5種快速易用的Python Matplotlib資料視覺化方法

Matplotlib 是一個很流行的 Python 庫，可以幫助你快速方便地構建資料視覺化圖表。然而，每次啟動一個新專案時都需要重新設定資料、引數、圖形和繪圖方式是非常枯燥無聊的。本文將介紹 5 種資料視覺化方法，並用 Python 和 Matplotlib 寫一些快速易用的視覺化函式。下圖展示了選擇正確視覺化方法的導向圖。

散點圖

由於可以直接看到原始資料的分佈，散點圖對於展示兩個變數之間的關係非常有用。你還可以通過用顏色將資料分組來觀察不同組資料之間的關係，如下圖所示。你還可以新增另一個引數，如資料點的半徑來編碼第三個變數，從而視覺化三個變數之間的關係，如下方第二個圖所示。

接下來是程式碼部分。我們首先將 Matplotlib 的 pyplot 匯入為 plt，並呼叫函式 plt.subplots() 來建立新的圖。我們將 x 軸和 y 軸的資料傳遞給該函式，然後將其傳遞給 ax.scatter() 來畫出散點圖。我們還可以設定點半徑、點顏色和 alpha 透明度，甚至將 y 軸設定為對數尺寸，最後為圖指定標題和座標軸標籤。

import matplotlib.pyplot as plt
import numpy as np

def scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False):

    # Create the plot object
    _, ax = plt.subplots()

    # Plot the data, set the size (s), color and transparency (alpha)
    # of the points
    ax.scatter(x_data, y_data, s = 10, color = color, alpha = 0.75)

    if yscale_log == True:
        ax.set_yscale('log')

    # Label the axes and provide a title
    ax.set_title(title)
    ax.set_xlabel(x_label)
    ax.set_ylabel(y_label)
複製程式碼

線圖

當一個變數隨另一個變數的變化而變化的幅度很大時，即它們有很高的協方差時，線圖非常好用。如下圖所示，我們可以看到，所有專業課程的相對百分數隨年代的變化的幅度都很大。用散點圖來畫這些資料將變得非常雜亂無章，而難以看清其本質。線圖非常適合這種情況，因為它可以快速地總結出兩個變數的協方差。在這裡，我們也可以用顏色將資料分組。

以下是線圖的實現程式碼，和散點圖的程式碼結構很相似，只在變數設定上有少許變化。

def lineplot(x_data, y_data, x_label="", y_label="", title=""):
    # Create the plot object
    _, ax = plt.subplots()

    # Plot the best fit line, set the linewidth (lw), color and
    # transparency (alpha) of the line
    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)

    # Label the axes and provide a title
    ax.set_title(title)
    ax.set_xlabel(x_label)
    ax.set_ylabel(y_label)
複製程式碼

直方圖

直方圖對於觀察或真正瞭解資料點的分佈十分有用。以下為我們繪製的頻率與 IQ 的直方圖，我們可以直觀地瞭解分佈的集中度（方差）與中位數，也可以瞭解到該分佈的形狀近似服從於高斯分佈。使用這種柱形（而不是散點圖等）可以清楚地視覺化每一個箱體（X 軸的一個等距區間）間頻率的變化。使用箱體（離散化）確實能幫助我們觀察到「更完整的影象」，因為使用所有資料點而不採用離散化會觀察不到近似的資料分佈，可能在視覺化中存在許多噪聲，使其只能近似地而不能描述真正的資料分佈。

下面展示了 Matplotlib 中繪製直方圖的程式碼。這裡有兩個步驟需要注意，首先，n_bins 引數控制直方圖的箱體數量或離散化程度。更多的箱體或柱體能給我們提供更多的資訊，但同樣也會引入噪聲並使我們觀察到的全域性分佈影象變得不太規則。而更少的箱體將給我們更多的全域性資訊，我們可以在缺少細節資訊的情況下觀察到整體分佈的形狀。其次，cumulative 引數是一個布林值，它允許我們選擇直方圖是不是累積的，即選擇概率密度函式（PDF）或累積密度函式（CDF）。

def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""):
    _, ax = plt.subplots()
    ax.hist(data, n_bins = n_bins, cumulative = cumulative, color = '#539caf')
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
複製程式碼

如果我們希望比較資料中兩個變數的分佈，有人可能會認為我們需要製作兩個獨立的直方圖，並將它們拼接在一起而進行比較。但實際上 Matplotlib 有更好的方法，我們可以用不同的透明度疊加多個直方圖。如下圖所示，均勻分佈設定透明度為 0.5，因此我們就能將其疊加在高斯分佈上，這允許使用者在同一圖表上繪製並比較兩個分佈。

在疊加直方圖的程式碼中，我們需要注意幾個問題。首先，我們設定的水平區間要同時滿足兩個變數的分佈。根據水平區間的範圍和箱體數，我們可以計算每個箱體的寬度。其次，我們在一個圖表上繪製兩個直方圖，需要保證一個直方圖存在更大的透明度。

# Overlay 2 histograms to compare them
def overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""):
    # Set the bounds for the bins so that the two distributions are fairly compared
    max_nbins = 10
    data_range = [min(min(data1), min(data2)), max(max(data1), max(data2))]
    binwidth = (data_range[1] - data_range[0]) / max_nbins


    if n_bins == 0
        bins = np.arange(data_range[0], data_range[1] + binwidth, binwidth)
    else: 
        bins = n_bins

    # Create the plot
    _, ax = plt.subplots()
    ax.hist(data1, bins = bins, color = data1_color, alpha = 1, label = data1_name)
    ax.hist(data2, bins = bins, color = data2_color, alpha = 0.75, label = data2_name)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'best')
複製程式碼

條形圖

當對類別數很少（<10）的分類資料進行視覺化時，條形圖是最有效的。當類別數太多時，條形圖將變得很雜亂，難以理解。你可以基於條形的數量觀察不同類別之間的區別，不同的類別可以輕易地分離以及用顏色分組。我們將介紹三種型別的條形圖：常規、分組和堆疊條形圖。

常規條形圖如圖 1 所示。在 barplot() 函式中，x_data 表示 x 軸上的不同類別，y_data 表示 y 軸上的條形高度。誤差條形是額外新增在每個條形中心上的線，可用於表示標準差。

分組條形圖允許我們比較多個類別變數。如下圖所示，我們第一個變數會隨不同的分組（G1、G2 等）而變化，我們在每一組上比較不同的性別。正如程式碼所示，y_data_list 變數現在實際上是一組列表，其中每個子列表代表了一個不同的組。然後我們迴圈地遍歷每一個組，並在 X 軸上繪製柱體和對應的值，每一個分組的不同類別將使用不同的顏色表示。

堆疊條形圖非常適合於視覺化不同變數的分類構成。在下面的堆疊條形圖中，我們比較了工作日的伺服器負載。通過使用不同顏色的方塊堆疊在同一條形圖上，我們可以輕鬆檢視並瞭解哪臺伺服器每天的工作效率最高，和同一伺服器在不同天數的負載大小。繪製該圖的程式碼與分組條形圖有相同的風格，我們迴圈地遍歷每一組，但我們這次在舊的柱體之上而不是旁邊繪製新的柱體。

def barplot(x_data, y_data, error_data, x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    # Draw bars, position them in the center of the tick mark on the x-axis
    ax.bar(x_data, y_data, color = '#539caf', align = 'center')
    # Draw error bars to show standard deviation, set ls to 'none'
    # to remove line between points
    ax.errorbar(x_data, y_data, yerr = error_data, color = '#297083', ls = 'none', lw = 2, capthick = 2)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)



def stackedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    # Draw bars, one category at a time
    for i in range(0, len(y_data_list)):
        if i == 0:
            ax.bar(x_data, y_data_list[i], color = colors[i], align = 'center', label = y_data_names[i])
        else:
            # For each category after the first, the bottom of the
            # bar will be the top of the last category
            ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i - 1], align = 'center', label = y_data_names[i])
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')



def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    # Total width for all bars at one x location
    total_width = 0.8
    # Width of each individual bar
    ind_width = total_width / len(y_data_list)
    # This centers each cluster of bars about the x tick mark
    alteration = np.arange(-(total_width/2), total_width/2, ind_width)


    # Draw bars, one category at a time
    for i in range(0, len(y_data_list)):
        # Move the bar to the right on the x-axis so it doesn't
        # overlap with previously drawn ones
        ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')
複製程式碼

箱線圖

上述的直方圖對於視覺化變數分佈非常有用，但當我們需要更多資訊時，怎麼辦？我們可能需要清晰地視覺化標準差，也可能出現中位數和平均值差值很大的情況（有很多異常值），因此需要更細緻的資訊。還可能出現資料分佈非常不均勻的情況等等。

箱線圖可以給我們以上需要的所有資訊。實線箱的底部表示第一個四分位數，頂部表示第三個四分位數，箱內的線表示第二個四分位數（中位數）。虛線表示資料的分佈範圍。

由於箱線圖是對單個變數的視覺化，其設定很簡單。x_data 是變數的列表。Matplotlib 函式 boxplot() 為 y_data 的每一列或 y_data 序列中的每個向量繪製一個箱線圖，因此 x_data 中的每個值對應 y_data 中的一列/一個向量。

def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""):
    _, ax = plt.subplots()

    # Draw boxplots, specifying desired style
    ax.boxplot(y_data
               # patch_artist must be True to control box fill
               , patch_artist = True
               # Properties of median line
               , medianprops = {'color': median_color}
               # Properties of box
               , boxprops = {'color': base_color, 'facecolor': base_color}
               # Properties of whiskers
               , whiskerprops = {'color': base_color}
               # Properties of whisker caps
               , capprops = {'color': base_color})

    # By default, the tick label starts at 1 and increments by 1 for
    # each box drawn. This sets the labels to the ones we want
    ax.set_xticklabels(x_data)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
複製程式碼

結論

本文介紹了 5 種方便易用的 Matplotlib 資料視覺化方法。將視覺化過程抽象為函式可以令程式碼變得易讀和易用。Hope you enjoyed！

原文地址：