以FIFA球員數(shù)據(jù)集為例，詳解3大酷炫可視化技巧
可視化令數(shù)據(jù)一目了然。然而，成功的數(shù)據(jù)可視化往往很難實現(xiàn)。此外，向更多受眾呈現(xiàn)這些可視化的數(shù)據(jù)，也需要耗費更多時間和精力。
大家都知道如何制作條形圖、散點圖和直方圖，但卻不注重美化它們。這在無形中會損害我們在同行和上級心中的可靠性。
此外，代碼重用也很重要。你該不會想每次訪問數(shù)據(jù)集都從頭開始吧?利用一些可重用的圖形能更快地找到你想要的信息。
本文涉及三個實用的可視化工具：
- 圖形分類相關性
- 散點圖矩陣
- 使用Seaborn的分類散點圖注釋和圖注釋
總的來說，本文會教大家制作一些好看又中用的圖表。
本文將使用kaggle上的國際足聯(lián)2019年完整的球員數(shù)據(jù)集，其***版數(shù)據(jù)庫包括了每個注冊在內(nèi)的球員的詳細信息。
由于該數(shù)據(jù)集有許多列，因此我們只關注分類列和連續(xù)列的子集。
- import numpy as np
- import pandas as pd
- import seaborn as sns
- import matplotlib.pyplot as plt
- %matplotlib inline
- # We dont Probably need the Gridlines. Do we? If yes comment this line
- sns.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 columns
- player_dfplayer_df = player_df[numcols+ catcols]
- # Few rows of data
- player_df.head(5)
球員數(shù)據(jù)
雖然該數(shù)據(jù)格式良好，但是因為工資和值列是以歐元為單位，并包含字符串，需要進行一些預處理，才能使它們?yōu)楹罄m(xù)分析提供數(shù)值。
- def wage_split(x):
- try:
- return int(x.split("K")[0][1:])
- except:
- return 0
- player_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 0
- player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x))
圖形分類相關性
簡單來說，相關性是衡量兩個變量如何一起運動的指標。
例如，在現(xiàn)實生活中，收入與支出呈正相關，其中一個變量隨著另一個變量的增加而增加。
學習成績和電子游戲的使用呈負相關，其中一個變量的增加意味著另一個變量的減少。
因此如果預測變量與目標變量呈正相關或負相關，那么該變量就有研究價值。
研究不同變量之間的相關性對于理解數(shù)據(jù)非常有意義。
使用Seaborn即可輕松創(chuàng)建出相當不錯的關系圖。
- 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()
所有的分類變量都去哪了?
你有注意到什么問題嗎?
有問題，因為該圖僅計算了數(shù)值列之間的相關性。
如果目標變量是club或position，會出現(xiàn)什么情況?
如果想得到三種不同情況之間的相關性，可使用以下相關性度量來計算。
1. 數(shù)值變量
該變量可通過Pearson相關性的方式得到，用于度量兩個變量如何一起運動，范圍為[-1，1]。
2. 分類變量
使用克萊姆V系數(shù)來分類案例。該系數(shù)是兩個離散變量之間的相互關聯(lián)，并與具有兩個或多層次的變量一起使用。它也是一個對稱的度量，因為變量的順序無關緊要，即克萊姆(A,B)==克萊姆(B，A)。
例如，在數(shù)據(jù)集中，Club和Nationality一定有某種關聯(lián)。
可用堆疊圖來驗證這一點，這是理解分類變量和分類變量間分布的一個***方法，因為在該數(shù)據(jù)中有很多國籍和俱樂部，所以使用數(shù)據(jù)的子集。
只保留***的球隊(保留波爾圖足球俱樂部只是為了讓樣本更加多樣化)和最常見的國籍。
俱樂部偏好在很大程度上反映了“國籍”：了解前者有助于預測后者。
由圖可知，英國球員更可能效力于切爾西隊或曼聯(lián)隊，而不是在巴塞羅那隊、拜仁慕尼黑隊或波爾圖隊。
同理，克萊姆V系數(shù)也也捕獲到了同樣的信息。
如果所有俱樂部擁有的球員的國籍比例相同，那么克萊姆V系數(shù)則為0。
如果每個俱樂部偏好單一國籍的球員，則克萊姆系數(shù)V==1，例如，所有的英國球員在曼聯(lián)隊效力，所有的德國球員在拜仁慕尼黑隊效力等等。
在所有其他情況下，范圍則為[0,1]。
3. 數(shù)值變量和分類變量
對連續(xù)分類案例使用相關比率。
在不涉及太多數(shù)學的情況下，該變量用于離散程度的衡量。
如果給定一個數(shù)字，就能找出它的類別嗎?
例如，假設數(shù)據(jù)集中有“SprintSpeed”和“Position”兩列分類，那么：
- 守門員：58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)
- 中后衛(wèi)：68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)
- 前鋒：91(C.Ronaldo)、94(G. Bale)、80(S.Aguero)、 76(R. Lewandowski)
由上可知，這些數(shù)字很好地預測了他們所處的位置，因此相關性很高。
如果某球員沖刺速度超過85，那么該球員肯定是前鋒。
這個比率也在[0,1]之間。
執(zhí)行此操作的代碼取自dython包，代碼不會很多，最終結(jié)果如下：
- player_dfplayer_df = player_df.fillna(0)
- results = associations(player_df,nominal_columns=catcols,return_results=True)
分類vs.分類、分類vs.數(shù)值、數(shù)值vs.數(shù)值，這些使圖表更為有趣。
很美，不是嗎?
只要看看數(shù)據(jù)，就能對足球有如此多的了解，例如：
- 球員的位置與運球能力高度相關?？偛荒茏屆肺魈吆笮l(wèi)吧!
- 值與傳球和控球的相關性比運球更高。規(guī)則是永遠傳球，正如內(nèi)馬爾的傳球。
- “俱樂部”和“收入”有很高的相關性并且可預測。
- “體型”與“踢球偏好的腳”高度相關。這是否意味著如果某球員是瘦子，就很可能喜歡用左腳踢球?這可能沒啥實際意義，需要進一步調(diào)查。
此外，通過這個簡單的圖表，就能找到上述這么多信息，這在沒有分類變量的典型相關圖中是見不到的。
大家可深入研究這張圖表，得到更多有意義的結(jié)果，但關鍵是圖表能讓大家在現(xiàn)實生活中更容易找到某種規(guī)律。
散點圖矩陣
雖然前文談到了很多相關性，但它是一個變幻無常的指標，為了讓大家理解，我們來看一個例子。
“Anscombe四重奏”由四個相關性幾乎近似于1的數(shù)據(jù)集組成，但具有非常不同的數(shù)據(jù)分布，并且在繪制時呈現(xiàn)出非常不同的效果。
Anscombe四重奏：相關性變化無常
因此，有時繪制相關數(shù)據(jù)變得至關重要，并且需要單獨查看分布。
現(xiàn)在數(shù)據(jù)集中有很多列，把它們?nèi)祭L制成圖形會很費力。
其實只需幾行代碼就可以解決。
- 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 pairplot
- g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']])
非常好，在該圖中可看到很多信息。
- 工資和價值高度相關。
- 大多數(shù)其它值也是相關的，然而“潛力”與“價值”的比的趨勢是不尋常的?？梢钥吹剑?shù)竭_特定的潛在閥值時，價值如何呈指數(shù)增長。這些信息對建模很有幫助，可以對“潛力”進行轉(zhuǎn)換使其更具有相關性嗎?
警告：沒有分類列!
在此基礎上能做得更好嗎?總能做到。
- g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club')
圖上的信息很多，只需添加“hue”參數(shù)到分類變量“club”中即可。
- 波爾圖隊的工資分配趨向于工資少的那一端。
- 該圖無法看出波爾圖隊球員價值的急劇分布，波爾圖隊的球員們總是在尋求機會。
- 許多粉紅點(代表切爾西隊)在“潛力”和“工資”圖上形成了一個集群。切爾西隊有很多工資較低的高潛力球員，需要更多關注。
還可從工資/價值子圖中獲取一些信息。
年薪50萬的藍點是梅西。此外，比梅西更有價值的橙點是內(nèi)馬爾。
盡管該技巧仍然不能解決分類問題，但還有一些其它方法來研究分類變量分布，雖然是個例。
分類散點圖
如何查看分類數(shù)據(jù)和數(shù)字數(shù)據(jù)之間的關系?
就像輸入名字一樣，輸入分類散點圖的圖片。為每個類別繪制一組點，在y軸上稍微分散，以便于查看。
這是我們目前繪制這種關系的***方法。
- 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 graph
- sns.despine()
- g.figure.set_size_inches(14,10)
- plt.show()
分類散點圖
為什么不用箱形圖呢?中位數(shù)在哪?可以繪制出來嗎?當然可以。在頂部覆蓋一個條形圖，就得到了一個好看的圖形。
- 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 graph
- sns.despine()
- g.figure.set_size_inches(12,8)
- plt.show()
有趣的分類散點圖+箱形圖
很好，在圖表上可看出各個點的分布和一些統(tǒng)計數(shù)據(jù)，并能明確地了解工資差異。
圖中最右邊的點是梅西，這樣一來，就不用通過圖表下方的文字來說明。
該圖可用來做演示，如果老板要求把梅西寫在這張圖上，那么就可加上圖片注釋。
- 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 graph
- sns.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 text
- plt.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()
帶注釋的統(tǒng)計信息和點群，可用于演講中。
- 看看該圖下方的波爾圖隊，工資預算如此之小，難以和其它高收入的球隊們競爭。
- 皇馬和巴塞羅那有許多高薪球員。
- 曼聯(lián)的工資中位數(shù)***。
- 曼聯(lián)和切爾西注重平等，許多球員的工資水平都差不多。
- 雖然內(nèi)馬爾比梅西更受重視，但梅西和內(nèi)馬爾的工資差距巨大。
由此可知，在這個瘋狂的世界中，有些正常只是表面的。
本文討論了計算和讀取不同變量類型之間的相關性、繪制數(shù)值數(shù)據(jù)之間的相關性、以及使用分類散點圖繪制分類數(shù)據(jù)和數(shù)值數(shù)據(jù)之間的相關性。十分有趣的是，可以在Seaborn 中將圖表元素疊加在一起。
