数据可视化，是为了展示数据的内在特征，或者数据之间的关系。通常，数据探索最先的步骤就是观察特征数据的分布情况(distribution)。
对于连续变量，可以:
- 直接绘制1维散点图
- 绘制箱线图/提琴图，观察总体情况
- 观察直方图/密度曲线
对于分类变量，可以观察用条形/柱状图观察每个类别出现的次数/频度。
import pandas as pd
import numpy as np
import warnings
# 用来忽略seaborn绘图库产生的warnings
warnings.filterwarnings("ignore")
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="white", color_codes=True)
%matplotlib inline
from sklearn.datasets import make_multilabel_classification
X, Y = make_multilabel_classification(n_samples=500, n_features=5, n_classes=5, n_labels=2, length=50, allow_unlabeled=True, sparse=False, return_indicator='dense', return_distributions=False, random_state=None)
df = pd.DataFrame(X, columns=['f1','f2','f3','f4','f5'])
df2 = pd.DataFrame(Y, columns=['c1','c2','cx','cy','cz'])
df2['c3']=df2['cx']*4 + df2['cy']*2 +df2['cz']
df = df.join(df2[['c1','c2','c3']])
df.head()
Out[42]:
一维散点图¶
一维散点图是直接汇出每个数据点，人工观察数据的分布。一维散点图不适合样本数过多的数据。
# jitter 是对数据进行“抖动”，避免画成一条竖线
sns.stripplot(y='f1', data=df[:100],jitter=True)
Out[16]:
即使添加了抖动，数据点仍然有可能重叠。要完全避免重叠可以采取一些算法：
sns.swarmplot(y='f1', data=df[:100])
Out[17]:
多个特征维¶
可以在一张图上绘制多个特征变量：
sns.swarmplot(data=df[['f1','f2','f3','f4','f5']][:100])
Out[19]:
1个特征维 + 1个分类维¶
也可以对比一个特征变量，在不同类别中的分布情况：
# 类别比较多时，可以水平绘制
sns.swarmplot(y='c3',x='f1', data=df[:100])
Out[22]:
1个特征维 + 2个分类维¶
如果有两个分类维，可以在上图的基础上增加颜色区分：
sns.swarmplot(x='c3',y='f1',hue='c1', data=df[:100])
Out[24]:
箱线图/提琴图¶
箱线图(Box Plot), 也叫"盒式图","箱形图"。 将数据进行统计变换，显示数据位置和分散情况的关键信息，尤其在比较不同的母体数据时更可表现其差异。
sns.boxplot(y='f1', data=df)
Out[25]:
如上图所示，箱体的上下沿和中间分别是上下四分数和中位数；须线的边界是中位数到上线四分数的1.5倍距离，超出这个距离的数据作为奇异点。
多个特征维度¶
一般很少单独绘制一个特征维的箱线图，而是在一张图上同时绘制多个特征变量。如下图：
sns.boxplot(data=df[['f1','f2','f3','f4','f5']])
Out[8]:
1个特征维 + 1个分类维¶
也可以对比一个特征变量，在不同类别中的分布情况：
sns.boxplot(x='c3',y='f1', data=df)
Out[9]:
sns可以很容易把两种图叠加。比如：
sns.boxplot(x='c3',y='f1', data=df)
sns.stripplot(x='c3', y='f1', data=df, jitter=True, edgecolor="gray")
Out[33]:
1个特征维 + 2个分类维¶
如果有两个分类维，可以在上图的基础上增加颜色区分：
sns.boxplot(x='c3',y='f1',hue='c1',data=df)
Out[11]:
提琴图¶
提琴图在箱线图的基础上，增加了核密度估计
sns.violinplot(data=df[['f1','f2','f3','f4','f5']])
Out[26]:
为了节省空间，当hue指定的分类变量是二分类时，可以通过指定split=True，用一个提琴同时绘制两组数据，以节省空间
sns.violinplot(x='c3',y='f1',hue='c1',data=df, split=True)
Out[29]:
直方图/密度曲线¶
sns.distplot(df['f1'],bins=15, hist=True,kde=True, rug=False)
Out[32]:
多个特征变量¶
# 同时绘制多个特征变量的直方图
sns.FacetGrid(df, hue="c1", size=5).map(sns.distplot, 'f1',kde=False).add_legend()
Out[39]:
# 同时绘制多个特征变量的密度曲线
sns.FacetGrid(df, hue="c3", size=5).map(sns.kdeplot, 'f1').add_legend()
Out[40]:
sns.countplot(x="c3",data=df)
Out[43]:
2个分类维¶
sns.countplot(x="c3",hue='c1',data=df)
Out[44]:
