Python数据可视化-seaborn Iris鸢尾花数据

Iris鸢尾花数据集,内容摘自百度百科:Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理。

由Kaizong Ye,Liao Bao撰写

首先介绍一下“Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集,分为3类,每类50个数据,每个数据包含4个属性。

可通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(Setosa,Versicolour,Virginica)三个种类中的哪一类”。

×

Seaborn是一个独立的数据可视化包,可在单个包中提供许多极具价值的数据可视化。

特点:

a.多个颜色主题

b.可视化单变量、二维变量,用于比较数据集中各变量的分布情况

c.可视化线性回归模型中的变量。

d.可视化矩阵数据,通过聚类算法探究矩阵间的结构。

e.可视化时间序列数据及不确定性

f.可在分割区域制图,用于复杂的可视化

使用:`import seaborn as sns`


单变量分布

核密度估计图 : sns.kdeplot(data)

  • 核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数。

  • 通过核密度估计图可以比较直观的看出数据样本本身的分布特征

distribution plot : displot(kde=True, hist=True, rug=False)

  • 集合了直方图与核函数估计的功能。

  • 只显示直方图 : kde = False

  • 只显示核密度估计 : hist = False

  • 显示观察条 : rug = True

双变量分布

joinplot : sns.joinplot(x, y, data, kind)

  • x, y 二维数据,向量或字符串。

  • data,  如果x, y是字符串,data应该为DataFrame。

  • kind = 'scatter' 默认,二维散点图

  • kind = 'hex', 二维直方图

  • kind = 'kde', 二维核密度估计图


 

变量关系可视化

sns.pairplot(data,hue,vars,kind,dia_kind)

  • data:DataFrame数据集中作为类别的别名

  • hue:数据集中作为类别的列名

  • vars:可视化的列(默认可视化所有列间的关系)

  • kind:scatter散点,reg添加拟合线。

  • diag_kind:对角线的图像,hist直方图,kde核密度估计图。


 

类别数据可视化

参数:x, y, data, hue

1.类别散布图

分布散点图:sns.striplot()

 

分簇散点图:sns.swarmplot()

2.类别内数据分布

sns.boxplot()盒子图

  •  四分位距:IQR=Q3-Q1

  •  最大值:Q3+1.5*IQR,最小值:Q1-1.5*IQR

 

sns.violinplot()小提琴图

3.类别内统计图

柱状图:sns.barplot()

点图:sns.pointplot()


导入库

读取数据

数据字段介绍:

  • sepal_length:花萼长度,单位cm
  • sepal_width:花萼宽度,单位cm
  • petal_length:花瓣长度,单位cm
  • petal_width:花瓣宽度,单位cm
  • 种类:setosa(山鸢尾),versicolor(杂色鸢尾),virginica(弗吉尼亚鸢尾)

在做categorical visualization的时候,seaborn给出了基础的stripplot & swarmplot, boxplot & violinplot, barplot & pointplot,以及抽象化的factorplot.下面就用纸鸢花数据集做一下讲解。

StripplotStripplot的本质就是把数据集中具有quantitative属性的变量按照类别去做散点图(Scatterplot)。


课程

R语言数据分析挖掘必知必会

从数据获取和清理开始,有目的的进行探索性分析与可视化。让数据从生涩的资料,摇身成为有温度的故事。

立即参加

我们将纸鸢花数据集中不同种类花的sepal length做stripplot可视化

plt.show()

上边左侧的图片便是在默认风格下用stripplot绘制的散点图。在很多情况下,stripplot中的点会重叠,使得我们不容易看出点的分布情况。一个简单的解决办法就是用在stripplot的基础上绘制抖动图(jitterplot),仅沿着类别坐标轴的方向去随机微调整点的位置,显示出分布情况。

Swarmplot另一个解决stripplot中点重叠的办法就是绘制swarmplot,它的本质就是用通过算法,在类别坐标轴的方向上去‘延展’绘制这些原本重合的点。 我们将纸鸢花数据集中不同种类花的petal length和petal width做swarmplot可视化。

plt.subplot(1,2,1)

sns.swarmplot(x='Species',y='Petal.Length',data=iris)

plt.show()

Boxplot箱形图,主要包含六个数据节点,将一组数据从大到小排列,分别计算出上边缘,上四分位数Q3,中位数,下四分位数Q1,下边缘,还有异常值。 下面将纸鸢花数据集中的四个变量sepal_length, sepal_width, petal_length和petal_width做箱形图可视化。

fig = plt.figure(1,figsize=(12,12))
plt.show()

ViolinplotViolinplot相当于结合了箱形图与核密度图,更好地展现出数据的量化形态。展示如下:

plt.figure(1,figsize=(12,12))
for i in range(4):
plt.show()

Violinplot用kernel density estimate去更好地描述了quantitative变量的分布。

与此同时,也可以组合swarmplot和boxplot或violinplot去描述quantitative变量。用鸢尾花数据集展示如下:

In [8]:
plt.figure(1,figsize=(12,12))
plt.title(str(var[i])+ ' in Iris species')
plt.show()

BarplotBarplot主要是展现在分类中的quantitative变量的平均值情况,并且用了boostrapping算法计算了估计值的置信区间和error bar.用鸢尾花数据集展示如下:

plt.show()

Countplot如果想知道在每个类别下面有多少个观察值,用countplot就可以,相当于是做一个observation counts,用鸢尾花数据集展示如下:

plt.show()

PointplotPointplot相当于是对barplot做了一个横向延伸,一方面,用point estimate和confidence level去展示barplot的内容;另一方面,当每一个主类别下面有更细分的sub-category的时候,pointplot可以便于观察不同sub-category在各主类别之间的联系。展示如下:

plt.show()

FactorplotFactorplot可以说是seaborn做category visualization的精髓,前面讲的这些plot都可以说是factorplot的具体展示。我们可以用PariGrid去实现对多个类别的数值特征用同一种plot做可视化。

g.map(sns.violinplot,palette='pastel')
plt.show()

附上各plot function的API,今后将会对API中的参数结合tutorial讲讲,如何做出更好的可视化效果。更新ing

seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,

小结

seaborn是一个很棒的可视化库,尤其是当数据维度很大的时候,seaborn可以让我们用最少的代码去绘制一些描述性统计的图,便于找寻各维度变量之间的特征。此篇文档也是我对seaborn的学习笔记,这次整理的内容是关于category visualization。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds