【python学习笔记】： 实现数据可视化

Python实现可视化的三个步骤：

• 确定问题，选择图形

• 转换数据，应用函数

• 参数设置，一目了然

1、首先，要知道我们用哪些库来画图?

matplotlib

Python中最基本的作图库就是matplotlib，是一个最基础的Python可视化库，一般都是从matplotlib上手Python数据可视化，然后开始做纵向与横向拓展。

Seaborn

是一个基于matplotlib的高级可视化效果库，针对的点主要是数据挖掘和机器学习中的变量特征选取，seaborn可以用短小的代码去绘制描述更多维度数据的可视化效果图

其他库还包括

Bokeh（是一个用于做浏览器端交互可视化的库，实现分析师与数据的交互）；Mapbox（处理地理数据引擎更强的可视化工具库）等等

本篇文章主要使用matplotlib进行案例分析

第一步：确定问题，选择图形

业务可能很复杂，但是经过拆分，我们要找到我们想通过图形表达什么具体问题。分析思维的训练可以学习《麦肯锡方法》和《金字塔原理》中的方法。

这是网上的一张关于图表类型选择的总结。

在Python中，我们可以总结为以下四种基本视觉元素来展现图形：

• 点：scatter plot 二维数据，适用于简单二维关系；

• 线：line plot 二维数据，适用于时间序列；

• 柱状：bar plot 二维数据，适用于类别统计；

• 颜色：heatmap 适用于展示第三维度；

数据间存在分布，构成，比较，联系以及变化趋势等关系。对应不一样的关系，选择相应的图形进行展示。

第二步：转换数据，应用函数

数据分析和建模方面的大量编程工作都是用在数据准备的基础上的：加载、清理、转换以及重塑。我们可视化步骤也需要对数据进行整理，转换成我们需要的格式再套用可视化方法完成作图。

下面是一些常用的数据转换方法：

• 合并：merge，concat，combine_frist(类似于数据库中的全外连接)

• 重塑：reshape；轴向旋转：pivot（类似excel数据透视表）

• 去重：drop_duplicates

• 映射：map

• 填充替换：fillna,replace

• 重命名轴索引：rename

将分类变量转换‘哑变量矩阵’的get_dummies函数以及在df中对某列数据取限定值等等。

函数则根据第一步中选择好的图形，去