Seaborn(二)之数据集分布可视化 水深无声 2023-08-17 17:44 73阅读 0赞 # Seaborn(二)之数据集分布可视化 # 当处理一个数据集的时候,我们经常会想要先看看特征变量是如何分布的。这会让我们对数据特征有个很好的初始认识,同时也会影响后续数据分析以及特征工程的方法。本篇将会介绍如何使用 seaborn 的一些工具来检测单变量和双变量分布情况。 %matplotlib inline import numpy as np import pandas as pd from scipy import stats, integrate import matplotlib.pyplot as plt import seaborn as sns sns.set(color_codes=True) np.random.seed(sum(map(ord, "distributions"))) > 注意:这里的数据集是随机产生的分布数据,由 numpy 生成,数据类型是ndarray。当然,pandas 的 Series 数据类型也是可以使用的,比如我们经常需要从 DataFrame 表中提取某一特征(某一列)来查看分布情况。 # 绘制单变量分布 # 在 seaborn 中,快速观察单变量分布的最方便的方法就是使用 distplot() 函数。默认会使用柱状图(histogram)来绘制,并提供一个适配的核密度估计(KDE)。 x = np.random.normal(size = 100) sns.distplot(x) <matplotlib.axes._subplots.AxesSubplot at 0x1a182da940> ![png][] ## 直方图(histograms) ## 直方图是比较常见的,并且在 matplotlib 中已经存在了 hist 函数。直方图在横坐标的数据值范围内均等分的形成一定数量的数据段(bins),并在每个数据段内用矩形条(bars)显示y轴观察数量的方式,完成了对的数据分布的可视化展示。 为了说明这个,我们可以移除 kde plot,然后添加 rug plot(在每个观察点上的垂直小标签)。当然,你也可以使用 rug plot 自带的 rugplot() 函数,但是也同样可以在 distplot 中实现: sns.distplot(x, kde = False, rug = True) <matplotlib.axes._subplots.AxesSubplot at 0x1a1867d358> ![png][] 当绘制直方图时,你最需要确定的参数是矩形条的数目以及如何放置它们。distplot()使用了一个简单的规则推测出默认情况下最合适的数量,但是或多或少的对 bins 数量进行一些尝试也许能找出数据的其它特征: sns.distplot(x, bins=20, kde=False, rug=True) <matplotlib.axes._subplots.AxesSubplot at 0x1a1882f8d0> ![png][] ## 核密度估计(Kernel density estimation) ## 核密度估计可能不被大家所熟悉,但它对于绘制分布的形状是一个非常有用的工具。就像直方图那样,KDE plots 会在一个轴上通过高度沿着其它轴将观察的密度编码。 sns.distplot(x, hist=False, rug=True); ![png][] 绘制 KDE 比绘制直方图需要更多的计算。它的计算过程是这样的,每个观察点首先都被以这个点为中心的正态分布曲线所替代。 x = np.random.normal(0, 1, size=30) bandwidth = 1.06 * x.std() * x.size ** (-1 / 5.) support = np.linspace(-4, 4, 200) kernels = [] for x_i in x: kernel = stats.norm(x_i, bandwidth).pdf(support) kernels.append(kernel) plt.plot(support, kernel, color="r") sns.rugplot(x, color=".2", linewidth=3); ![png][] 然后,这些替代的曲线进行加和,并计算出在每个点的密度值。最终生成的曲线被归一化,以使得曲线下面包围的面积是1。 density = np.sum(kernels, axis=0) density /= integrate.trapz(density, support) plt.plot(support, density) [<matplotlib.lines.Line2D at 0x1a18bf3048>] ![png][] 我们可以看到,如果我们使用 kdeplot() 函数,我们可以得到相同的曲线。这个函数实际上也被 distplot() 所使用,但是如果你就只想要密度估计,那么 kdeplot() 会提供一个直接的接口更简单的操作其它选项。 sns.kdeplot(x, shade=True) <matplotlib.axes._subplots.AxesSubplot at 0x1a18c8b518> ![png][] KDE 的带宽参数(bw)控制着密度估计曲线的宽窄形状,有点类似直方图中的 bins 参数的作用。它对应着我们上面绘制的 KDE 的宽度。默认情况下,函数会按照一个通用的参考规则来估算出一个合适的值,但是尝试更大或者更小也可能会有帮助: sns.kdeplot(x) sns.kdeplot(x, bw=.2, label="bw: 0.2") sns.kdeplot(x, bw=2, label="bw: 2") plt.legend() ![png][] 如上所述,高斯KDE过程的意味着估计延续了数据集中最大和最小的值。 可以通过cut参数来控制绘制曲线的极值值的距离; 然而,这只影响曲线的绘制方式,而不是曲线如何拟合: sns.kdeplot(x, shade=True, cut=0) sns.rugplot(x); ![png][] ### 拟合参数分布 ### 也可以使用distplot()将参数分布拟合到数据集,并可视化地评估其与观察数据的对应程度: x = np.random.gamma(6, size=200) sns.distplot(x, kde=False, fit=stats.gamma); ![png][] # 绘制双变量分布 # 对于双变量分布的可视化也是非常有用的。在 seaborn 中最简单的方法就是使用 joinplot() 函数,它能够创建一个多面板图形来展示两个变量之间的联合关系,以及每个轴上单变量的分布情况。 mean, cov = [0, 1], [(1, .5), (.5, 1)] data = np.random.multivariate_normal(mean, cov, 200) df = pd.DataFrame(data, columns=["x", "y"]) ## Scatterplots ## 双变量分布最熟悉的可视化方法无疑是散点图了,在散点图中每个观察结果以x轴和y轴值所对应的点展示。你可以用 matplotlib 的 plt.scatter 函数来绘制一个散点图,它也是jointplot()函数显示的默认方式。 sns.jointplot(x="x", y="y", data=df) <seaborn.axisgrid.JointGrid at 0x1a18df47f0> ![png][] ## Hexbin plots ## 直方图 histogram 的双变量类似图被称为 “hexbin” 图,因为它展示了落在六角形箱内的观测量。这种绘图对于相对大的数据集效果最好。它可以通过 matplotlib 的 plt.hexbin 函数使用,也可以作为 jointplot 的一种类型参数使用。它使用白色背景的时候视觉效果最好。 x, y = np.random.multivariate_normal(mean, cov, 1000).T with sns.axes_style("white"): sns.jointplot(x=x, y=y, kind="hex", color="k"); ![png][] ## Kernel density estimation ## 还使用上面描述的核密度估计过程来可视化双变量分布。在 seaborn 中,这种绘图以等高线图展示,并且可以作为 jointplot()的一种类型参数使用。 sns.jointplot(x="x", y="y", data=df, kind="kde"); ![png][] 如果你希望让双变量密度看起来更连续,您可以简单地增加 n\_levels 参数增加轮廓级数: f, ax = plt.subplots(figsize=(6, 6)) cmap = sns.cubehelix_palette(as_cmap=True, dark=0, light=1, reverse=True) sns.kdeplot(df.x, df.y, cmap=cmap, n_levels=60, shade=True); ![png][] jointplot()函数使用JointGrid来管理图形。为了获得更多的灵活性,您可能需要直接使用JointGrid绘制图形。jointplot()在绘制后返回JointGrid对象,你可以用它来添加更多层或调整可视化的其他方面: g = sns.jointplot(x="x", y="y", data=df, kind="kde", color="m") g.plot_joint(plt.scatter, c="w", s=30, linewidth=1, marker="+") g.ax_joint.collections[0].set_alpha(0) g.set_axis_labels("$X$", "$Y$"); ![png][] # 可视化数据集成对关系 # 为了绘制数据集中多个成对的双变量,你可以使用 pairplot() 函数。这创建了一个轴矩阵,并展示了在一个 DataFrame 中每对列的关系。默认情况下,它也绘制每个变量在对角轴上的单变量。 iris = sns.load_dataset("iris") sns.pairplot(iris) <seaborn.axisgrid.PairGrid at 0x1a19742278> ![png][] 就像 joinplot() 和 JoinGrid 之间的关系,pairplot() 函数建立在 PairGrid 对象之上,直接使用可以更灵活。 g = sns.PairGrid(iris) g.map_diag(sns.kdeplot) g.map_offdiag(sns.kdeplot, cmap="Blues_d", n_levels=6) <seaborn.axisgrid.PairGrid at 0x1a1b5ed978> ![png][] > 参考:\[[http://seaborn.pydata.org/tutorial.html][http_seaborn.pydata.org_tutorial.html]\]( 转载于:https://www.cnblogs.com/Yang-Sen/p/11086929.html [png]: [http_seaborn.pydata.org_tutorial.html]: http://seaborn.pydata.org/tutorial.html
还没有评论,来说两句吧...