用Python代碼實現(xiàn)5種最好的、簡單的數(shù)據(jù)可視化分別是怎樣的-創(chuàng)新互聯(lián)

這篇文章給大家介紹用Python代碼實現(xiàn)5種最好的、簡單的數(shù)據(jù)可視化分別是怎樣的，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

公司主營業(yè)務(wù)：做網(wǎng)站、網(wǎng)站建設(shè)、移動網(wǎng)站開發(fā)等業(yè)務(wù)。幫助企業(yè)客戶真正實現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競爭能力。創(chuàng)新互聯(lián)建站是一支青春激揚、勤奮敬業(yè)、活力青春激揚、勤奮敬業(yè)、活力澎湃、和諧高效的團隊。公司秉承以“開放、自由、嚴(yán)謹(jǐn)、自律”為核心的企業(yè)文化，感謝他們對我們的高要求，感謝他們從不同領(lǐng)域給我們帶來的挑戰(zhàn)，讓我們激情的團隊有機會用頭腦與智慧不斷的給客戶帶來驚喜。創(chuàng)新互聯(lián)建站推出永仁免費做網(wǎng)站回饋大家。

數(shù)據(jù)可視化是數(shù)據(jù)科學(xué)家工作的重要組成部分。在項目的早期階段，您通常會進行探索性數(shù)據(jù)分析（EDA）以獲得對數(shù)據(jù)的一些見解。創(chuàng)建可視化確實有助于使事情更清晰、更容易理解，尤其是對于更大、更高維度的數(shù)據(jù)集。在項目即將結(jié)束時，能夠以清晰、簡潔和引人注目的方式呈現(xiàn)您的最終結(jié)果非常重要，以便您的受眾（通常是非技術(shù)客戶）能夠理解。

Matplotlib是一個流行的Python庫，可用于輕松創(chuàng)建數(shù)據(jù)可視化。但是，每次執(zhí)行新項目時，設(shè)置數(shù)據(jù)、參數(shù)、數(shù)字和繪圖都會變得相當(dāng)混亂和乏味。在這篇博文中，我們將看看6個數(shù)據(jù)可視化，并使用Python的Matplotlib為它們編寫一些快速簡便的函數(shù)。與此同時，這是一個很好的圖表，可以為工作選擇正確的可視化！

散點圖

散點圖非常適合顯示兩個變量之間的關(guān)系，因為您可以直接查看數(shù)據(jù)的原始分布。您還可以通過對組進行顏色編碼來簡單地查看不同數(shù)據(jù)組的這種關(guān)系，如下圖所示。想要想象三個變量之間的關(guān)系？沒問題！只需使用另一個參數(shù)（如點大小）來編碼第三個變量，我們可以在下面的第二個圖中看到。

現(xiàn)在來看代碼。我們首先使用別名“plt”導(dǎo)入Matplotlib的pyplot。為了創(chuàng)建一個新的情節(jié)圖，我們調(diào)用plt.subplots（）。將x軸和y軸數(shù)據(jù)傳遞給函數(shù)，然后將它們傳遞給ax.scatter（）以繪制散點圖。我們還可以設(shè)置磅值、點顏色和Alpha透明度。您甚至可以將y軸設(shè)置為對數(shù)刻度。然后專門為圖形設(shè)置標(biāo)題和軸標(biāo)簽。這很容易使用一個端到端創(chuàng)建散點圖的函數(shù)！

線形圖

當(dāng)您可以清楚地看到一個變量與另一個變量差異很大，即它們具有高協(xié)方差時，最好使用線圖。我們來看看下圖來說明，可以清楚地看到，所有專業(yè)的百分比隨時間變化很大。使用散點圖繪制這些圖形會非常混亂，這使得我們很難真正理解并看到發(fā)生了什么。線圖非常適合這種情況，因為它們基本上可以快速總結(jié)兩個變量的協(xié)方差（百分比和時間）。同樣，我們也可以通過顏色編碼進行分組。

這是線形圖的代碼。它與上面的散點非常相似。只有一些變量的微小變化。

直方圖

直方圖可用于查看（或?qū)嶋H發(fā)現(xiàn)）數(shù)據(jù)點的分布。查看下面的直方圖，我們繪制頻率與IQ直方圖。我們可以清楚地看到中心的濃度和中位數(shù)。我們還可以看到它遵循高斯分布。使用條（而不是散點）確實可以清楚地看到每個箱的頻率之間的相對差異。使用分檔（離散化）確實有助于我們看到“更大的圖像”，而如果我們使用所有數(shù)據(jù)點而沒有離散分檔，可視化中可能會有很多噪聲，這使得很難看到真正發(fā)生了什么。

Matplotlib中直方圖的代碼如下所示。有兩個參數(shù)需要注意。首先，n_bins參數(shù)控制我們的直方圖所需的離散區(qū)數(shù)。更多的bins會給我們更好的信息，但也可能會引入噪音;另一方面，較少的bins給我們提供了更多的“鳥瞰圖”，并且沒有更精細(xì)的細(xì)節(jié)，更能了解正在發(fā)生的事情。其次，累積參數(shù)是一個布爾值，它允許我們選擇我們的直方圖是否累積。這基本上是選擇概率密度函數(shù)（PDF）或累積密度函數(shù)（CDF）。

想象一下，我們想要比較數(shù)據(jù)中兩個變量的分布。有人可能會認(rèn)為你必須制作兩個單獨的直方圖并將它們并排放置以進行比較。但是，實際上有更好的方法：我們可以用不同的透明度覆蓋直方圖?？纯聪聢D，統(tǒng)一分布設(shè)置為透明度為0.5，以便我們可以看到它背后的內(nèi)容。這允許用戶直接在同一圖上查看兩個分布。

在代碼中為疊加的直方圖設(shè)置了一些東西。首先，我們設(shè)置水平范圍以適應(yīng)兩個變量分布。根據(jù)這個范圍和所需的箱數(shù)，我們實際上可以計算每個箱的寬度。最后，我們在同一個圖上繪制兩個直方圖，其中一個直方圖略微透明。

條形圖

當(dāng)您嘗試可視化具有少量（可能<10個）類別的分類數(shù)據(jù)時，條形圖最有效。如果我們的類別太多，那么圖中的條形圖將非常混亂并且難以理解。它們適用于分類數(shù)據(jù)，因為您可以根據(jù)條形圖的大?。捶龋┹p松查看類別之間的差異;類別也很容易劃分顏色編碼。我們將看到3種不同類型的條形圖：常規(guī)、分組和堆疊。隨著我們的進展，請查看下圖中的代碼。

常規(guī)的條形圖在下面的第一個圖中。在barplot（）函數(shù)中，x_data表示x軸上的代碼，y_data表示y軸上的條形高度。誤差條是以每個條形為中心的額外線條，可以繪制以顯示標(biāo)準(zhǔn)偏差。

分組條形圖允許我們比較多個分類變量。看看下面的第二個條形圖。我們比較的第一個變量是分?jǐn)?shù)如何按組（G1，G2，......等組）變化。我們還將性別本身與顏色代碼進行比較?？匆幌麓a，y_data_list變量現(xiàn)在實際上是一個列表，其中每個子列表代表一個不同的組。然后我們遍歷每個組，對于每個組，我們在x軸上繪制每個刻度線的條形圖;每組也有顏色編碼。

堆積條形圖非常適合可視化不同變量的分類構(gòu)成。在下面的堆積條形圖中，我們將比較日常的服務(wù)器負(fù)載。通過顏色編碼堆棧，我們可以輕松查看和了解哪些服務(wù)器每天工作最多，以及負(fù)載如何與所有日期的其他服務(wù)器進行比較。此代碼遵循與分組條形圖相同的樣式。我們遍歷每個組，除了這次我們在舊組之上而不是在它們旁邊繪制新條。

直方圖

我們之前查看過直方圖，這些直方圖非常適合可視化變量的分布。但是如果我們需要更多信息呢？也許我們想要更清晰地看待標(biāo)準(zhǔn)偏差？也許中位數(shù)與均值有很大不同，因此我們有很多異常值？如果存在這樣的偏差并且許多值集中在一邊怎么辦？

這就是箱形圖出現(xiàn)的原因。箱形圖給出了上述所有信息。實線框的底部和頂部始終是第一和第三四分位數(shù)（即數(shù)據(jù)的25％和75％），框內(nèi)的頻帶始終是第二個四分位數(shù)（中位數(shù)）。晶須（即帶有條形末端的虛線）從盒子中伸出，以顯示數(shù)據(jù)的范圍。

由于為每個組/變量繪制了框圖，因此很容易設(shè)置。x_data是組/變量的列表。Matplotlib函數(shù)boxplot（）為y_data的每一列或序列y_data中的每個向量創(chuàng)建一個盒子圖;因此，x_data中的每個值對應(yīng)于y_data中的列/向量。我們所要設(shè)定的只是情節(jié)的美學(xué)。

關(guān)于用Python代碼實現(xiàn)5種最好的、簡單的數(shù)據(jù)可視化分別是怎樣的就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。

新聞標(biāo)題：用Python代碼實現(xiàn)5種最好的、簡單的數(shù)據(jù)可視化分別是怎樣的-創(chuàng)新互聯(lián)
網(wǎng)頁URL：http://www.muchs.cn/article16/diehdg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站改版、網(wǎng)站維護、手機網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計公司、定制網(wǎng)站、服務(wù)器托管

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)