前言

在本文中，我們將介紹10個示例，以掌握如何使用用于Python的Seaborn庫創(chuàng)建圖表。

任何數據產品的第一步都應該是理解原始數據。對于成功和高效的產品，這一步驟占據了整個工作流程的很大一部分。

有幾種方法用于理解和探索數據。其中之一是創(chuàng)建數據可視化。它們幫助我們探索和解釋數據。

通過創(chuàng)建適當和設計良好的可視化，我們可以發(fā)現數據中的底層結構和關系。

分布區(qū)在數據分析中起著至關重要的作用。它們幫助我們檢測異常值和偏態(tài)，或獲得集中趨勢(平均值、中值和模態(tài))度量的概述。

對于示例，我們將使用Kaggle上可用的墨爾本住房數據集中的一個小樣本。

我們從導入庫并將數據集讀入Pandas數據幀開始。

import?pandas?as?pd?
import?seaborn?as?sns?
sns.set(style="darkgrid",?font_scale=1.2)?
df?=?pd.read_csv(?
??"/content/melb_housing.csv",??
??usecols=["Regionname",?"Type",?"Rooms",?"Distance",?"Price"]?
)?
df.head()

該數據集包含了墨爾本房屋的一些特征及其價格。

Seaborn的離散函數允許創(chuàng)建3種不同類型的分布區(qū)，分別是:

• 柱狀圖
• Kde(核密度估計)圖
• Ecdf圖

我們只需要調整kind參數來選擇plot的類型。

示例 1

第一個例子是創(chuàng)建一個基本直方圖。它將連續(xù)變量的取值范圍劃分為離散的箱子，并顯示每個箱子中有多少個值。

sns.displot(?
??data=df,?
??x="Price",?
??kind="hist",?
??aspect=1.4?
)

我們將df的名稱傳遞給數據參數。參數x接受要繪制的列名。aspect參數調整大小的寬高比。它也可以改變高度。

示例 2

在第一個例子中，我們可以清楚地看到價格欄中有一些異常值。柱狀圖在右邊有一條長尾，這表明價格非常高的房子很少。

減少這種異常值影響的一種方法是對值取對數。displot函數可以使用log_scale參數執(zhí)行此操作。

sns.displot(?
??data=df,?
??x="Price",?
??kind="hist",?
??aspect=1.4,?
??log_scale=10?
)

價格以10的冪表示。現在我們對房價的分布有了一個更好的概述。

示例 3

我們還可以調整直方圖中的箱數量。在某些情況下，最好使用較少的箱數量，這樣我們就可以得到一個更結構化的概述。

用于此調整的參數是box。

sns.displot(?
??data=df,?
??x="Price",?
??kind="hist",?
??aspect=1.4,?
??log_scale=10,?
??bins=20?
)

示例 4

數據集還包含分類變量。例如，類型列有3個類別，分別是h(房屋)、t(聯排房屋)和u(單位)。我們可能需要分別檢查每款的分布情況。

一種選擇是在相同的可視化中用不同的顏色顯示它們。我們只需要將列的名稱傳遞給hue參數。

sns.displot(?
??data=df,?
??x="Price",?
??hue="Type",?
??kind="hist",?
??aspect=1.4,?
??log_scale=10,?
??bins=20?
)

這個圖為我們提供了2條信息:

• 每個類別的大小與房屋的數量有關。h類是最大的一類。
• 每類房屋的價格分布。

示例 5

另一個檢查每個類別分布的選項是創(chuàng)建單獨的子圖。我們可以對這個任務使用col或row參數。給定列中的每個類別都有一個子圖。

sns.displot(?
??data=df,?
??x="Price",?
??col="Type",?
??kind="hist",?
??aspect=1.4,?
??log_scale=10,?
??bins=20?
)

例子 6

displot函數還允許生成二維直方圖。因此，我們得到了關于兩列中值的觀察值(即行)分布的概述。

我們使用價格和距離列創(chuàng)建一個。我們只是將列名傳遞給x和y參數。

sns.displot(?
??data=df,?
??x="Price",?
??y="Distance",?
??col="Type",?
??kind="hist",?
??height=5,?
??aspect=1.2,?
??log_scale=(10,0),?
??bins=20?
)

較暗的區(qū)域密度更大，所以它們包含了更多的觀測數據。兩列看起來都是正態(tài)分布，因為密集的區(qū)域在中心。

你可能已經注意到，我們使用了一個元組作為log_scale參數的參數。因此，我們可以為每個列傳遞不同的比例。

例子 7

Kde圖還可以用于可視化變量的分布。它們和直方圖很相似。然而，kde圖使用連續(xù)的概率密度曲線來表示分布，而不是使用離散的箱。

kind參數設置為“kde”，以生成kde圖。

sns.displot(?
??data=df,?
??x="Price",?
??kind="kde",?
??aspect=1.4,?
??log_scale=10?
)

示例 8

與直方圖類似，可以為不同的類別分別繪制kde圖。我們的數據集包含房屋的區(qū)域信息。我們看看不同地區(qū)的價格變化。

sns.displot(?
??data=df,?
??x="Price",?
??hue="Regionname",?
??kind="kde",?
??height=6,?
??aspect=1.4,?
??log_scale=10?
)

南方大都市區(qū)的平均房價似乎最高。

示例 9

另一種檢查變量分布的方法是使用ecdf圖。它表示低于給定列中每個唯一值的觀察值的比例或計數。

這是一種可視化的累計和。因此，我們能夠看到更密集的值范圍。

sns.displot(?
??data=df,?
??x="Distance",?
??kind="ecdf",?
??height=6,?
??aspect=1.4,?
??stat="count"?
)

曲線斜率高的值范圍有更多的觀測值。例如，我們沒有很多房子的距離超過30。與此相反，在10到15的距離范圍內有很多房子。

示例10

ecdf圖也支持hue、col和row參數。因此，我們可以在一個列中區(qū)分不同類別之間的分布。

sns.displot(?
??data=df,?
??x="Distance",?
??kind="ecdf",?
??hue="Type",?
??height=6,?
??aspect=1.4,?
??stat="count"?
)

對于數據分析或機器學習任務，了解變量(即特征)的分布是非常重要的。我們如何處理給定的任務可能取決于分布。

在這篇文章中，我們看到了如何使用Seaborn的displot函數來分析價格和距離欄的分布。