Python数据可视化-Pandas

文章目录

一. Pandas数据可视化简介
二. Pandas 单变量可视化
- 1. 柱状图
- 2. 折线图
- 3. 面积图
- 4. 直方图
- 5. 饼图
三. Pandas 双变量可视化
- 1. 散点图
- 2. 蜂巢图
- 3. 堆叠图
- 4. 折线图

一. Pandas数据可视化简介

pandas库是Python数据分析的核心库
它不仅可以加载和转换数据，还可以做更多的事情：它还可以可视化
pandas绘图API简单易用，是pandas流行的重要原因之一

可视化小技巧:

如果是类别型
- 柱状
- 饼图 (类别相对较少 5-6个或者更少), 所有的类别加起来是1个整体
如果是数值型
- 看变化趋势折线 plot.line()
- 看分布直方plot.hist()
  - 绘制直方图的时候,需要注意, 如果数据分布不均匀(倾斜的数据, 有取值数量较少的极大, 极小值) 这个时候如果不做数据的处理, 直接绘制直方图, 不能反映出数据的分布来, 只能得到一个柱子
  - 可以把极值单独取出来讨论
  - 把去掉极值的部分再绘制直方图

二. Pandas 单变量可视化

单变量可视化，包括条形图、折线图、直方图、饼图等
数据使用葡萄酒评论数据集，来自葡萄酒爱好者杂志，包含10个字段，150929行，每一行代表一款葡萄酒
加载数据

import pandas as pd
reviews = pd.read_csv('data/winemag-data_first150k.csv',index_col=0)
reviews.head()

在这里插入图片描述

1. 柱状图

条形图是最简单最常用的可视化图表
在下面的案例中，将所有的葡萄酒品牌按照产区分类，看看哪个产区的葡萄酒品种多：

kwargs = dict(figsize=(16, 8),fontsize=20,color = ['r', 'g', 'b', 'y', 'm'])
reviews['province'] .value_counts().head().plot.bar(**kwargs)

在这里插入图片描述
上面的图表说明加利福尼亚生产的葡萄酒比其他省都多
也可以折算成比例, 观察加利福尼亚葡萄酒占总数的百分比

(reviews['province'] .value_counts().head()/len(reviews)).plot.bar(**kwargs)

在这里插入图片描述
在《葡萄酒杂志》（Wine Magazine）评述的葡萄酒中，加利福尼亚生产了近三分之一！

条形图(柱状图)非常灵活：

高度可以代表任何东西，只要它是数字即可
每个条形可以代表任何东西，只要它是一个类别即可。

也可以用来展示《葡萄酒杂志》（Wine Magazine）给出的评分数量的分布情况：

reviews['points'] .value_counts().sort_index().plot.bar(**kwargs)

在这里插入图片描述

2. 折线图

如果要绘制的数据不是类别值，而是连续值比较适合使用折线图

reviews['points'] .value_counts().sort_index().plot.line(**kwargs)

柱状图和折线图区别
柱状图：

简单直观，很容易根据柱子的长短看出值的大小，易于比较各组数据之间的差别

折线图：

易于比较各组数据之间的差别
能比较多组数据在同一个维度上的趋势
每张图上不适合展示太多折线

3. 面积图

面积图就是在折线图的基础上，把折线下面的面积填充颜色

reviews['points'] .value_counts().sort_index().plot.area(**kwargs)

当只有一个变量需要制图时，面积图和折线图之间差异不大，在这种情况下，折线图和面积图可以互相替换
在这里插入图片描述

4. 直方图

直方图看起来很像条形图，
直方图是一种特殊的条形图，它可以将数据分成均匀的间隔，并用条形图显示每个间隔中有多少行，
直方图柱子的宽度代表了分组的间距，柱状图柱子宽度没有意义
直方图缺点：将数据分成均匀的间隔区间，所以它们对歪斜的数据的处理不是很好：

没有对价格做任何处理，由于有个别品种的酒价格极高，导致直方图的价格分布发生变化
```
reviews['price'].plot.hist()
```
数据倾斜：
当数据在某个维度上分布不均匀，称为数据倾斜
一共15万条数据，价格高于1500的只有三条
价格高于500的只有73条数据，说明在价格这个维度上，数据的分布是不均匀的
直方图适合用来展示没有数据倾斜的数据分布情况，不适合展示数据倾斜的数据
```
#查看价格较高的葡萄酒情况
reviews[reviews['price'] >500]
#查看数据shape
reviews.shape # (150930, 10)
reviews[reviews['price'] >500].shape # (73, 10)
```
评估数据,调整数据

reviews['price'].quantile(0.95)

80.0

reviews[reviews['price']<80]['price'].plot.hist()

在这里插入图片描述

-对葡萄酒的评分不存在数据倾斜的情况，评分数据的分布情况比较适合用直方图展示

reviews['points'].plot.hist()

在这里插入图片描述

5. 饼图

饼图也是一种常见的可视化形式

reviews['province'].value_counts().head(10).plot.pie()

在这里插入图片描述

饼图的缺陷：饼图只适合展示少量分类在整体的占比
如果分类比较多，必然每个分类的面积会比较小，这个时候很难比较两个类别
如果两个类别在饼图中彼此不相邻，很难进行比较
可以使用柱状图图来替换饼图

三. Pandas 双变量可视化

1. 散点图

最简单的两个变量可视化图形是散点图，散点图中的一个点，可以表示两个变量

reviews.plot().scatter(x='price',y='points')

在这里插入图片描述

reviews[reviews['price'] < 100].plot.scatter(x='price', y='points')

在这里插入图片描述

reviews[reviews['price'] < 100].sample(100).plot.scatter(x='price', y='points')

在这里插入图片描述

调整图形大小，字体大小，由于pandas的绘图功能是对Matplotlib绘图功能的封装，所以很多参数pandas 和 matplotlib都一样

reviews[reviews['price'] < 100].sample(100).plot.scatter(x='price', y='points',figsize=(14,8),fontsize = 16)

在这里插入图片描述
低版本需要,修改x轴 y轴标签字体

2. 蜂巢图

hexplot将数据点聚合为六边形，然后根据其内的值为这些六边形上色：

reviews[reviews['price'] < 100].plot.hexbin(x='price', y='points', gridsize=15,figsize=(14,8))

在这里插入图片描述

如果x轴坐标缺失，属于bug，可以通过调用matplotlib的api添加x坐标

fig, axes = plt.subplots(ncols=1, figsize = (12,8))
reviews[reviews['price'] < 100].plot.hexbin(x='price', y='points', gridsize=15,ax = axes)
axes.set_xticks([0,20,40,60,80,100])

结论
该图中的数据可以和散点图中的数据进行比较，但是hexplot能展示的信息更多
从hexplot中，可以看到《葡萄酒杂志》（Wine Magazine）评论的葡萄酒瓶大多数是87.5分，价格20美元
Hexplot和散点图可以应用于区间变量和/或有序分类变量的组合。

3. 堆叠图

展示两个变量，除了使用散点图，也可以使用堆叠图
堆叠图是将一个变量绘制在另一个变量顶部的图表
接下来通过堆叠图来展示最常见的五种葡萄酒

将葡萄酒种类分组，找到最常见的五种葡萄酒

reviews.groupby(['variety'])['country'].count().sort_values(ascending = False)

在这里插入图片描述

从结果中看出，最受欢迎的葡萄酒是，Chardonnay（霞多丽白葡萄酒），Pinot Noir（黑皮诺），Cabernet Sauvignon（赤霞珠），Red Blend（混酿红葡萄酒），Bordeaux-style Red Blend （波尔多风格混合红酒）

从数据中取出最常见的五种葡萄酒

top_5_wine = reviews[reviews.variety.isin([‘Chardonnay’,‘Pinot Noir’,‘Cabernet Sauvignon’,‘Red Blend’,‘Bordeaux-style Red Blend'])]

top_5_index = reviews.groupby(['variety'])['country'].count().sort_values(ascending = False).head().index.to_list()
top_5_index

在这里插入图片描述

top_5_wine = reviews[reviews['variety'].isin(top_5_index)]
top_5_wine

在这里插入图片描述

通过透视表找到每种葡萄酒中，不同评分的数量

#透视表计数
wine_counts = top_5_wine.pivot_table(index = ['points'],columns =['variety'],values='country',aggfunc='count')
wine_counts

#修改列名
wine_counts.columns = ['Bordeaux-style Red Blend','Cabernet Sauvignon','Chardonnay','Pinot Noir','Red Blend']
wine_counts

在这里插入图片描述
从上面的数据中看出，行列分别表示一个类别变量（评分，葡萄酒类别），行列交叉点表示计数，这类数据很适合用堆叠图展示

wine_counts.plot.bar()

在这里插入图片描述

wine_counts.plot.bar(stacked=True)

在这里插入图片描述

上图为堆积柱状图，适合展示少量类别的分类数据
面积堆积图：

wine_counts.plot.area()

在这里插入图片描述

面积堆积图的使用限制：
① 种类较多的数据不适合用堆积图，图中显示的数据有五个种类，比较合适，一般不要超过8个种类
② 堆积图的可解释性（读图）较差

4. 折线图

折线图在双变量可视化时，仍然非常有效

wine_counts.plot.line()

在这里插入图片描述
从上图看出，折线图的读图更容易，更容易对不同类别做对比
例如，在87分的酒中，哪个类别更多？从图中很容易看出，绿色的霞多丽比红色的黑比诺略多