luda
全文共3138个字，预计学习时间在20分钟以上的可视化，数据一目了然。
大家都知道如何制作条形图、散点图和直方图，但却不注重美化它们。这在无形中会损害我们在同行和上级心中的可靠性。
此外，代码重用也很重要。你该不会想每次访问数据集都从头开始吧？利用一些可重用的图形能更快地找到你想要的信息。
本文涉及三个实用的可视化工具：
· 图形分类相关性
· 散点图矩阵
· 使用Seaborn的分类散点图注释和图注释
总的来说，本文会教大家制作一些好看又中用的图表。
本文将使用kaggle上的国际足联2019年完整的球员数据集，其最新版数据库包括了每个注册在内的球员的详细信息。
由于该数据集有许多列，因此我们只关注分类列和连续列的子集。
import numpy as np
import pandas as pd
import seaborn as sns
import ma as plt
%matplotlib inline
# We dont Probably need the Gridlines. Do we? If yes comment this line
(style="ticks")
player_df = ("../inpu;)
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_df = player_df[numcols+ catcols]
# Few rows of data
(5)
球员数据
虽然该数据格式良好，但是因为工资和值列是以欧元为单位，并包含字符串，需要进行一些预处理，才能使它们为后续分析提供数值。
def wage_split(x):
try:
return in("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 floa("M")[0][1:])
elif 'K' in x:
return floa("K")[0][1:])/1000
except:
return 0
player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x))
图形分类相关性
简单来说，相关性是衡量两个变量如何一起运动的指标。
例如，在现实生活中，收入与支出呈正相关，其中一个变量随着另一个变量的增加而增加。
学习成绩和电子游戏的使用呈负相关，其中一个变量的增加意味着另一个变量的减少。
因此如果预测变量与目标变量呈正相关或负相关，那么该变量就有研究价值。
研究不同变量之间的相关性对于理解数据非常有意义。
使用Seaborn即可轻松创建出相当不错的关系图。
corr = ()
g = (corr, vmax=.3, center=0,
square=True, linewidths=.5, cbar_kws={"shrink": .5}, annot=True, fmt='.2f', cmap='coolwarm')
()
g.(14,10)
()
所有的分类变量都去哪了？
你有注意到什么问题吗？
有问题，因为该图仅计算了数值列之间的相关性。
如果目标变量是club或position，会出现什么情况？
如果想得到三种不同情况之间的相关性，可使用以下相关性度量来计算。
1. 数值变量
该变量可通过Pearson相关性的方式得到，用于度量两个变量如何一起运动，范围为[-1，1]。
2. 分类变量
使用克莱姆V系数来分类案例。该系数是两个离散变量之间的相互关联，并与具有两个或多层次的变量一起使用。它也是一个对称的度量，因为变量的顺序无关紧要，即克莱姆（A,B)==克莱姆（B，A）。
例如，在数据集中，Club和Nationality一定有某种关联。
可用堆叠图来验证这一点，这是理解分类变量和分类变量间分布的一个绝佳方法，因为在该数据中有很多国籍和俱乐部，所以使用数据的子集。
只保留最好的球队（保留波尔图足球俱乐部只是为了让样本更加多样化）和最常见的国籍。
俱乐部偏好在很大程度上反映了“国籍”：了解前者有助于预测后者。
由图可知，英国球员更可能效力于切尔西队或曼联队，而不是在巴塞罗那队、拜仁慕尼黑队或波尔图队。
同理，克莱姆V系数也也捕获到了同样的信息。
如果所有俱乐部拥有的球员的国籍比例相同，那么克莱姆V系数则为0。
如果每个俱乐部偏好单一国籍的球员，则克莱姆系数V==1，例如，所有的英国球员在曼联队效力，所有的德国球员在拜仁慕尼黑队效力等等。
在所有其他情况下，范围则为[0,1]。
3. 数值变量和分类变量
对连续分类案例使用相关比率。
在不涉及太多数学的情况下，该变量用于离散程度的衡量。
如果给定一个数字，就能找出它的类别吗？
例如，假设数据集中有“SprintSpeed”和“Position”两列分类，那么：
守门员：58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)
中后卫：68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)
前锋：91)、94(G. Bale)、80)、 76(R. Lewandowski)
由上可知，这些数字很好地预测了他们所处的位置，因此相关性很高。
如果某球员冲刺速度超过85，那么该球员肯定是前锋。
这个比率也在[0,1]之间。
执行此操作的代码取自dython包，代码不会很多，最终结果如下：
player_df = (0)
results = associations(player_df,nominal_columns=catcols,return_results=True)
分类vs.分类、分类vs.数值、数值vs.数值，这些使图表更为有趣。
很美，不是吗？
只要看看数据，就能对足球有如此多的了解，例如：
· 球员的位置与运球能力高度相关。总不能让梅西踢后卫吧！
· 值与传球和控球的相关性比运球更高。规则是永远传球，正如内马尔的传球。
· “俱乐部”和“收入”有很高的相关性并且可预测。
· “体型”与“踢球偏好的脚”高度相关。这是否意味着如果某球员是瘦子，就很可能喜欢用左脚踢球？这可能没啥实际意义，需要进一步调查。
此外，通过这个简单的图表，就能找到上述这么多信息，这在没有分类变量的典型相关图中是见不到的。
大家可深入研究这张图表，得到更多有意义的结果，但关键是图表能让大家在现实生活中更容易找到某种规律。
散点图矩阵
虽然前文谈到了很多相关性，但它是一个变幻无常的指标，为了让大家理解，我们来看一个例子。
“Anscombe四重奏”由四个相关性几乎近似于1的数据集组成，但具有非常不同的数据分布，并且在绘制时呈现出非常不同的效果。
Anscombe四重奏：相关性变化无常
因此，有时绘制相关数据变得至关重要，并且需要单独查看分布。
现在数据集中有很多列，把它们全都绘制成图形会很费力。
其实只需几行代码就可以解决。
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 = (filtered_player_df[['Value','SprintSpeed','Potential','Wage']])
非常好，在该图中可看到很多信息。
· 工资和价值高度相关。
· 大多数其它值也是相关的，然而“潜力”与“价值”的比的趋势是不寻常的。可以看到，当到达特定的潜在阀值时，价值如何呈指数增长。这些信息对建模很有帮助，可以对“潜力”进行转换使其更具有相关性吗？
警告：没有分类列！
在此基础上能做得更好吗？总能做到。
g = (filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club')
图上的信息很多，只需添加“hue”参数到分类变量“club”中即可。
· 波尔图队的工资分配趋向于工资少的那一端。
· 该图无法看出波尔图队球员价值的急剧分布，波尔图队的球员们总是在寻求机会。
· 许多粉红点（代表切尔西队）在“潜力”和“工资”图上形成了一个集群。切尔西队有很多工资较低的高潜力球员，需要更多关注。
还可从工资/价值子图中获取一些信息。
年薪50万的蓝点是梅西。此外，比梅西更有价值的橙点是内马尔。
尽管该技巧仍然不能解决分类问题，但还有一些其它方法来研究分类变量分布，虽然是个例。
分类散点图
如何查看分类数据和数字数据之间的关系？
就像输入名字一样，输入分类散点图的图片。为每个类别绘制一组点，在y轴上稍微分散，以便于查看。
这是我们目前绘制这种关系的首选方法。
g = (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
()
g.(14,10)
()
分类散点图
为什么不用箱形图呢？中位数在哪？可以绘制出来吗？当然可以。在顶部覆盖一个条形图，就得到了一个好看的图形。
g = (y = "Club",
x = 'Wage',
data = filtered_player_df, whis=np.inf)
g = (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
()
g.(12,8)
()
有趣的分类散点图+箱形图
很好，在图表上可看出各个点的分布和一些统计数据，并能明确地了解工资差异。
图中最右边的点是梅西，这样一来，就不用通过图表下方的文字来说明。
该图可用来做演示，如果老板要求把梅西写在这张图上，那么就可加上图片注释。
max_wage = ()
max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0]
g = (y = "Club",
x = 'Wage',
data = filtered_player_df, whis=np.inf)
g = (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
()
# 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
(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.(12,8)
()
带注释的统计信息和点群，可用于演讲中。
· 看看该图下方的波尔图队，工资预算如此之小，难以和其它高收入的球队们竞争。
· 皇马和巴塞罗那有许多高薪球员。
· 曼联的工资中位数最高。
· 曼联和切尔西注重平等，许多球员的工资水平都差不多。
· 虽然内马尔比梅西更受重视，但梅西和内马尔的工资差距巨大。
由此可知，在这个疯狂的世界中，有些正常只是表面的。
本文讨论了计算和读取不同变量类型之间的相关性、绘制数值数据之间的相关性、以及使用分类散点图绘制分类数据和数值数据之间的相关性。十分有趣的是，可以在Seaborn 中将图表元素叠加在一起。
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”