DAY07 资料视觉化

一、视觉化为何如此重要

终於进入到视觉化的部分了！虽然现在有很多的绘图软件，但我认为初期用python自己画出图，可以增强自己的编码能力。其实视觉化一直都是资料分析很重要的一环，我用下图举例，你就可以了解为什麽要做视觉化了。以下是我用卡方分配去挑选重要的特徵，得出来的结果。

假如你是个大学教授，学生在跟你报告的时候，你希望学生用一张图解释在资料中做了什麽发现了什麽（左图），还是贴出一张程序码逐行解释每一行的功用，最後又贴出一张程序码跑出来的分数（右图）呢？
我想绝大多数会选择左图吧，教授要看到的只是做出来的结果，而不是程序码怎麽执行的，就算程序coding有多厉害，没有搭配图表去解释你的结果，就不能算是一个好的报告。

二、资料视觉化所涵盖的统计概念

有一些基本的统计工具及工具图必须要先了解，才能在画图的时候用对工具。

1.资料分配分为间断型以及连续型

间断型的机率质量函数图形

1. 间断型画出来的图形会像这样，彼此之间不会相连，常见的间断型资料是性别：男生在资料中占几个，女生占几个。
2. 而为何称机率”质量“函数呢？因为他的机率函数值代表他的机率质量大小。意思就是函数值是多少机率值就是多少。因此称为机率质量函数。

连续型的机率密度函数图形

1. 连续型画出来的图形会是连续不间断的。在资料中会遇到的，例如像台北市资产分布，每天每小时的pm2.5浓度等......
2. 而为何称机率”密度“函数呢？因为他的机率值必须求算他的面积才能得到。因此称为机率密度函数。

2.各图形所代表的意义及功用

1. 直方图：将 一组数据分成数组後，依照各组距的范围与次数，绘制成连续型资料之次数分布图，通常可呈现等距及比率变数的资料
2. 长条图：与 直方图类似，但主要用以显示类别资料的分布情形，因此条柱不相连。
   藉由将各组的标志放在图形的横轴上，纵轴则为次数尺度或累积次数尺度等
3. 盒须图：亦称箱型图(box-plot)，利用图形呈现资料的中央趋势与离散程度，不需绘制出实际的观察值即可显示所分配的总计统计量
4. 折线图：由一条线连接数点以显示序列，以图表呈现资料分布的变化趋势
5. 散布图：在多维空间中给出 p 个变数关系的点。由点的疏密程度和延展方向等分布特徵，初步了解变数的关系。

三、各类型基本图表实作

1.直方图

以铁达尼号资料集为例

资料集来源：https://www.kaggle.com/c/titanic/data

index_survived = (train_df["Age"].isnull()==False)&(train_df["Survived"]==1)
index_died = (train_df["Age"].isnull()==False)&(train_df["Survived"]==0)

sns.distplot( train_df.loc[index_survived ,'Age'], bins=20, color='blue', label='Survived' )
sns.distplot( train_df.loc[index_died ,'Age'], bins=20, color='red', label='Survived' )

2.长条图

以员工离职预测率重要程度为例

资料集来源：https://aidea-web.tw/topic/2f3ee780-855b-4ea7-8fc8-61f26447af1d

import seaborn as sns
fig = plt.figure(figsize=(10,12))         #画布大小   
sns.barplot(a['Score'],a['Feature'])      #前面是X轴你要放的特徵 ，後面是Y轴你要放的东西

3.盒须图

以员工离职预测“任职前工作平均年数”画出盒须图

可以看到右边的点即为资料中的离群值

资料集来源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

import seaborn as sns
sns.boxplot(train['任职前工作平均年数'])

4.折线图

画出每个天气特徵月的变化

资料集来源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

plt.style.use("ggplot")               # 使用ggplot主题样式
plt.xticks(day)
#画第多条线，plt.plot(x, y, c)参数分别为x轴资料、y轴资料、线颜色
plt.plot(e["month"],e["pm2.5"],c = colors[0])  
plt.plot(e["month"],e["DEWP"],c = colors[1])  
plt.plot(e["month"],e["TEMP"],c = colors[2])  
plt.plot(e["month"],e["PRES"],c = colors[3])  
plt.plot(e["month"],e["Iws"],c = colors[4])  
plt.plot(e["month"],e["Is"],c = colors[5])  
plt.plot(e["month"],e["Ir"],c = colors[6])  
# 设定图例，参数为标签、位置
plt.legend(labels=['pm2.5', 'DEWP', 'TEMP', 'PRES', 'Iws', 'Is','Ir'], loc = 'best')
plt.xlabel("months", fontweight = "bold")                # 设定x轴标题及粗体
plt.ylabel(" Average of feature", fontweight = "bold")    # 设定y轴标题及粗体
plt.title("2014 months average change", fontsize = 15, fontweight = "bold", y = 1.1)

5.散布图

以天气资料为例，可以看到资料呈现负相关。

资料集来源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

plt.scatter(df_weather1["Temperature"],df_weather1["RH"])
plt.xlabel("Temperature") #X轴标签
plt.ylabel("RH") #Y轴标签
plt.grid(True)

6.相关系数热力图

透过相关系数的计算，我们可以将它已图显示出来最。可以更快找到资料彼此之间的关联。

颜色越深代表关联性越高。

资料集来源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

corr_pd = train.corr() #先算出资料间彼此的相关系数
#使用seaborn做视觉化
import seaborn as sns
import matplotlib.pyplot as plt
# 指定画幅
plt.figure(figsize=(8,6))
# 绘制热力图
sns.heatmap(corr_pd, cmap='YlGnBu')

四、结论

其实网路上有很多大神画的图都很漂亮，可以去上面看他们提供的程序码，去研究他怎麽画出来的，以下是这些网站的介绍。

• Plotly：这是一个套件，这个网站都有一些很酷的图，且都有附上程序码。
  网址： https://plotly.com/
• matplotlib：也是一个画图套件，一样有各式各样的图，并附上程序码
  网址： https://matplotlib.org/3.2.2/index.html