數據可視化是數據科學家工作中的重要組成部分。在項目的早期階段，你通常會進行探索性數據分析(Exploratory Data Analysis，EDA)以獲取對數據的一些理解。創建可視化方法確實有助于使事情變得更加清晰易懂，特別是對于大型、高維數據集。在項目結束時，以清晰、簡潔和引人注目的方式展現最終結果是非常重要的，因為你的受眾往往是非技術型客戶，只有這樣他們才可以理解。

Matplotlib 是一個流行的 Python 庫，可以用來很簡單地創建數據可視化方案。但每次創建新項目時，設置數據、參數、圖形和排版都會變得非常繁瑣和麻煩。在這篇博文中，我們將著眼于 5 個數據可視化方法，并使用 Python Matplotlib 為他們編寫一些快速簡單的函數。與此同時，這里有一個很棒的圖表，可用于在工作中選擇正確的可視化方法! 

散點圖

散點圖非常適合展示兩個變量之間的關系，因為你可以直接看到數據的原始分布。 如下面***張圖所示的，你還可以通過對組進行簡單地顏色編碼來查看不同組數據的關系。想要可視化三個變量之間的關系? 沒問題! 僅需使用另一個參數(如點大小)就可以對第三個變量進行編碼，如下面的第二張圖所示。

現在開始討論代碼。我們首先用別名 “plt” 導入 Matplotlib 的 pyplot 。要創建一個新的點陣圖，我們可調用 plt.subplots() 。我們將 x 軸和 y 軸數據傳遞給該函數，然后將這些數據傳遞給 ax.scatter() 以繪制散點圖。我們還可以設置點的大小、點顏色和 alpha 透明度。你甚至可以設置 Y 軸為對數刻度。標題和坐標軸上的標簽可以專門為該圖設置。這是一個易于使用的函數，可用于從頭到尾創建散點圖!

import matplotlib.pyplot as pltimport numpy as npdef scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False): 
 
    # Create the plot object 
    _, ax = plt.subplots()    # Plot the data, set the size (s), color and transparency (alpha) 
    # of the points 
    ax.scatter(x_data, y_data, s = 10, color = color, alpha = 0.75)    if yscale_log == True: 
        ax.set_yscale('log')    # Label the axes and provide a title 
    ax.set_title(title) 
    ax.set_xlabel(x_label) 
    ax.set_ylabel(y_label) 

折線圖

當你可以看到一個變量隨著另一個變量明顯變化的時候，比如說它們有一個大的協方差，那***使用折線圖。讓我們看一下下面這張圖。我們可以清晰地看到對于所有的主線隨著時間都有大量的變化。使用散點繪制這些將會極其混亂，難以真正明白和看到發生了什么。折線圖對于這種情況則非常好，因為它們基本上提供給我們兩個變量(百分比和時間)的協方差的快速總結。另外，我們也可以通過彩色編碼進行分組。

這里是折線圖的代碼。它和上面的散點圖很相似，只是在一些變量上有小的變化。

def lineplot(x_data, y_data, x_label="", y_label="", title=""): 
    # Create the plot object 
    _, ax = plt.subplots()    # Plot the best fit line, set the linewidth (lw), color and 
    # transparency (alpha) of the line 
    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)    # Label the axes and provide a title 
    ax.set_title(title) 
    ax.set_xlabel(x_label) 
    ax.set_ylabel(y_label) 

直方圖

直方圖對于查看(或真正地探索)數據點的分布是很有用的。查看下面我們以頻率和 IQ 做的直方圖。我們可以清楚地看到朝中間聚集，并且能看到中位數是多少。我們也可以看到它呈正態分布。使用直方圖真得能清晰地呈現出各個組的頻率之間的相對差別。組的使用(離散化)真正地幫助我們看到了“更加宏觀的圖形”,然而當我們使用所有沒有離散組的數據點時，將對可視化可能造成許多干擾，使得看清真正發生了什么變得困難。

下面是在 Matplotlib 中的直方圖代碼。有兩個參數需要注意一下：首先，參數 n_bins 控制我們想要在直方圖中有多少個離散的組。更多的組將給我們提供更加完善的信息，但是也許也會引進干擾，使得我們遠離全局;另一方面，較少的組給我們一種更多的是“鳥瞰圖”和沒有更多細節的全局圖。其次，參數 cumulative 是一個布爾值，允許我們選擇直方圖是否為累加的，基本上就是選擇是 PDF(Probability Density Function，概率密度函數)還是 CDF(Cumulative Density Function，累積密度函數)。

def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""): 
    _, ax = plt.subplots() 
    ax.hist(data, n_bins = n_bins, cumulative = cumulative, color = '#539caf') 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 

想象一下我們想要比較數據中兩個變量的分布。有人可能會想你必須制作兩張直方圖，并且把它們并排放在一起進行比較。然而，實際上有一種更好的辦法：我們可以使用不同的透明度對直方圖進行疊加覆蓋?？聪聢D，均勻分布的透明度設置為 0.5 ，使得我們可以看到他背后的圖形。這樣我們就可以直接在同一張圖表里看到兩個分布。

對于重疊的直方圖，需要設置一些東西。首先，我們設置可同時容納不同分布的橫軸范圍。根據這個范圍和期望的組數，我們可以真正地計算出每個組的寬度。***，我們在同一張圖上繪制兩個直方圖，其中有一個稍微更透明一些。

# Overlay 2 histograms to compare themdef overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""): 
    # Set the bounds for the bins so that the two distributions are fairly compared 
    max_nbins = 10 
    data_range = [min(min(data1), min(data2)), max(max(data1), max(data2))] 
    binwidth = (data_range[1] - data_range[0]) / max_nbins    if n_bins == 0 
        bins = np.arange(data_range[0], data_range[1] + binwidth, binwidth)    else:  
        bins = n_bins    # Create the plot 
    _, ax = plt.subplots() 
    ax.hist(data1, bins = bins, color = data1_color, alpha = 1, label = data1_name) 
    ax.hist(data2, bins = bins, color = data2_color, alpha = 0.75, label = data2_name) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
    ax.legend(loc = 'best') 

柱狀圖

當你試圖將類別很少(可能小于10)的分類數據可視化的時候，柱狀圖是最有效的。如果我們有太多的分類，那么這些柱狀圖就會非常雜亂，很難理解。柱狀圖對分類數據很好，因為你可以很容易地看到基于柱的類別之間的區別(比如大小);分類也很容易劃分和用顏色進行編碼。我們將會看到三種不同類型的柱狀圖：常規的，分組的，堆疊的。在我們進行的過程中，請查看圖形下面的代碼。

常規的柱狀圖如下面的圖1。在 barplot() 函數中，xdata 表示 x 軸上的標記，ydata 表示 y 軸上的桿高度。誤差條是一條以每條柱為中心的額外的線，可以畫出標準偏差。

分組的柱狀圖讓我們可以比較多個分類變量。看看下面的圖2。我們比較的***個變量是不同組的分數是如何變化的(組是G1，G2，……等等)。我們也在比較性別本身和顏色代碼。看一下代碼，y_data_list 變量實際上是一個 y 元素為列表的列表，其中每個子列表代表一個不同的組。然后我們對每個組進行循環，對于每一個組，我們在 x 軸上畫出每一個標記;每個組都用彩色進行編碼。

堆疊柱狀圖可以很好地觀察不同變量的分類。在圖3的堆疊柱狀圖中，我們比較了每天的服務器負載。通過顏色編碼后的堆棧圖，我們可以很容易地看到和理解哪些服務器每天工作最多，以及與其他服務器進行比較負載情況如何。此代碼的代碼與分組的條形圖相同。我們循環遍歷每一組，但這次我們把新柱放在舊柱上，而不是放在它們的旁邊。

def barplot(x_data, y_data, error_data, x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
    # Draw bars, position them in the center of the tick mark on the x-axis 
    ax.bar(x_data, y_data, color = '#539caf', align = 'center') 
    # Draw error bars to show standard deviation, set ls to 'none' 
    # to remove line between points 
    ax.errorbar(x_data, y_data, yerr = error_data, color = '#297083', ls = 'none', lw = 2, capthick = 2) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
 
 
 
def stackedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
    # Draw bars, one category at a time 
    for i in range(0, len(y_data_list)): 
        if i == 0: 
            ax.bar(x_data, y_data_list[i], color = colors[i], align = 'center', label = y_data_names[i]) 
        else: 
            # For each category after the first, the bottom of the 
            # bar will be the top of the last category 
            ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i - 1], align = 'center', label = y_data_names[i]) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
    ax.legend(loc = 'upper right') 
 
 
 
def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
    # Total width for all bars at one x location 
    total_width = 0.8 
    # Width of each individual bar 
    ind_width = total_width / len(y_data_list) 
    # This centers each cluster of bars about the x tick mark 
    alteration = np.arange(-(total_width/2), total_width/2, ind_width) 
 
    # Draw bars, one category at a time 
    for i in range(0, len(y_data_list)): 
        # Move the bar to the right on the x-axis so it doesn't 
        # overlap with previously drawn ones 
        ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 
    ax.legend(loc = 'upper right') 

箱形圖

我們之前看了直方圖，它很好地可視化了變量的分布。但是如果我們需要更多的信息呢?也許我們想要更清晰的看到標準偏差?也許中值與均值有很大不同，我們有很多離群值?如果有這樣的偏移和許多值都集中在一邊呢?

這就是箱形圖所適合干的事情了。箱形圖給我們提供了上面所有的信息。實線框的底部和頂部總是***個和第三個四分位(比如 25% 和 75% 的數據)，箱體中的橫線總是第二個四分位(中位數)。像胡須一樣的線(虛線和結尾的條線)從這個箱體伸出，顯示數據的范圍。

由于每個組/變量的框圖都是分別繪制的，所以很容易設置。xdata 是一個組/變量的列表。Matplotlib 庫的 boxplot() 函數為 ydata 中的每一列或每一個向量繪制一個箱體。因此，xdata 中的每個值對應于 ydata 中的一個列/向量。我們所要設置的就是箱體的美觀。

def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""): 
    _, ax = plt.subplots() 
 
    # Draw boxplots, specifying desired style 
    ax.boxplot(y_data 
               # patch_artist must be True to control box fill 
               , patch_artist = True 
               # Properties of median line 
               , medianprops = {'color': median_color} 
               # Properties of box 
               , boxprops = {'color': base_color, 'facecolor': base_color} 
               # Properties of whiskers 
               , whiskerprops = {'color': base_color} 
               # Properties of whisker caps 
               , capprops = {'color': base_color}) 
 
    # By default, the tick label starts at 1 and increments by 1 for 
    # each box drawn. This sets the labels to the ones we want 
    ax.set_xticklabels(x_data) 
    ax.set_ylabel(y_label) 
    ax.set_xlabel(x_label) 
    ax.set_title(title) 

結語

使用 Matplotlib 有 5 個快速簡單的數據可視化方法。將相關事務抽象成函數總是會使你的代碼更易于閱讀和使用!我希望你喜歡這篇文章，并且學到了一些新的有用的技巧。如果你確實如此，請隨時給它點贊。

Cheers!