EDA中常用的九個(gè)可視化圖表介紹和代碼示例
探索性數(shù)據(jù)分析(EDA)是數(shù)據(jù)科學(xué)家用來(lái)分析和調(diào)查數(shù)據(jù)集并總結(jié)其主要特征的一種方法，通常采用數(shù)據(jù)可視化技術(shù)。我們可以說(shuō)EDA是通過(guò)創(chuàng)建可視化和摘要來(lái)調(diào)查和理解數(shù)據(jù)集的過(guò)程。EDA是我們?cè)儐?wèn)數(shù)據(jù)問(wèn)題的一種方式，可以找出關(guān)于數(shù)據(jù)的所有信息，并理解它為什么是這樣的(即識(shí)別趨勢(shì)、模式、異常等)。
在這篇文章中我們介紹EDA中常用的9個(gè)圖表，并且針對(duì)每個(gè)圖表給出代碼示例。
1、條形圖/計(jì)數(shù)圖
顯示分類變量的分布?？梢暬瘮?shù)據(jù)集中每個(gè)類別的頻率或計(jì)數(shù)。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.countplot(x='day', data=data)
plt.title('Count of Tips by Day')
plt.show()
2、箱線圖
顯示數(shù)據(jù)中的平均值、中位數(shù)、分位數(shù)和離群值。比較多個(gè)變量的分布?？梢宰R(shí)別擴(kuò)散的數(shù)值變量，檢測(cè)數(shù)據(jù)集中潛在的異常值。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.boxplot(x='day', y='total_bill', data=data)
plt.title('Box Plot of Total Bill by Day')
plt.show()
3、密度圖
作為數(shù)據(jù)科學(xué)家，建議使用密度圖而不是直方圖，因?yàn)槲覀儾聹y(cè)最佳的裝箱數(shù)量是有問(wèn)題的。
密度圖可以可視化連續(xù)變量的分布。識(shí)別數(shù)據(jù)中的峰值、低谷和總體模式。了解分布的形狀并比較多個(gè)變量的分布。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.kdeplot(data['total_bill'], shade=True)
plt.title('Density Plot of Total Bill')
plt.show()
4、散點(diǎn)圖
探索兩個(gè)連續(xù)變量之間的關(guān)系。識(shí)別數(shù)據(jù)中的模式、相關(guān)性或集群。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.scatterplot(x='total_bill', y='tip', data=data)
plt.title('Scatter Plot of Total Bill vs. Tip')
plt.show()
5、線型圖
在時(shí)間序列中顯示趨勢(shì)或模式。表示連續(xù)區(qū)間內(nèi)兩個(gè)連續(xù)變量之間的關(guān)系，還可以比較連續(xù)范圍內(nèi)變量的變化。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.lineplot(x='total_bill', y='tip', data=data)
plt.title('Line Plot of Tip Over Total Bill')
plt.show()
6、熱圖
顯示數(shù)值變量的相關(guān)矩陣。識(shí)別大型數(shù)據(jù)集中的模式和關(guān)系。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
correlation_matrix = data.corr()
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Correlation Heatmap')
plt.show()
7、小提琴圖
結(jié)合了箱形圖和核密度圖的特點(diǎn)，可以可視化一個(gè)數(shù)值變量在不同類別中的分布。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.violinplot(x='day', y='total_bill', data=data)
plt.title('Violin Plot of Total Bill by Day')
plt.show()
8、子圖
為了進(jìn)行對(duì)比，可以在同一圖中并排比較多個(gè)子圖。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1)
sns.scatterplot(x='total_bill', y='tip', data=data)
plt.title('Scatter Plot of Total Bill vs Tip')
plt.subplot(2, 2, 2)
sns.boxplot(x='day', y='total_bill', data=data)
plt.title('Box Plot of Total Bill by Day')
plt.subplot(2, 2, 3)
sns.barplot(x='day', y='total_bill', data=data)
plt.title('Bar Plot of Total Bill by Day')
plt.subplot(2, 2, 4)
sns.histplot(data['total_bill'], kde=True)
plt.title('Histogram of Total Bill')
plt.tight_layout()
plt.show()
9、關(guān)系圖
Pairplot在中文中沒(méi)有特定的翻譯，我這里把它稱作關(guān)系圖，因?yàn)樗怯糜诶L制變量之間的關(guān)系，通過(guò)對(duì)多個(gè)變量進(jìn)行可視化來(lái)探索它們之間的相關(guān)性和趨勢(shì)。
import seaborn as sns
import matplotlib.pyplot as plt
data = sns.load_dataset('tips')
sns.pairplot(data, hue='day')
plt.suptitle('Pairplot of Numerical Variables by Day', y=1.02)
plt.show()
總結(jié)
以上就是在EDA中常用的圖表，可以看到seaborn是可以非常好用的工具，它基于matplotlib但是更加美觀，并且需要編寫(xiě)的代碼更少，所以在EDA需要簡(jiǎn)單的出圖的時(shí)候可以優(yōu)先使用它。
