添加數據維度，使用Python繪制5D散點圖

作者：學研君 2023-05-26 00:31:13

散點圖通常用于比較2個不同特征以確定它們之間的關系。散點圖也可以添加更多的維度來反映數據，例如使用顏色、氣泡大小等。在本文中，將介紹如何繪制一個五維的散點圖。

數據集：https://github.com/checkming00/Medium_datasets/blob/main/WH%20Report_preprocessed.csv

讓我們從二維開始，簡單地看一下Healthy_life_expectancy_at_birth和Log_GDP_per_capita的圖：

df.plot.scatter('Healthy_life_expectancy_at_birth', 'Log_GDP_per_capita')

我們可以看到這2個特征具有很強的正相關關系。然后我們可以將year作為我們的三維視覺效果添加到繪圖中：

import matplotlib.pyplot as plt
import numpy as np

plt.figure(figsize=(15, 8))

years = np.sort(df.year.unique())
for i, year in enumerate(years):
    BM = df.year == year
    X = df[BM]['Healthy_life_expectancy_at_birth']
    Y = df[BM]['Log_GDP_per_capita']
    plt.subplot(2, 5, i+1) # 2X5 structure of subplots, at i+1 position
    plt.scatter(X, Y)
    plt.title(year)
    plt.xlim([30, 80]) # x axis range
    plt.ylim([6, 12]) # y axis range
plt.show()
plt.tight_layout()

它顯示了多年來Healthy_life_expectancy_at_birth和Log_GDP_per_capita之間的關系。

另一方面，我們可以讓它具有交互性：

def plotyear(year):
    BM = df.year == year
    X = df[BM]['Healthy_life_expectancy_at_birth']
    Y = df[BM]['Log_GDP_per_capita']
    plt.scatter(X, Y)
    plt.xlabel('Healthy_life_expectancy_at_birth')
    plt.ylabel('Log_GDP_per_capita')
    plt.xlim([30, 80])
    plt.ylim([6, 12])
    plt.show()

from ipywidgets import interact, widgets

min_year=df.year.min()
max_year=df.year.max()
interact(plotyear, 
         year=widgets.IntSlider(min=min_year, 
                                max=max_year, step=1, value=min_year))

然后我們可以拖動頂部的控制條來更改年份。

現在讓我們把第四個維度Continent作為圖例放入：

continents = df.Continent.unique()

con_colors = dict(zip(continents, ['b', 'g', 'r', 'c', 'm', 'y' ,'k']))

import seaborn as sns

def plotyear_continent(year):
    BM = df.year == year
    sns.scatterplot(data=df[BM], x='Healthy_life_expectancy_at_birth', 
                    y='Log_GDP_per_capita', hue='Continent', palette=con_colors)
    plt.xlabel('Healthy_life_expectancy_at_birth')
    plt.ylabel('Log_GDP_per_capita')
    plt.xlim([30, 80])
    plt.ylim([6, 12])
    plt.legend()
    plt.show()

interact(plotyear_continent, 
         year=widgets.IntSlider(min=min_year, 
                                max=max_year, step=1, 
                                value=round(df.year.mean(),0)))

它顯示了不同大洲之間的關系。此時，將默認年份設置為2014年（value=round(df.year.mean(),0)）。

我們可以在視覺上做得更多的是氣泡的大小。所以我們可以把population作為第五維：

continents = df.Continent.unique()

con_colors = dict(zip(continents, ['b', 'g', 'r', 'c', 'm', 'y' ,'k']))

min_size=df['population'].min()/1000000  # Scale bubble minimum size
max_size=df['population'].max()/1000000  # Scale bubble maximum size

def plotyear_continent_pop(year):
    BM = df.year == year
    sns.scatterplot(data=df[BM], x='Healthy_life_expectancy_at_birth', 
                    y='Log_GDP_per_capita', hue='Continent', 
                    palette=con_colors, size='population', 
                    sizes=(min_size, max_size))
    plt.xlabel('Healthy_life_expectancy_at_birth')
    plt.ylabel('Log_GDP_per_capita')
    plt.xlim([30, 80])
    plt.ylim([6, 12])
    plt.legend()
    plt.show()

interact(plotyear_continent_pop, 
         year=widgets.IntSlider(min=min_year, 
                                max=max_year, step=1, 
                                value=round(df.year.mean(),0)))

它顯示了各大洲與氣泡大小作為人口的關系。

這就是我們制作5D散點圖的方式。它可以盡可能在同一圖像中告訴人們所需要的信息。

責任編輯：武曉燕來源： Python學研大本營

數據維度 5D 散點圖