coco 数据集可视化_可用于任何数据集的3种出色的可视化技术

同时学习一些关于足球的知识

可视化效果很棒。 但是，很难制作出良好的可视化效果。

此外，要将这些可视化呈现给更多的受众，需要花费时间和精力。

我们都知道如何制作条形图，散点图和直方图，但是我们并没有花太多精力来美化它们。

这伤害了我们-我们在同行和管理人员中的信誉。 您现在不会感觉到，但是它确实发生了。

另外，我发现重用代码非常重要。 每次访问新数据集时，我都需要重新开始吗？ 图的一些可重用概念可以帮助我们快速找到有关数据的信息。

在这篇文章中，我还将讨论3种很酷的视觉工具：

• 与图的分类相关性
• 配对图 pairplot
• 使用Seaborn的Swarmplots和图注解。

简而言之，这篇文章是关于有用和可表达的图形的。

我将在kaggle上使用FIFA19完整球员数据集中的数据-最新FIFA19数据库中注册的每个球员的详细属性。

由于数据集有很多列，因此我们将只关注分类和连续列的子集。

import numpy as npimport pandas as pdimport seaborn as snsimport matplotlib.pyplot as plt%matplotlib inline# We dont Probably need the Gridlines. Do we? If yes comment this linesns.set(style="ticks")player_df = pd.read_csv("../input/data.csv")numcols = [ 'Overall', 'Potential','Crossing','Finishing',  'ShortPassing',  'Dribbling','LongPassing', 'BallControl', 'Acceleration',       'SprintSpeed', 'Agility',  'Stamina', 'Value','Wage']catcols = ['Name','Club','Nationality','Preferred Foot','Position','Body Type']# Subset the columnsplayer_df = player_df[numcols+ catcols]# Few rows of dataplayer_df.head(5)

Player Data

这是一个格式良好的数据，但是我们需要对工资Wage和身价Value列(因为它们在欧元中并且包含字符串)进行一些预处理，以使其成为数字，以便我们进行后续分析。

def wage_split(x):    try:        return int(x.split("K")[0][1:])    except:        return 0player_df['Wage'] = player_df['Wage'].apply(lambda x : wage_split(x))def value_split(x):    try:        if 'M' in x:            return float(x.split("M")[0][1:])        elif 'K' in x:            return float(x.split("K")[0][1:])/1000    except:        return 0player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x))

图类别的相关性：

用简单的术语来说，"相关性"是两个变量如何一起移动的度量。

例如，在现实世界中，收入和支出呈正相关。 如果一个增加，另一个也会增加。

学习成绩和视频游戏使用率呈负相关。 一个增加表示另一个减少。

因此，如果我们的预测变量与目标变量正相关或负相关，那么它就很有价值。

当我们尝试理解数据时，不同变量之间的相关性是一件很不错的事情。

我们可以轻松地使用Seaborn创建一个很好的相关图。

corr = player_df.corr()g = sns.heatmap(corr,  vmax=.3, center=0,            square=True, linewidths=.5, cbar_kws={"shrink": .5},             annot=True, fmt='.2f', cmap='coolwarm')sns.despine()g.figure.set_size_inches(14,10)    plt.show()

Where did all the categorical variables go?

但是，您注意到任何问题吗？

是的，此图仅计算"数值"列之间的相关性。

如果我的目标变量是俱乐部或职位怎么办？

我希望能够获得三种不同情况之间的相关性，并且我们使用以下相关性度量来计算这些相关性：

1.数值变量

我们已经采用了Pearson的相关性形式，可以衡量两个变量如何一起移动。 范围是[-1,1]

2.类别变量

对于类别-类别案例，我们将使用Cramer’s V 。 它是两个离散变量的互相关，并与具有两个或多个级别的变量一起使用。 这是一个对称的度量，因为按变量顺序无所谓。 Cramer(A，B)== Cramer(B，A)。

例如：在我们的数据集中，俱乐部和国籍必须以某种方式关联。

让我们使用堆叠图进行检查，这是了解分类变量与分类变量之间分布的一种极好的方法。 我们使用数据的子集，因为此数据中有很多国籍和俱乐部。

我们只保留最好的团队(保留波尔图足球俱乐部只是为了获得更多样本和多样性)和最常见的国籍。

俱乐部的偏好在很大程度上和国籍相关：了解前者有助于预测后者。

我们可以看到一个球员是否属于英格兰，那么他更有可能在切尔西或曼联踢球，而不是在巴塞罗那足球俱乐部，拜仁慕尼黑或波尔图踢球。

所以这里有一些信息。 Cramer’s V 捕获相同的信息。

如果所有俱乐部的每个国籍的球员比例相同，那么Cramer’s V 为0。

例如，如果每个俱乐部都喜欢单一国籍的Cramer’s V == 1，则所有英格兰球员都在曼联踢球，所有德国人都在拜仁慕尼黑打球，等等。

在所有其他情况下，范围为[0,1]

3.数值和分类变量

对于分类连续的情况，我们将使用"相关比率"。

在不进行过多数学的情况下，它可以衡量色散。

给定一个数字，我们可以找出它属于哪个类别？

例如：

假设我们的数据集中有两列：SprintSpeed和Position：

GK: 58(De Gea),52(T. Courtois), 58(M. Neuer), 43(G. Buffon) CB: 68(D. Godin), 59(V. Kompany), 73(S. Umtiti), 75(M. Benatia) ST: 91(C.Ronaldo), 94(G. Bale), 80(S.Aguero), 76(R. Lewandowski)

如您所见，这些数字可以很好地预测它们所属的类别，因此具有很高的相关比率。

如果我知道冲刺速度超过85，则可以肯定地说该球员是ST(前锋)。

该比率也为[0,1]

执行此操作的代码来自dython软件包。 我不会在您可以在我的Kaggle内核中找到的代码中写太多。 最终结果如下所示：

player_df = player_df.fillna(0)results = associations(player_df,nominal_columns=catcols,return_results=True)

Categorical vs. Categorical, Categorical vs. Numeric, Numeric vs. Numeric. Much more interesting.

它不漂亮吗？

仅通过查看这些数据，我们就可以对足球有很多了解。 例如：

• 运动员的位置与运球能力高度相关。 您不会在后面玩梅西。 对？
• 传球和控球相比，运球的价值更重要。 规则是总是传球。 内马尔，我在看着你。
• 俱乐部和工资具有较高的相关性。 可以预料的。
• 身体类型和首选脚部高度相关。 这是否意味着如果您是精益，那么您很可能是左撇子？ 没什么意义。 人们可以进一步调查。

此外，我们可以通过这个简单的图表找到大量信息，而在没有分类变量的典型相关图中看不到该信息。

我把它留在这里。 人们可以更多地查看图表，并找到更有意义的结果，但重点是，这使生活变得更容易。

配对图 Pairplot

虽然我谈论了很多相关性，但这是一个善变的指标。

为了理解我的意思，让我们看一个例子。

Anscombe的四重奏包含四个数据集，它们具有几乎相同的1的相关性，但是分布却非常不同，并且在绘制图形时看起来也非常不同。

Anscombe Quartet — Correlations can be fickle.

因此，有时绘制相关数据变得至关重要。 并分别查看分布。

现在，我们的数据集中有许多列。 将它们全部绘制成图表会非常费力。

不，这是一行代码。

filtered_player_df = player_df[(player_df['Club'].isin(['FC Barcelona', 'Paris Saint-Germain',       'Manchester United', 'Manchester City', 'Chelsea', 'Real Madrid','FC Porto','FC Bayern München'])) &                       (player_df['Nationality'].isin(['England', 'Brazil', 'Argentina',       'Brazil', 'Italy','Spain','Germany']))                      ]# Single line to create pairplotg = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']])

非常好。 我们可以在这张图中看到很多东西。

• 工资和身价高度相关。
• 其他大多数值也都相关。 但是，潜力与身价的趋势并不寻常。 我们可以看到随着达到特定的潜在阈值，该值如何呈指数增长。 此信息可能有助于建模。 可以对电位进行一些转换以使其更相关吗？

注意：没有分类列。

我们可以做得更好吗？ 我们永远可以。

g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],                 hue = 'Club')

如此多的信息。 只需将hue参数添加为分类变量Club。

• 波尔图的工资分配偏向下方。
• 我看不到波尔图球员的价值分布如此陡峭。 波尔图的球员总是会寻找机会。
• 在潜力与工资图表上查看许多粉红色点(切尔西)如何构成聚类。 切尔西有很多低薪的高潜力球员。 需要更多关注。

我已经知道工资/价值子图中的一些要点。

工资500k的蓝点是梅西。 而且，比梅西更具价值的橘色点是内马尔。

尽管此hack仍然无法解决分类问题，但我对分类变量的分布很感兴趣。 虽然个别。

群图 SwarmPlots

如何看待分类数据与数值数据之间的关系？

输入图片Swarmplot，就像它们的名字一样。 为每个类别绘制了大量的点，并在y轴上分散了一些点，使它们更易于查看。

它们是我目前绘制这种关系的最爱。

g = sns.swarmplot(y = "Club",              x = 'Wage',               data = filtered_player_df,              # Decrease the size of the points to avoid crowding               size = 7)# remove the top and right line in graphsns.despine()g.figure.set_size_inches(14,10)plt.show()

Swarmplot…

为什么不使用Boxplots？ 中位数在哪里？ 我可以画吗？ 明显。 将条形图叠加在顶部，我们有一个漂亮的图形。

g = sns.boxplot(y = "Club",              x = 'Wage',               data = filtered_player_df, whis=np.inf)g = sns.swarmplot(y = "Club",              x = 'Wage',               data = filtered_player_df,              # Decrease the size of the points to avoid crowding               size = 7,color = 'black')# remove the top and right line in graphsns.despine()g.figure.set_size_inches(12,8)plt.show()

Swarmplot+Boxplot, Interesting

非常好。 我们可以在图表上看到各个点，可以看到一些统计数据，并可以明确地了解工资差异。

最右边的点是梅西。 但是，我不必在图表下方的文本中告诉您。 对？

此图将在演示文稿中显示。 你老板说。 我想在这张图上写梅西。 进入图片注释。

max_wage = filtered_player_df.Wage.max()max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0]g = sns.boxplot(y = "Club",              x = 'Wage',               data = filtered_player_df, whis=np.inf)g = sns.swarmplot(y = "Club",              x = 'Wage',               data = filtered_player_df,              # Decrease the size of the points to avoid crowding               size = 7,color='black')# remove the top and right line in graphsns.despine()# Annotate. xy for coordinate. max_wage is x and 0 is y. In this plot y ranges from 0 to 7 for each level# xytext for coordinates of where I want to put my textplt.annotate(s = max_wage_player,             xy = (max_wage,0),             xytext = (500,1),              # Shrink the arrow to avoid occlusion             arrowprops = {'facecolor':'gray', 'width': 3, 'shrink': 0.03},             backgroundcolor = 'white')g.figure.set_size_inches(12,8)plt.show()

Annotated, Statistical Info and point swarm. To the presentation, I go.

• 见那里的波尔图。 用这么小的工资预算与巨人竞争。
• 皇家和巴塞罗那有那么多高薪球员。
• 曼城的工资中位数最高。
• 曼联和切尔西相信平等。 许多参与者聚集在相同的工资水平上。
• 我很高兴，虽然内马尔比梅西更受重视，但梅西和内马尔之间的工资差异很大。

在这个疯狂的世界中有种常态。

结论

因此，回顾一下，在本文中，我们讨论了如何计算和读取不同变量类型之间的相关性，绘制数值数据之间的相关性，以及使用Swarmplots，使用数值数据绘制类别数据。 我喜欢我们如何在Seaborn中将图表元素彼此叠加。

如果您喜欢这篇文章，请点赞。

(本文翻译自Rahul Agarwal的文章《3 Awesome Visualization Techniques for every dataset》，参考：https://towardsdatascience.com/3-awesome-visualization-techniques-for-every-dataset-9737eecacbe8)