可視化令數(shù)據(jù)一目了然。然而，成功的數(shù)據(jù)可視化往往很難實現(xiàn)。此外，向更多受眾呈現(xiàn)這些可視化的數(shù)據(jù)，也需要耗費更多時間和精力。

大家都知道如何制作條形圖、散點圖和直方圖，但卻不注重美化它們。這在無形中會損害我們在同行和上級心中的可靠性。

此外，代碼重用也很重要。你該不會想每次訪問數(shù)據(jù)集都從頭開始吧?利用一些可重用的圖形能更快地找到你想要的信息。

 

 

本文涉及三個實用的可視化工具：

圖形分類相關性
散點圖矩陣
使用Seaborn的分類散點圖注釋和圖注釋

總的來說，本文會教大家制作一些好看又中用的圖表。

本文將使用kaggle上的國際足聯(lián)2019年完整的球員數(shù)據(jù)集，其最新版數(shù)據(jù)庫包括了每個注冊在內(nèi)的球員的詳細信息。

由于該數(shù)據(jù)集有許多列，因此我們只關注分類列和連續(xù)列的子集。

 

 

 

 

球員數(shù)據(jù)

雖然該數(shù)據(jù)格式良好，但是因為工資和值列是以歐元為單位，并包含字符串，需要進行一些預處理，才能使它們?yōu)楹罄m(xù)分析提供數(shù)值。

 

 

圖形分類相關性

簡單來說，相關性是衡量兩個變量如何一起運動的指標。

例如，在現(xiàn)實生活中，收入與支出呈正相關，其中一個變量隨著另一個變量的增加而增加。

學習成績和電子游戲的使用呈負相關，其中一個變量的增加意味著另一個變量的減少。

因此如果預測變量與目標變量呈正相關或負相關，那么該變量就有研究價值。

研究不同變量之間的相關性對于理解數(shù)據(jù)非常有意義。

使用Seaborn即可輕松創(chuàng)建出相當不錯的關系圖。

 

 

 

 

所有的分類變量都去哪了?

你有注意到什么問題嗎?

有問題，因為該圖僅計算了數(shù)值列之間的相關性。

如果目標變量是club或position，會出現(xiàn)什么情況?

如果想得到三種不同情況之間的相關性，可使用以下相關性度量來計算。

1. 數(shù)值變量

該變量可通過Pearson相關性的方式得到，用于度量兩個變量如何一起運動，范圍為[-1，1]。

2. 分類變量

使用克萊姆V系數(shù)來分類案例。該系數(shù)是兩個離散變量之間的相互關聯(lián)，并與具有兩個或多層次的變量一起使用。它也是一個對稱的度量，因為變量的順序無關緊要，即克萊姆(A,B)==克萊姆(B，A)。

例如，在數(shù)據(jù)集中，Club和Nationality一定有某種關聯(lián)。

可用堆疊圖來驗證這一點，這是理解分類變量和分類變量間分布的一個絕佳方法，因為在該數(shù)據(jù)中有很多國籍和俱樂部，所以使用數(shù)據(jù)的子集。

只保留最好的球隊(保留波爾圖足球俱樂部只是為了讓樣本更加多樣化)和最常見的國籍。

 

 

俱樂部偏好在很大程度上反映了“國籍”：了解前者有助于預測后者。

由圖可知，英國球員更可能效力于切爾西隊或曼聯(lián)隊，而不是在巴塞羅那隊、拜仁慕尼黑隊或波爾圖隊。

同理，克萊姆V系數(shù)也也捕獲到了同樣的信息。

如果所有俱樂部擁有的球員的國籍比例相同，那么克萊姆V系數(shù)則為0。

如果每個俱樂部偏好單一國籍的球員，則克萊姆系數(shù)V==1，例如，所有的英國球員在曼聯(lián)隊效力，所有的德國球員在拜仁慕尼黑隊效力等等。

在所有其他情況下，范圍則為[0,1]。

3. 數(shù)值變量和分類變量

對連續(xù)分類案例使用相關比率。

在不涉及太多數(shù)學的情況下，該變量用于離散程度的衡量。

如果給定一個數(shù)字，就能找出它的類別嗎?

例如，假設數(shù)據(jù)集中有“SprintSpeed”和“Position”兩列分類，那么：

守門員：58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)

中后衛(wèi)：68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)

前鋒：91(C.Ronaldo)、94(G. Bale)、80(S.Aguero)、 76(R. Lewandowski)

由上可知，這些數(shù)字很好地預測了他們所處的位置，因此相關性很高。

如果某球員沖刺速度超過85，那么該球員肯定是前鋒。

這個比率也在[0,1]之間。

執(zhí)行此操作的代碼取自dython包，代碼不會很多，最終結果如下：

 

 

 

 

分類vs.分類、分類vs.數(shù)值、數(shù)值vs.數(shù)值，這些使圖表更為有趣。

很美，不是嗎?

只要看看數(shù)據(jù)，就能對足球有如此多的了解，例如：

球員的位置與運球能力高度相關�？偛荒茏屆肺魈吆笮l(wèi)吧!

值與傳球和控球的相關性比運球更高。規(guī)則是永遠傳球，正如內(nèi)馬爾的傳球。

“俱樂部”和“收入”有很高的相關性并且可預測。

“體型”與“踢球偏好的腳”高度相關。這是否意味著如果某球員是瘦子，就很可能喜歡用左腳踢球?這可能沒啥實際意義，需要進一步調(diào)查。

此外，通過這個簡單的圖表，就能找到上述這么多信息，這在沒有分類變量的典型相關圖中是見不到的。

大家可深入研究這張圖表，得到更多有意義的結果，但關鍵是圖表能讓大家在現(xiàn)實生活中更容易找到某種規(guī)律。

散點圖矩陣

雖然前文談到了很多相關性，但它是一個變幻無常的指標，為了讓大家理解，我們來看一個例子。

“Anscombe四重奏”由四個相關性幾乎近似于1的數(shù)據(jù)集組成，但具有非常不同的數(shù)據(jù)分布，并且在繪制時呈現(xiàn)出非常不同的效果。

 

 

Anscombe四重奏：相關性變化無常

因此，有時繪制相關數(shù)據(jù)變得至關重要，并且需要單獨查看分布。

現(xiàn)在數(shù)據(jù)集中有很多列，把它們?nèi)�都繪制成圖形會很費力。

其實只需幾行代碼就可以解決。

 

 

 

 

非常好，在該圖中可看到很多信息。

工資和價值高度相關。

大多數(shù)其它值也是相關的，然而“潛力”與“價值”的比的趨勢是不尋常的。可以看到，當?shù)竭_特定的潛在閥值時，價值如何呈指數(shù)增長。這些信息對建模很有幫助，可以對“潛力”進行轉(zhuǎn)換使其更具有相關性嗎?

警告：沒有分類列!

在此基礎上能做得更好嗎?總能做到。

 

 

 

 

圖上的信息很多，只需添加“hue”參數(shù)到分類變量“club”中即可。

波爾圖隊的工資分配趨向于工資少的那一端。

該圖無法看出波爾圖隊球員價值的急劇分布，波爾圖隊的球員們總是在尋求機會。

許多粉紅點(代表切爾西隊)在“潛力”和“工資”圖上形成了一個集群。切爾西隊有很多工資較低的高潛力球員，需要更多關注。

還可從工資/價值子圖中獲取一些信息。

年薪50萬的藍點是梅西。此外，比梅西更有價值的橙點是內(nèi)馬爾。

盡管該技巧仍然不能解決分類問題，但還有一些其它方法來研究分類變量分布，雖然是個例。

分類散點圖

如何查看分類數(shù)據(jù)和數(shù)字數(shù)據(jù)之間的關系?

就像輸入名字一樣，輸入分類散點圖的圖片。為每個類別繪制一組點，在y軸上稍微分散，以便于查看。

這是我們目前繪制這種關系的首選方法。

 

 

 

 

分類散點圖

為什么不用箱形圖呢?中位數(shù)在哪?可以繪制出來嗎?當然可以。在頂部覆蓋一個條形圖，就得到了一個好看的圖形。

 

 

 

 

有趣的分類散點圖+箱形圖

很好，在圖表上可看出各個點的分布和一些統(tǒng)計數(shù)據(jù)，并能明確地了解工資差異。

圖中最右邊的點是梅西，這樣一來，就不用通過圖表下方的文字來說明。

該圖可用來做演示，如果老板要求把梅西寫在這張圖上，那么就可加上圖片注釋。

 

 

 

 

帶注釋的統(tǒng)計信息和點群，可用于演講中。

看看該圖下方的波爾圖隊，工資預算如此之小，難以和其它高收入的球隊們競爭。

皇馬和巴塞羅那有許多高薪球員。

曼聯(lián)的工資中位數(shù)最高。

曼聯(lián)和切爾西注重平等，許多球員的工資水平都差不多。

雖然內(nèi)馬爾比梅西更受重視，但梅西和內(nèi)馬爾的工資差距巨大。

由此可知，在這個瘋狂的世界中，有些正常只是表面的。

本文討論了計算和讀取不同變量類型之間的相關性、繪制數(shù)值數(shù)據(jù)之間的相關性、以及使用分類散點圖繪制分類數(shù)據(jù)和數(shù)值數(shù)據(jù)之間的相關性。十分有趣的是，可以在Seaborn 中將圖表元素疊加在一起。

標簽： [db:TAGG]

版權申明：本站文章部分自網(wǎng)絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。