数据分析-Pandas雷达图的多维数据可视化

数据分析和处理中，难免会遇到各种数据，那么数据呈现怎样的规律呢？不管金融数据，风控数据，营销数据等等，莫不如此。如何通过图示展示数据的规律？

数据表，时间序列数据在数据分析建模中很常见，例如天气预报，空气状态监测，股票交易等金融场景。数据分析过程中重新调整，重塑数据表是很重要的技巧，此处选择Iris数据，以及巴黎、伦敦欧洲城市空气质量监测$N{O}_2$数据作为样例。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

本文用到的样例数据：

iris数据

空气质量监测$N{O}_2$数据

样例代码：

源代码参考 Pandas如何重塑数据表

源代码参考 python数据分析-数据表读写到pandas

导入关键模块

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

plt.close("all")

在pandas数据分析中，了解观察多维数据的分布规律是非常重要的。各个维度数据的分布、度量通常用来直观描述数据集的分类位置，作为进一步探查分析的方向。

Pandas画图中的高级画图可以实现雷达图，观察数据的各个维度空间的分布特性。

最简雷达图画法

pandas画 雷达图方法最简单，只要一句语句搞定。

直接使用 Dataframe，RadViz函数即可。

from pandas.plotting import radviz

data = pd.read_csv("iris.csv")
plt.figure();
radviz(data, "Name");

plt.show()
plt.close("all")

如果缺少数据文件，如下更少数据示例更清晰：

df = pd.DataFrame(
     {
         'SepalLength': [6.5, 7.7, 5.1, 5.8, 7.6, 5.0, 5.4, 4.6, 6.7, 4.6],
         'SepalWidth': [3.0, 3.8, 3.8, 2.7, 3.0, 2.3, 3.0, 3.2, 3.3, 3.6],
         'PetalLength': [5.5, 6.7, 1.9, 5.1, 6.6, 3.3, 4.5, 1.4, 5.7, 1.0],
         'PetalWidth': [1.8, 2.2, 0.4, 1.9, 2.1, 1.0, 1.5, 0.2, 2.1, 0.2],
         'Category': [
             'virginica',
             'virginica',
             'setosa',
             'virginica',
             'virginica',
             'versicolor',
             'versicolor',
             'setosa',
             'virginica',
             'setosa'
         ]
     }
)
pd.plotting.radviz(df, 'Category')

图示说明
4个特征对应于单位圆上的4个点，圆中每一个散点代表表中一行数据。可以想象为每个散点上都有4条线分别连接到4个特征点上，而特征值（经过标准化处理）就表示这4条线施加在散点上的力，每个点的位置恰好使其受力平衡。

RadViz是一种将N维数据集可视化为2D图的方法。 当拥有超过3维(特征)数据，或更多数据的问题时，超出人们可视化的能力。

Radviz可以将N维数据集投影到2D空间中，其中每个维的影响，可以解释为所有维的重要性之间的平衡。 简单来说，这意味着我们可以以原始方式将多维数据投影到2D空间中 。

以上代码只是一个简单示例，示例代码中的表达式可以根据实际问题进行修改。

后面介绍下其他的展示形式。

觉得有用 收藏 收藏 收藏

点个赞 点个赞 点个赞

End

GPT专栏文章：

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-LangChain + ChatGLM3构建天气查询助手

大模型查询工具助手之股票免费查询接口

GPT实战系列-简单聊聊LangChain

GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)

GPT实战系列-ChatGLM2模型的微调训练参数解读

GPT实战系列-如何用自己数据微调ChatGLM2模型训练

GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案

GPT实战系列-Baichuan2本地化部署实战方案

GPT实战系列-Baichuan2等大模型的计算精度与量化

GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF

GPT实战系列-探究GPT等大模型的文本生成-CSDN博客