Python可视化数据分析工具

旧城等待， 2022-08-30 11:12 276阅读 0赞

##  ##

# 1. 数据分析基本流程 #

作为非专业的数据分析人员，在平时的工作中也会遇到一些任务：需要对大量进行分析，然后得出结果，解决问题。

所以了解基本的数据分析流程，数据分析手段对于提高工作效率还是非常有帮助的。

首先都是存在一个要解决的问题，主要问题和预期分析目标，简单来讲就是对问题进行定义。

然后才是开始收集数据、数据清洗、数据建模、数据展现、优化和重复，最后是报告撰写。

1. 明确分析目的和思路：在进行数据分析之前，首先考虑的应该是“为什么要展开数据分析？我要解决什么问题？从哪些角度分析数据才系统？用哪个分析方法最有效？”，而不是“这此分析需要出多少页报告？打算用高级分析算法试试…”这样的思维方式。只有明确了分析目的和思路，数据分析的方向才不会跑偏，才能得出有意义的结论。  
2. 数据收集：明确了分析目的，接下来就是开工收集数据了。数据来源有很多，但是确保数据可信度等很重要。  
3. 数据处理：包括数据清洗、转换、分组等处理方法。我们拿到的数据，通常情况下是不可直接使用的，比如数据有丢失、重复、有录入错误或存在多余维度等情况。只有经过处理后的数据才可以使用。提高数据质量，定义分析需要的数据结构。  
4.数据分析：在明确分析思路的前提下，选用适合的分析方法对处理后的数据进行分析。创建不同数据模型，然后不停的优化和重复。  
5.数据展现：将分析结果用图表来展现。所以数据展现阶段，你需要思考“采用这个图表，能否清晰的表达出分析结果？我想表达的观点是否完全展示出来了？”**这是本文重点关注的点。**  
6.报告撰写：将数据分析的整个过程和结果，以书面的形式向他人说明。需要将分析目的、数据来源、分析过程、分析结论和建议等内容展现在报告中。

## 1.1 常用统计方法 ##

除了可视化展示数据分析结果，一些统计描述也很有必要。因此，罗列一些简单的统计性描述概念。

使用Numpy

平均值、最大值、最小值、求和

标准误差：表示样本平均数和总体平均数的变异程度，可以用来反映结果精密度。

标准差(均方差)：计算一组数据偏离均值的平均幅度，不管这组数据是样本数据还是总体数据

方差：在概率论和统计方差衡量随机变量或一组数据时离散程度的度量

中位数：对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。

众数：在统计分布上具有明显集中趋势点的数值，代表数据的一般水平（众数可以不存在或多于一个）

import numpy as np
    from scipy.stats import mode
    
    array = np.array([1, 3, 4, 23, 565, 1, -8, 123, 111, 54, 45.0, 3, 3])
    
    print '求和：', array.sum()
    print '最大值：', array.max()
    print '最小值：', array.min()
    print '条数：', array.size
    print '标准差：', array.std()---------------偏离平均值的幅度
    print '平均值：', array.mean()
    print '中位数：', np.median(array)
    print '方差：', np.var(array)---------------这组数据离散程度
    print '众数：', mode(array).mode, mode(array).count

结果如下：

求和： 928.0
    最大值： 565.0
    最小值： -8.0
    条数： 13
    标准差： 148.326323439
    平均值： 71.3846153846
    中位数： 4.0
    方差： 22000.6982249
    众数： [ 3.] [3]

关于NumPy和SciPy常用统计方法，参考《[使用Python进行描述性统计][Python]》。

## 1.2 常用图表 ##

题外话《[如何快速成为数据分析师？][Link 1]》，是一个不错的科普。包括数据可视化、分析思维训练、数据库学习、统计知识、数据分析常用语言Python/R，以及业务也即需要分析的对象学习。

数据可视化是分析数据的优秀工具，好的可视化是会讲故事的。

下面这张图来源于：《[数据可视化：你想知道的经典图表全在这][Link 2]》。他根据你想要展示的内容进行划分，只要对你的展示内容分门别类就可以找到合适的图表。

维度：数据分析本质是各种维度的组合，维度可以用时间、数值、文本等表示。

![fb8b0c18f1300062c3962983ce142ea5.png][]

数据通常包含五种关系：构成、比较、趋势、分布及联系。

参照：《[如何选择正确的图表类型][Link 3]》

构成：关注每个部分所占整体的百分比，适用饼图。

比较：展示事物的排列顺序，首选条图。

趋势：常见的时间序列关系，适用线图能更好的展示变化。

分布：关心各数值范围包含多少项目，适用柱图。

联系：查看两个变量之间关系，适用气泡图。

![c17365fbc53ca304d2d7103067e9e37c.png][]

# 2. Python可视化 #

Python可视化工具繁多，但没有一个能覆盖所有需求。所以需要针对需求，决定使用那些工具更合适。

《[Overview of Python Visualization Tools][]》对Python下的可视化工具进行了介绍和对比，包括matplotlib、Pandas、Seaborn、ggplot、Bokeh、pygal、Plotly。

下面重点了解一下matplotlib、Pandas和Bokeh。

## 2.1 matplotlib ##

根据上图《如何选择图表的类型？》，将各种图表在matplotlib中对应函数列出。

### 2.1.1 趋势 ###

线图(很多日期) & 多线图(多种分类)

\#API: http://matplotlib.org/api/pyplot\_api.html\#matplotlib.pyplot.plot import matplotlib.pyplot as plt import numpy as np import pandas as pd fig, ax = plt.subplots() plt.subplot(4, 1, 1) data = pd.DataFrame(np.random.randn(1000, 4), columns=\['x', 'y', 'z', 't'\]) index = range(len(data)) plt.plot(index, data\['x'\].cumsum(), label='xxx') plt.subplot(4, 1, 2) plt.plot(index, data.loc\[:, \['x', 'y'\]\].cumsum()) plt.subplot(4, 1, 3) plt.plot(index, data.loc\[:, \['x', 'y', 'z'\]\].cumsum()) plt.subplot(4, 1, 4) plt.plot(index, data.cumsum()) fig.set\_size\_inches(40, 32) plt.show()

![54b307c94d4a313712d8ad7cb6faccc1.png][]

柱图(少数分类)

\#API: http://matplotlib.org/api/pyplot\_api.html\#matplotlib.pyplot.bar import matplotlib.pyplot as plt import pandas as pd import numpy as np opacity = 0.8 data = pd.DataFrame(np.random.rand(10, 4), columns=\['a', 'b', 'c', 'd'\]) fig, ax = plt.subplots() index = range(len(data)) plt.subplot(4, 1, 1) plt.bar(index, data\['a'\]) plt.subplot(4, 1, 2) plt.bar(index, data\['a'\], alpha=opacity, width=0.2) plt.bar(\[i+0.2 for i in index\], data\['b'\], alpha=opacity, width=0.2) plt.bar(\[i+0.4 for i in index\], data\['c'\], alpha=opacity, width=0.2) plt.bar(\[i+0.6 for i in index\], data\['d'\], alpha=opacity, width=0.2) fig.set\_size\_inches(40, 32) plt.xticks(index, list('thisisabar')) plt.show()

![58380fdf7af7ec75c80e1e4376593128.png][]

### 2.1.2 比较 ###

表格（许多项目）

import matplotlib.pyplot as plt
    import numpy as np
    
    col_labels = ['col1', 'col2', 'col3']
    row_labels = ['row1', 'row2', 'row3']
    row_colors = ['red', 'gold', 'green']
    
    table_vals = np.random.randn(3, 3)
    
    
    fig, ax = plt.subplots()
    my_table = ax.table(cellText = table_vals,
                        colWidths = [0.5]*3,
                        rowLabels=row_labels,
                        colLabels=col_labels,
                        rowColours=row_colors,
                        colColours=row_colors,
                        loc='center',
                        animated = True)
    #ax.xaxis.set_visible(False)
    #ax.yaxis.set_visible(False)
    ax.axis('off')
    fig.set_size_inches(10, 10)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70][]

条图(一种分类)

堆叠条图（2种以上分类）

### 2.1.3 联系 ###

散点图(2维) & 气泡图(3维)

散点图和气泡图的区别就在于气泡图多了一维数据，是散点具备了不同的半径。

API: http://matplotlib.org/api/pyplot\_api.html\#matplotlib.pyplot.scatter import matplotlib.pyplot as plt import numpy as np import pandas as pd N = 100 fig, ax = plt.subplots() data = pd.DataFrame(np.random.rand(N, 3)\*100, columns=\['x', 'y', 'r'\]) data\['r'\] = np.pi\*(np.pi\*data\['r'\]/20)\*\*2 \#s is area colors = 2\*np.pi\*data\['x'\] \#colors is value of circumference plt.subplot(3, 1, 1) plt.scatter(data\['x'\], data\['y'\], c=colors, s=np.pi\*5\*\*2) plt.subplot(3, 1, 2) plt.scatter(data\['x'\], data\['y'\], c=colors, s=data\['r'\]) fig.set\_size\_inches(10, 30) plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 1][]

雷达图(多维)

### 2.1.4 构成 ###

100%堆积柱图(相对差异)

堆叠柱图（绝对差异）

堆积百分比面积图（相对差异）

堆积面积图（相对绝对差异）

饼图（占整体比例）

\#API Introduction: http://matplotlib.org/api/pyplot\_api.html\#matplotlib.pyplot.pie import matplotlib.pyplot as plt labels = 'A', 'B', 'C', 'D', 'E', 'F', 'G' sizes = \[20, 45, 68, 98, 60, 28, 99\] explode = (0, 0.1, 0, 0, 0, 0, 0) fig, ax = plt.subplots() ax.pie(sizes, explode=explode, labels=labels, autopct='%.2f%%', shadow=True, startangle=90) fig.set\_size\_inches(8, 8) plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 2][]

漏斗图（次序部分与整体）

金字塔图（次序部分与整体）

### 2.1.5 分布/地理 ###

地图（地理分布）

柱图（1维）

散点图（2维）

气泡图（3维）

曲面图（3维）

### 2.1.6 其他 ###

极坐标图

有三种：线状极坐标图/柱状极坐标图/气泡极坐标。

import matplotlib.pyplot as plt import matplotlib import numpy as np import pandas as pd fig, ax = plt.subplots() ax = plt.subplot(111, projection='polar') r = np.arange(0, 2, 0.01) theta = 2\*np.pi\*r plt.plot(theta, r) ax.set\_rmax(2) ax.set\_rticks(np.arange(0, 2, 0.5)) ax.set\_rlabel\_position(-22.5) ax.grid(True) fig.set\_size\_inches(10, 10) plt.show()

import numpy as np
    import matplotlib.pyplot as plt
    
    # Compute pie slices
    N = 20
    fig, ax = plt.subplots()
    theta = np.linspace(0.0, 2 * np.pi, N, endpoint=False)
    radii = 10 * np.random.rand(N)
    width = np.pi / 4 * np.random.rand(N)
    
    ax = plt.subplot(111, projection='polar')
    bars = ax.bar(theta, radii, width=width, bottom=0.0)
    
    # Use custom colors and opacity
    for r, bar in zip(radii, bars):
        bar.set_facecolor(plt.cm.viridis(r / 10.))
        bar.set_alpha(0.5)
    
    fig.set_size_inches(10 , 10)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 3][]

import matplotlib.pyplot as plt
    import numpy as np
    
    
    # Compute areas and colors
    N = 150
    
    fig, ax = plt.subplots()
    r = 2 * np.random.rand(N)
    theta = 2 * np.pi * np.random.rand(N)
    area = 200 * r**2
    colors = theta
    
    ax = plt.subplot(111, projection='polar')
    c = ax.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)
    
    fig.set_size_inches(10, 10)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 4][]

## 2.2 Bokeh ##

Bokeh的[官方文档][Link 4]和[Bokeh源码][Bokeh]。

## 2.3 Pandas ##

pandas基于NumPy的一种Python工具包，主要是为了解决数据分析任务而创建。

Pandas提供了大量库和标准数据模型，高效地操作大型数据集所需的工具。Pandas主要包括三种数据结构：

Series，一维数组，与NumPy中的一维array类似。TimeSeries，以时间为索引的Series。

DataFrame，二维表格型数据结构，可以将DataFrame理解为Series的容器。

Panel，三维数组，可以理解为DataFrame的容器。

关于Pandas有一个简要的入门《[10 Minutes to pandas][]》，主要包括创建pandas数据，查看数据，对数据操作(统计等)，Merge/Grouping/Reshaping/Time Series/Categoricals/Plotting，以及数据的I/O接口。

更详细的入门在《[Tutorials][]》。

可视化相关内容在《[Virtualization][]》，pandas的可视化基于matplotlib，包括基本plot/Bar/Histograms/Box/Area/Scatter/Hexagonal Bin/Pie。

《[API Reference][]》提供了所有pandas的objects/functions/methods的介绍，在这里可以获取每个函数的使用方法。

还有很多对plot设置的Plot Formatting以及附加的Plotting工具。

在[pandas\_test][pandas_test]中对pandas基本数据处理和可视化进行了简单测试。

2.3.1 pandas数据构造

import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    
    
    s = pd.Series([1, 3, 5, np.nan, 6, 8]) #一维数据构造
    s_list = s.tolist() #从series到list
    s_series = pd.Series(s_list) #从list到series
    
    print '\nSeries:\n', s
    print '\nSeries item:\n', s[2]
    print '\nSeries to list:\n', s_list
    print '\nList to series:\n', s_series
    
    dates = pd.date_range('20171001', periods=7)
    
    #二维数据构造
    df = pd.DataFrame(np.random.randn(7, 4)*100, index=dates, columns=list('ABCD'), dtype='uint32')
    df_list = np.array(df).tolist()
    df_dataframe = pd.DataFrame(df_list, columns=['a', 'b', 'c', 'd'])
    df_list.extend
    print '\nDataFrame:\n', df
    print '\nDataFrame to list:\n', df_list
    print '\nList to DataFrame:\n',df_dataframe
    print '\nDataFrame row:\n', df_dataframe.iloc[3]
    print '\nDataFrame column:\n', df_dataframe['d']
    
    print '\nHex format:'
    for i in range(len(df_dataframe)):
        print '0x%0.8x, 0x%0.8x, 0x%0.8x, 0x%0.8x' % (df_dataframe.iloc[i]['a'],
                     df_dataframe.iloc[i]['b'],
                     df_dataframe.iloc[i]['c'],
                     df_dataframe.iloc[i]['d'])
    
    
    '''
    print 'head\n', df.head(3)
    print 'tail\n', df.tail(3)
    print 'index\n', df.index
    print 'columns\n', df.columns
    print 'values\n', df.values
    print 'sort_index\n', df.sort_index(axis=1, ascending=False)
    print 'sort_values\n', df.sort_values(by='B', ascending=False)
    print df['C']
    print df[0:3]
    '''
    #二维数据构造
    df2 = pd.DataFrame({'A':1.,
                       'B':pd.Timestamp('20130102'),
                       'C':pd.Series(1, index=list(range(4)), dtype='float32'),
                       'D':np.array([3]*4, dtype='int32'),
                       'E':pd.Categorical(['test', 'train', 'test', 'train']),
                       'F':'foo'})

2.3.2 pandas可视化图表

可视化图表主要有基本plot/bar/histograms/box/area/scatter/hexagonal/pie。

准备好数据，使用起来都非常简单，xxx.plot()/xxx.plot.bar()/xxx.plot.pie()形式。

[Python]: http://www.cnblogs.com/jasonfreak/p/5441512.html
[Link 1]: https://www.zhihu.com/question/29265587
[Link 2]: https://zhuanlan.zhihu.com/p/24168144
[fb8b0c18f1300062c3962983ce142ea5.png]: /images/20220829/36524a451789405a9c7c85c6d8ad9263.png
[Link 3]: https://zhuanlan.zhihu.com/p/27746129
[c17365fbc53ca304d2d7103067e9e37c.png]: /images/20220829/2c881cff8b0c4777bcbdb04532f8b080.png
[Overview of Python Visualization Tools]: http://pbpython.com/visualization-tools-1.html
[54b307c94d4a313712d8ad7cb6faccc1.png]: /images/20220829/4ae965124f994ed4ab12781ed128a192.png
[58380fdf7af7ec75c80e1e4376593128.png]: /images/20220829/0d88b8ba013e452c96d0bbbf8af8c04f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70]: /images/20220829/c6ca57c6d8124b268411502158713316.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 1]: /images/20220829/3e239b1ae5e3405b835a42e7950f4809.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 2]: /images/20220829/7bc46e4ac62d4890bb0747a5c240af0b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 3]: /images/20220829/be0582832fb34334a815c349c624b088.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xkcV9zZA_size_16_color_FFFFFF_t_70 4]: /images/20220829/53daf6717cf4475db774b12318ffae41.png
[Link 4]: https://bokeh.pydata.org/en/latest/
[Bokeh]: https://github.com/bokeh/bokeh
[10 Minutes to pandas]: http://pandas.pydata.org/pandas-docs/stable/10min.html
[Tutorials]: http://pandas.pydata.org/pandas-docs/stable/tutorials.html
[Virtualization]: http://pandas.pydata.org/pandas-docs/stable/visualization.html
[API Reference]: https://www.cnblogs.com/arnoldlu/p/API%20Reference%C2%B6
[pandas_test]: https://github.com/arnoldlu/pm-debug/blob/master/test/pandas/pandas_test.ipynb