ['image4.png','image4_2.png']
imgs = [PIL.Image.open(i) for i in list_im]

# 選取最小的圖片 ，并調(diào)整其他圖片 的大小以與之匹配（此處可任意調(diào)整圖片形狀）
min_shape = sorted([(np.sum(i.size), i.size) for i in imgs])[0][1]

imgs_comb = np.hstack((np.asarray(i.resize(min_shape)) for i in imgs))

# 保存圖表
imgs_comb = PIL.Image.fromarray(imgs_comb)
imgs_comb.save('image4_merged.png', dpi=(600,600))

    

圖9 比較和對(duì)比兩張風(fēng)力曲線圖

結(jié)論

在這篇文章中，我與大家分享了如何讓 EDA 流程更輕松的三個(gè)技巧。我希望這些建議對(duì)學(xué)習(xí)者有用，并開(kāi)始將它們應(yīng)用到你的數(shù)據(jù)任務(wù)中。

這些技巧完全符合我在進(jìn)行 EDA 時(shí)一直嘗試應(yīng)用的公式：定制 → 逐項(xiàng) → 優(yōu)化。

你可能會(huì)問(wèn)，這到底有什么關(guān)系呢？我可以說(shuō)，這其實(shí)很重要，因?yàn)椋?/p>

• 根據(jù)當(dāng)前的特定需求定制圖表非常重要。例如，與其制作大量的信息圖表，不如考慮如何將幾個(gè)圖表合并成一個(gè)，就像我們?cè)谥谱鲄R總矩陣時(shí)所做的那樣，它結(jié)合了散點(diǎn)圖和相關(guān)圖的優(yōu)點(diǎn)。
• 所有圖表都應(yīng)該為自己代言。因此，你需要知道如何在圖表中逐項(xiàng)列出重要內(nèi)容，使其詳細(xì)易讀。比較 “沉默無(wú)語(yǔ)” 和 “能說(shuō)會(huì)道” 的功率曲線之間的差別有多大。
• 最后，每一位數(shù)據(jù)專家都應(yīng)該學(xué)習(xí)如何優(yōu)化 EDA 流程，使工作更便捷（生活更輕松）。如果需要將兩幅圖片合并成一幅，不必總是使用 add_subplot 選項(xiàng)。

還有什么？我可以肯定地說(shuō)，在處理數(shù)據(jù)的過(guò)程中，EDA 是一個(gè)非常有創(chuàng)意和有趣的步驟（更何況它還超級(jí)重要）。

讓你的信息圖表像鉆石一樣閃閃發(fā)光，別忘了享受這個(gè)過(guò)程！

參考文獻(xiàn)列表

1. 風(fēng)能分析和預(yù)測(cè)的數(shù)據(jù)驅(qū)動(dòng)應(yīng)用：The case of “La Haute Borne” wind farm. https://doi.org/10.1016/j.dche.2022.100048
2. 風(fēng)能數(shù)據(jù)：https://www.kaggle.com/datasets/bhavikjikadara/wind-power-generated-data?resource=download
3. 關(guān)于 windrose 庫(kù)的教程：https://windrose.readthedocs.io/en/latest/index.html
4. PIL 庫(kù)：https://pillow.readthedocs.io/en/stable/index.html

                      
                                          往期
                                          精彩
                                          回顧
                                        
                                      

• 適合初學(xué)者入門(mén)人工智能的路線及資料下載
• (圖文+視頻)機(jī)器學(xué)習(xí)入門(mén)系列下載
• 機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印
• 《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯

• 
  

  機(jī)器學(xué)習(xí)交流qq群772479961，加入微信群請(qǐng) 掃碼

  
  

•