4种更快更简单实现 Python 数据可视化的方法

2401_86071296

于 2024-08-26 23:02:43 发布

阅读量723

点赞数 27

文章标签： python 信息可视化开发语言

本文链接：https://blog.csdn.net/2401_86071296/article/details/141575652

版权

热力图、二维密度图、蜘蛛网图和树状图，这些可视化方法你都用过吗？

热力图

热力图（Heat Map）是数据的一种矩阵表示方法，其中每个矩阵元素的值通过一种颜色表示。不同的颜色代表不同的值，通过矩阵的索引将需要被对比的两项或两个特征关联在一起。热力图非常适合于展示多个特征变量之间的关系，因为你可以直接通过颜色知道该位置上的矩阵元素的大小。通过查看热力图中的其他点，你还可以看到每种关系与数据集中的其它关系之间的比较。颜色是如此直观，因此它为我们提供了一种非常简单的数据解释方式。

在这里插入图片描述

现在让我们来看看实现代码。与「matplotlib」相比，「seaborn」可以被用于绘制更加高级的图形，它通常需要更多的组件，例如多种颜色、图形或变量。「matplotlib」可以被用于显示图形，「NumPy」可被用于生成数据，「pandas」可以被用于处理数据！绘图只是「seaborn」的一个简单的功能。

import seaborn as sns

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

Create a random dataset

data = pd.DataFrame(np.random.random((10,6)), columns=[“Iron Man”,“Captain America”,“Black Widow”,“Thor”,“Hulk”, “Hawkeye”])

print(data)

Plot the heatmap

heatmap_plot = sns.heatmap(data, center=0, cmap=‘gist_ncar’)

plt.show()

二维密度图

二维密度图（2D Density Plot）是一维版本密度图的直观扩展，相对于一维版本，其优点是能够看到关于两个变量的概率分布。例如，在下面的二维密度图中，右边的刻度图用颜色表示每个点的概率。我们的数据出现概率最大的地方（也就是数据点最集中的地方），似乎在 size=0.5，speed=1.4 左右。正如你现在所知道的，二维密度图对于迅速找出我们的数据在两个变量的情况下最集中的区域非常有用，而不是像一维密度图那样只有一个变量。当你有两个对输出非常重要的变量，并且希望了解它们如何共同作用于输出的分布时，用二维密度图观察数据是十分有效的。

在这里插入图片描述

事实再次证明，使用「seaborn」编写代码是十分便捷的！这一次，我们将创建一个偏态分布，让数据可视化结果更有趣。你可以对大多数可选参数进行调整，让可视化看结果看起来更清楚。

import seaborn as sns

import matplotlib.pyplot as plt

from scipy.stats import skewnorm

Create the data

speed = skewnorm.rvs(4, size=50)

size = skewnorm.rvs(4, size=50)

Create and shor the 2D Density plot

ax = sns.kdeplot(speed, size, cmap=“Reds”, shade=False, bw=.15, cbar=True)

ax.set(xlabel=‘speed’, ylabel=‘size’)

plt.show()

蜘蛛网图

蜘蛛网图（Spider Plot）是显示一对多关系的最佳方法之一。换而言之，你可以绘制并查看多个与某个变量或类别相关的变量的值。在蜘蛛网图中，一个变量相对于另一个变量的显著性是清晰而明显的，因为在特定的方向上，覆盖的面积和距离中心的长度变得更大。如果你想看看利用这些变量描述的几个不同类别的对象有何不同，可以将它们并排绘制。在下面的图表中，我们很容易比较复仇者联盟的不同属性，并看到他们各自的优势所在！（请注意，这些数据是随机设置的，我对复仇者联盟的成员们没有偏见。）

在这里插入图片描述

在这里，我们可以直接使用「matplotlib」而非「seaborn」来创建可视化结果。我们需要让每个属性沿圆周等距分布。我们将在每个角上设置标签，然后将值绘制为一个点，它到中心的距离取决于它的值/大小。最后，为了显示更清晰，我们将使用半透明的颜色来填充将属性点连接起来得到的线条所包围的区域。

import pandas as pd

import seaborn as sns

import numpy as np

import matplotlib.pyplot as plt

Get the data

df=pd.read_csv(“avengers_data.csv”)

print(df)

“”"

Name Attack Defense Speed Range Health

0 1 Iron Man 83 80 75 70 70

1 2 Captain America 60 62 63 80 80

2 3 Thor 80 82 83 100 100

3 3 Hulk 80 100 67 44 92

4 4 Black Widow 52 43 60 50 65

5 5 Hawkeye 58 64 58 80 65

“”"

Get the data for Iron Man

labels=np.array([“Attack”,“Defense”,“Speed”,“Range”,“Health”])

stats=df.loc[0,labels].values

Make some calculations for the plot

angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)

stats=np.concatenate((stats,[stats[0]]))

angles=np.concatenate((angles,[angles[0]]))

Plot stuff

fig = plt.figure()

ax = fig.add_subplot(111, polar=True)

ax.plot(angles, stats, ‘o-’, linewidth=2)

ax.fill(angles, stats, alpha=0.25)

ax.set_thetagrids(angles * 180/np.pi, labels)

ax.set_title([df.loc[0,“Name”]])

ax.grid(True)

plt.show()

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！