开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 6.机器学习-高级绘图工具seaborn-简单、快捷 -> 正文阅读

[人工智能]6.机器学习-高级绘图工具seaborn-简单、快捷

可视化数据的分布

处理一组数据前，先了解变量分布情况

对于单变量的数据，采用直方图或核密度曲线
对于双变量，采用多面板图形展示，如：散点图、二维直方图、核密度估计图形等

单变量-直方图

displot(a,bins=None,hist=True,kde=True,rug=False,fit=None,color=None)

a：要观察的数据，Series、一维数组或列表
bins：用于控制条形的数量
hist：是否绘制（标注）直方图
mg：是否在支持的轴方向上绘制rugplot

# 生成随机数种子，确定随机数生成器生成的数据是一样的
np.random.seed(0)
arr = np.random.randn(100)
print(arr)
sns.distplot(arr, bins=10, hist=True, kde=True, rug=True)
plt.show()

直方图共有10个条柱，每个条柱的颜色为蓝色，并且有核密度估计曲线
根据条柱的高度可知，位于-1到1区间的随机数值偏多，小于-2的随机数值偏少

直方图可以直观地展现样本数据的分布情况，不过因为条柱数量的不同导致直方图的效果有很大的差异，因此绘制核密度估计曲线

核密度估计是概率论中用来估计未知的密度函数，属于非参数校验方法之一，可以比较直观地看出数据样本本身的分布特征

双变量分布

sns.jointplot(x,y,data=None,kid=‘scatter’,stat_func=None,color=None,ratio=5,space=0.2,dropna=True)

kind: 绘制图形的类型 scatter 散点图 ked 核密度图形 hex 二维直方图
stat_func: 计算有关关系的统计量并标注图
color: 绘图元素的颜色
size: 图的边长
ratio：中心图与侧边图的比例（整数），值越大，中心图占比越大
space：设置中心图与侧边图的间隔大小

df = pd.DataFrame({"x": np.random.randn(500), "y": np.random.randn(500)})
print(df.head())
sns.jointplot(x="x", y="y", data=df, kind="scatter", color="r", size=5, ratio=1, space=0.2)
plt.show()

在这里插入图片描述

成对双变量分布

# 创建坐标轴矩阵，显示DataFram对象每对变量的关系
dataset = sns.load_dataset('iris')
print(dataset.head())
sns.pairplot(dataset)

在这里插入图片描述

用分类数据绘图

数据集中的数据类型有很多种，除了连续的特别变量之外，最常见的就是类别型的数据，如：性别、学历、爱好等，这些数据类型都不能用连续的变量来表示，而是用分类的数据来表示

分类数据散点图：swarmplot() stripplot()
类数据分布图： boxplot() violinplot()
分类数据的统计估算图：barplot() pointplot()

分类数据散点图

stripplot swarmplot

sns.stripplot(x=None,y=None,hue=None,data=None,order=None,hue_order=None,jitter=False)

x,y,hue: 用来绘制长格式数据的输入
data：用于绘制的数据集。如果x和y不存在，在它作为宽格式，否则作为长格式
jitter：抖动的程度（仅沿类别轴）。当很多数据点重叠时，可以指定抖动的数量或者设为True使用默认值

data = sns.load_dataset("tips")
print(data.head())
sns.stripplot(x="day", y='total_bill', data=data, hue="time", jitter=False)
sns.stripplot(x="day", y='total_bill', data=data, hue="time", jitter=True)

sns.swarmplot(x="day", y="total_bill", data=data)

在这里插入图片描述

类数据分布图

类别内的数据分布

箱形图（boxplot）

又称盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图，
能显示出一组数据的最大值、最小值、中位数、及上下四分位数
在这里插入图片描述

boxplot(x=None,y=None,hue=None,data=None,orient=None,color=None,staturation=0.75,width=0.8)

palette:用于设置不同级别色相的颜色变量 “r”,“g”,“b”,“y”
staturation:用于设置数据显示的颜色饱和度。使用小数

sns.boxplot("day","total_bill",data=data,hue="time",palette=['g','r'],saturation=0.9)

在这里插入图片描述

小提琴图（violin Plot）：

用于显示数据分布及其概率密度
结合了箱形图和密度图的特征，主要用来显示数据的分布形状
中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表98%置信区间，而白点则为中位数
箱型图在数据显示方面受到限制，简单的设计往往隐藏了有关数据分布的重要细节，例如使用箱型图时，我们不能了解数据分布，虽然小提琴图可以显示更多详情，但他们也可能包含较多干扰信息。

sns.violinplot("day", "total_bill", data=data)

在这里插入图片描述

分类数据的统计估算图

查看每个分类的集中趋势，则可以使用条形图和点图进行展示
barplot()函数：绘制条形图
pointplot()函数：绘制点图

条形图：barplot()

barplot函数会在整个数据集上使用均值进行估计。

若每个类别中有多个类别时（使用hue参数），则条形图可以使用引导来计算估计的置信区间（样本统计量所构造的总体参数的估计区间），并使用误差条来表示置信区间

sns.barplot(x='day',y='total_bill',data=data)

在这里插入图片描述

点图：pointplot()

用高度低计值对数据进行描述，而不是显示完整的条形，只会绘制点估计和置信区间

sns.pointplot(x="day",y="total_bill",data=data)

在这里插入图片描述

案例：NBA球员数据分析

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

获取数据

data = pd.read_csv("./nba_2017_nba_players_with_salary.csv")
data.head()

在这里插入图片描述

data.shape

(342, 38)

数据相关性

data_cor = data.loc[:, ['RPM', 'AGE', 'SALARY_MILLIONS', 'ORB', 'DRB', 'TRB',
                       'AST', 'STL', 'BLK', 'TOV', 'PF', 'POINTS', 'GP', 'MPG', 'ORPM', 'DRPM']]

data_cor.head()

在这里插入图片描述

corr = data_cor.corr()
#获取两列数据之间的相关性
corr.head()

在这里插入图片描述

plt.figure(figsize=(20,8))
sns.heatmap(corr,square=True,linewidths=0.1,annot=True)

在这里插入图片描述

基本数据排名分析

#按照效率值排名
data.loc[:,['PLAYER','RPM','AGE']].sort_values(by='RPM',ascending=False).head()

在这里插入图片描述

按照薪资排名

data.loc[:,["PLAYER","RPM","AGE","SALARY_MILLIONS"]].sort_values(by="SALARY_MILLIONS",ascending=False).head()

在这里插入图片描述

Seaborn 常用三个数据可视化方法

利用seaborn中国displot绘图来分别看球员薪水，效率值，年龄三个信息的分布情况

单变量

sns.set_style("darkgrid")
plt.figure(figsize=(10,10))

plt.subplot(3,1,1)
sns.distplot(data['SALARY_MILLIONS'])
plt.ylabel("salary")


plt.subplot(3,1,2)
sns.distplot(data['RPM'])
plt.ylabel("RPM")


plt.subplot(3,1,3)
sns.distplot(data['AGE'])
plt.ylabel("AGE")

在这里插入图片描述

双变量

sns.jointplot(data.AGE,data.SALARY_MILLIONS,kind="hex")

在这里插入图片描述

多变量

multi_data = data.loc[:,["RPM","SALARY_MILLIONS","AGE","POINTS"]]
multi_data.head()

在这里插入图片描述

sns.pairplot(multi_data)

在这里插入图片描述

衍生变量的一些可视化

def age_cut(df):
    if df.AGE <= 24:
        return "young"
    elif df.AGE >= 30:
        return "old"
    else:
        return "best"
        
#使用apply对年龄进行划分
data["age_cut"] = data.apply(lambda x:age_cut(x),axis=1)
data.head()

在这里插入图片描述

基于年龄段对球员薪水和效率值进行分析

sns.set_style("darkgrid")
plt.figure(figsize=(10,10),dpi=100)
plt.title("RPM and Salary")

x1=data.loc[data.age_cut=="old"].SALARY_MILLIONS
y1=data.loc[data.age_cut=="old"].RPM
plt.plot(x1,y1,"^")


x2=data.loc[data.age_cut=="best"].SALARY_MILLIONS
y2=data.loc[data.age_cut=="best"].RPM
plt.plot(x2,y2,"^")


x3=data.loc[data.age_cut=="young"].SALARY_MILLIONS
y3=data.loc[data.age_cut=="young"].RPM
plt.plot(x3,y3,".")

在这里插入图片描述

multi_data2 = data.loc[:,["RPM","POINTS","TRB","AST","STL","BLK","age_cut"]]
sns.pairplot(multi_data2,hue="age_cut")

在这里插入图片描述

球队数据分析

data.groupby(by="age_cut").agg({"SALARY_MILLIONS":np.max})

在这里插入图片描述

按球队分组，平均薪水降序排列

data_team = data.groupby(by="TEAM").agg({"SALARY_MILLIONS":np.mean})
data_team.sort_values(by="SALARY_MILLIONS",ascending=False).head()

在这里插入图片描述

分球队，分年龄段，上榜球员降序排列，上榜球员数量相同，则按效率值降序排列

data_rpm = data.groupby(by=["TEAM","age_cut"]).agg({"SALARY_MILLIONS":np.mean,"RPM":np.mean,"PLAYER":np.size})
 data_rpm.head()

在这里插入图片描述

data_rpm.sort_values(by=["PLAYER","RPM"],ascending=False).head()

在这里插入图片描述

按照球队综合实力排名

data_rpm2 = data.groupby(by=['TEAM'], as_index=False).agg({'SALARY_MILLIONS': np.mean,
                                                          'RPM': np.mean,
                                                          'PLAYER': np.size,
                                                          'POINTS': np.mean,
                                                          'eFG%': np.mean,
                                                          'MPG': np.mean,
                                                          'AGE': np.mean})
data_rpm2.head()

在这里插入图片描述

data_rpm2.sort_values(by="RPM",ascending=False).head()

在这里插入图片描述

利用箱线图和小提琴图看10个球队的相关数据

data.TEAM.isin(['GS', 'CLE', 'SA', 'LAC', 'OKC', 'UTAH', 'CHA', 'TOR', 'NO', 'BOS']).head()

在这里插入图片描述

sns.set_style("whitegrid")
plt.figure(figsize=(20, 10))
# 获取需要的数据
data_team2 = data[data.TEAM.isin(['GS', 'CLE', 'SA', 'LAC', 'OKC', 'UTAH', 'CHA', 'TOR', 'NO', 'BOS'])]

#箱线图
plt.subplot(3,1,1)
sns.boxplot(x="TEAM",y="SALARY_MILLIONS",data=data_team2)

plt.subplot(3,1,2)
sns.boxplot(x="TEAM",y="AGE",data=data_team2)

plt.subplot(3,1,3)
sns.boxplot(x="TEAM",y="MPG",data=data_team2)

在这里插入图片描述

#小提琴图
sns.set_style("whitegrid")
plt.figure(figsize=(20, 10))

plt.subplot(3,1,1)
sns.violinplot(x="TEAM",y="3P%",data=data_team2)

plt.subplot(3,1,2)
sns.violinplot(x="TEAM",y="eFG%",data=data_team2)

plt.subplot(3,1,3)
sns.violinplot(x="TEAM",y="POINTS",data=data_team2)

在这里插入图片描述

北京租房数据统计分析

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

file_data = pd.read_csv("./链家北京租房数据.csv")
file_data

在这里插入图片描述

file_data.shape

(8223, 5)

file_data.info()

在这里插入图片描述

file_data.describe()

在这里插入图片描述

数据基本处理

重复值和空值处理

file_data = file_data.drop_duplicates()
file_data.shape

(5773, 5)

空值处理

file_data = file_data.dropna()
file_data.shape

(5773, 5)

file_data.head()

在这里插入图片描述

数据转换类型

面积数据类型转换

# 创建一个空的数组
data_new = np.array([])

data_area = file_data["面积(㎡)"].values

for i in data_area:
    data_new = np.append(data_new, np.array(i[:-2]))

data_area

在这里插入图片描述

data_new

在这里插入图片描述

转换data_new中的数据类型

data_new = data_new.astype(np.float64)
data_new

在这里插入图片描述

file_data.loc[:, "面积(㎡)"] = data_new
file_data.head()

在这里插入图片描述

户型表达方式替换

file_data

在这里插入图片描述

house_data = file_data["户型"]
temp_list = []

for i in house_data:
    # print(i)
    new_info = i.replace("房间", "室")
    temp_list.append(new_info)
file_data.loc[:, "户型"] = temp_list
file_data

在这里插入图片描述

图表分析

房源数量、位置分布分析

file_data["区域"].unique()

在这里插入图片描述

new_df = pd.DataFrame({"区域":file_data["区域"].unique(), "数量":[0]*13})
new_df

在这里插入图片描述

# 获取每个区域房源数量
area_count = file_data.groupby(by="区域").count()
new_df["数量"] = area_count.values
new_df.sort_values(by="数量", ascending=False)

在这里插入图片描述

户型数量分析

house_data = file_data["户型"]
house_data.head()

在这里插入图片描述

def all_house(arr):
    key = np.unique(arr)
    result = {}
    
    for k in key:
        mask = (arr == k)
        arr_new = arr[mask]
        v = arr_new.size
        result[k] = v
        
    return result    
    
house_info = all_house(house_data)
house_info.head(20)

在这里插入图片描述

# 去掉统计数量较少的值
house_data = dict((key, value) for key, value in house_info.items() if value > 50)

show_houses = pd.DataFrame({"户型": [x for x in house_data.keys()],
              "数量": [x for x in house_data.values()]})

show_houses

在这里插入图片描述

# 图形展示房屋类型

house_type = show_houses["户型"]
house_type_num = show_houses["数量"]

plt.barh(range(11), house_type_num)

plt.yticks(range(11), house_type)
plt.xlim(0, 2500)

plt.title("北京市各区域租房数量统计")
plt.xlabel("数量")
plt.ylabel("房屋类型")

# 给每个条上面添加具体数字
for x, y in enumerate(house_type_num):
    # print(x, y)
    plt.text(y+0.5, x-0.2, "%s" %y)

plt.show()

在这里插入图片描述

平均租金分析

df_all = pd.DataFrame({"区域": file_data["区域"].unique(),
              "房租总金额": [0]*13,
              "总面积": [0]*13})
df_all

在这里插入图片描述

file_data.head()

在这里插入图片描述

sum_price = file_data["价格(元/月)"].groupby(file_data["区域"]).sum()
sum_area = file_data["面积(㎡)"].groupby(file_data["区域"]).sum()

df_all["房租总金额"] = sum_price.values
df_all["总面积"] = sum_area.values

df_all

在这里插入图片描述

# 计算各个区域每平方米的房租
df_all["每平米租金(元)"] = round(df_all["房租总金额"] / df_all["总面积"], 2)
df_all

在这里插入图片描述

df_merge = pd.merge(new_df, df_all)
df_merge

在这里插入图片描述

# 图形可视化

num = df_merge["数量"]
price = df_merge["每平米租金(元)"]
lx = df_merge["区域"]
l = [i for i in range(13)]

fig = plt.figure(figsize=(10, 8), dpi=100)

# 显示折线图
ax1 = fig.add_subplot(111)
ax1.plot(l, price, "or-", label="价格")
for i, (_x, _y) in enumerate(zip(l, price)):
    plt.text(_x+0.2, _y, price[i])
ax1.set_ylim([0, 160])   
ax1.set_ylabel("价格")
plt.legend(loc="upper right")

# 显示条形图
ax2 = ax1.twinx()
plt.bar(l, num, label="数量", alpha=0.2, color="green")
ax2.set_ylabel("数量")
plt.legend(loc="upper left")
plt.xticks(l, lx)


plt.show()

在这里插入图片描述

面积基本分析

# 查看房屋的最大面积和最小面积
print('房屋最大面积是%d平米'%(file_data['面积(㎡)'].max()))
print('房屋最小面积是%d平米'%(file_data['面积(㎡)'].min()))

# 查看房租的最高值和最小值
print('房租最高价格为每月%d元'%(file_data['价格(元/月)'].max()))
print('房屋最低价格为每月%d元'%(file_data['价格(元/月)'].min()))

房屋最大面积是1133平米
房屋最小面积是11平米
房租最高价格为每月150000元
房屋最低价格为每月566元

# 面积划分
area_divide = [1, 30, 50, 70, 90, 120, 140, 160, 1200]
area_cut = pd.cut(list(file_data["面积(㎡)"]), area_divide)
area_cut_num = area_cut.describe()
area_cut_num

在这里插入图片描述

# 图像可视化
area_per = (area_cut_num["freqs"].values)*100

labels  = ['30平米以下', '30-50平米', '50-70平米', '70-90平米',
'90-120平米','120-140平米','140-160平米','160平米以上']

plt.figure(figsize=(20, 8), dpi=100)
# plt.axes(aspect=1)

plt.pie(x=area_per, labels=labels, autopct="%.2f %%")


plt.legend()
plt.show()