十分钟掌握数据可视化基本操作（下）

Posted 2021-04-28 程序员大咖

Python实战社群

Java实战社群

长按识别下方二维码，按需求添加

扫码关注添加客服

进Python社群▲

扫码关注添加客服

进Java社群▲

作者丨老肥 

来源丨老肥码码码

和之前学习Pandas一样，我们继续以宝可梦数据集作为学习可视化的例子，进而梳理Python绘图的基本操作，主要涉及seaborn以及matplotlib两个可视化库。

上半篇我们主要使用matplotlib来进行柱状图、散点图、饼图折线图等的绘制，下半篇主要使用seaborn来进行箱线图、小提琴图、分簇散点图、热力图等的绘制。

箱线图

箱线图可以提供数据位置及其分散情况的关键信息，主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。

如上图所示，箱线图主要包含几个关键的数据，上、下四方位数，中位数，上、下边缘以及异常值。简单来说，上四分位数表示全部数据中有四分之一的数据大于它，异常值表示远离上或下四分位数。

我们来用箱线图观察一下宝可梦的各项属性的分散情况。

df2=df.drop(['Generation','Total','Legendary'],axis=1)
sns.boxplot(data=df2)
plt.show()

可以看到每种属性都有异常值，远超于普通宝可梦，其中血量值的异常值数量最多。

接着我们来看不同的代目的各种属性的分布特征，共用同一个Y轴，同时绘制四张子图。

fig,axes=plt.subplots(1,4,sharey=True)
sns.boxplot(x="Generation",y="Attack",data=df,ax=axes[0])
sns.boxplot(x="Generation",y="Sp.Atk",data=df,ax=axes[1])
sns.boxplot(x="Generation",y="Defense",data=df,ax=axes[2])
sns.boxplot(x="Generation",y="Sp.Def",data=df,ax=axes[3])
fig.set_size_inches(20,7)

总体来看，五代目宝可梦的攻击力水平要高于其他代目，二代目宝可梦的特殊攻击水平要低于其他代目。

我们还可以用箱线图来观察不同类型的宝可梦对其防御数值的影响，结果显而易见，钢铁类型的宝可梦拥有最为卓越的防御属性。

plt.subplots(figsize=(20,5))
plt.title('Defence by Type 1')
sns.boxplot(x='Type1',y='Defense',data=df2)
plt.ylim(0,240)  # 设置y轴的范围
plt.show()

另外我们还可以在boxplot中添加参数hue，分门别类地进行箱线图绘制，这里根据是否为神兽来做区分，显然神兽的防御属性远超非神兽。

小提琴图

小提琴图结合了箱线图与核密度估计图的特点，它表征了在一个或多个分类变量情况下，连续变量数据的分布并进行了比较，它是一种观察多个数据分布有效方法。

这里我们绘制不同类型的宝可梦的攻击力值小提琴图。

plt.title('Attack by Type1')
sns.violinplot(x="Type1", y ="Attack",data=df2)
plt.ylim(0,200)
plt.show()

小提琴图中宽度较厚的部分表示具有较高密度点的区域，而较薄的部分则表示低密度点的区域。我们可以清楚地看到有一部分电系宝可梦的攻击力在60左右，小提琴图有明显的膨胀部分；而岩石系的宝可梦的攻击力分布较为平均，小提琴图呈长窄形状。

我们对不同代目的宝可梦绘制了总属性值的小提琴图，并且将是否为神兽区分开来。

plt.title('Strongest Generation')
sns.violinplot(x="Generation",y="Total",data=df,hue="Legendary",split=True)
plt.show()

根据小提琴图我们似乎可以得出一代目的神兽实力最为强劲，三代目的非神兽实力则更优。

热力图

这里采用热力图来可视化数据各列之间的相关性。可以看到特殊攻击、攻击和特殊防御的数值与是否为神兽的相关性较高，而代目与其他数据的相关性较低。

df3=df.drop(['Total'],axis=1)
sns.heatmap(df3.corr(),annot=True)
plt.show()

分簇散点图

分簇散点图可以理解为数据点不重叠的分类散点图，swarmplot函数类似于stripplot函数,但该函数可以对点进行一些调整，使得数据点不重叠。

swarmplot()可以自己实现对数据分类的展现，也可以作为箱线图、小提琴图的一种补充，用来显示所有结果以及基本分布情况。

首先通过melt将宝可梦的各项数据汇到同一列中，即把窄宽的数据拉伸为长瘦型，将宝可梦的各项数值按照类型以分簇散点图的形式展现出来。

df5=pd.melt(df2, id_vars=["Name", "Type1", "Type2"], var_name="Stat")
sns.swarmplot(x="Stat", y="value", data=df5, hue="Type1",dodge=True)
plt.legend(bbox_to_anchor=(1, 1), loc=2, borderaxespad=0.)
plt.show()

参考资料

• Visualizing Pokémon Stats with Seaborn

• Seaborn官方文档

  
    
    
  

   
     
     
   
 
    
 
     
 
      程序员专栏 
     
 
     
 
       扫码关注填加客服  
     
 
     
 
      长按识别下方二维码进群 
      
 
     
 
    
 
    
 
      
    
 
   
  
    
    
  
  
    
    
  

   
     
     
   
 
    
 
     
 
      
 
       
 
        
 
         
 
          
 
           
 
            
 
             
 
              
 
               
 
                
 
                 
 
                  
 
                   
 
                    
 
                     
 
                      
 
                       
 
                        
 
                         
 
                          
 
                           
 
                            
 
                             
 
                              
 
                               
 
                                
 
                                 
 
                                 
近期精彩内容推荐：  
 
                                 
 
 
                                 
 
 
                                 
 
 
                                 
 
 
                                 

 
                                
 
                               
 
                              
 
                             
 
                            
 
                           
 
                          
 
                         
 
                        
 
                       
 
                      
 
                     
 
                    
 
                   
 
                  
 
                  
 
                  
 
                   
 
                    
 
                     
 
                      
 
                       
 
                        
 
                         
 
                          
 
                           
 
                            
 
                             
 
                              
 
                               
 
                                
 
                               
 
                               
 
                               
 
                               
 
                                
 
                               
 
                              
 
                             
 
                            
 
                           
 
                          
 
                         
 
                        
 
                        
在看点这里好文分享给更多人↓↓