python常用可视化技巧
来源:互联网 发布:hyper v linux 不流畅 编辑:程序博客网 时间:2024/06/12 00:42
向AI转型的程序员都关注了这个号???
大数据挖掘DT数据分析 公众号: datadw
我们在对数据进行预处理时,常常需要对数据做一些可视化的工作,以便能更清晰的认识数据内部的规律。
这里我们以kaggle案例泰坦尼克问题的数据做一些常用的可视化的工作。首先看下这个数据集:
import pandas as pdimport numpy as np
import matplotlib.pyplot as pltimport matplotlibsorted([f.name for f in matplotlib.font_manager.fontManager.ttflist])data_train=pd.read_csv('train.csv')plt.plot(data_train.Age)
##现在我们想看看乘客年龄分布,kde就是密度分布,类似于直方图,
数据落在在每个bin内的频率大小或者是密度大小
data_train.Age.plot(kind='kde')plt.xlabel(u"年龄")# plots an axis lableplt.ylabel(u"密度")plt.title(u"乘客年龄分布")
##现在看看获救人数和未获救人数对比#plt.subplot2grid((2,3),(0,0))
data_train.Survived.value_counts().plot(kind='bar')
# plots a bar graph of those who surived vs those who did not.
plt.title(u"获救情况 (1为获救)")
# puts a title on our graph
plt.ylabel(u"人数")
##也可以以饼状图看看获救人数和未获救人数对比
#plt.subplot2grid((2,3),(0,0))
data_train.Survived.value_counts().plot(kind='pie')
# plots a bar graph of those who surived vs those who did not.
plt.title(u"获救情况 (1为获救)")
# puts a title on our graph
plt.ylabel(u"人数")
## 常看各乘客等级的获救情况
Survived_0 = data_train.Pclass[data_train.Survived == 0].value_counts()Survived_1 = data_train.Pclass[data_train.Survived == 1].value_counts()df=pd.DataFrame({u'获救':Survived_1, u'未获救':Survived_0})df.plot(kind='bar', stacked=True)plt.title(u"各乘客等级的获救情况")plt.xlabel(u"乘客等级")plt.ylabel(u"人数")
##查看各登录港口获救情况
Survived_0 = data_train.Embarked[data_train.Survived == 0].value_counts()Survived_1 = data_train.Embarked[data_train.Survived == 1].value_counts()df=pd.DataFrame({u'获救':Survived_1, u'未获救':Survived_0})df.plot(kind='bar', stacked=True)plt.title(u"各登录港口乘客的获救情况")plt.xlabel(u"登录港口") plt.ylabel(u"人数")
##再来看看各种级别舱情况下性别的获救情况
fig=plt.figure()fig.set(alpha=0.65)
# 设置图像透明度,无所谓
plt.title(u"根据舱等级和性别的获救情况")ax1=fig.add_subplot(141)data_train.Survived[data_train.Sex == 'female'][data_train.Pclass != 3].value_counts().plot(kind='bar', label="female highclass", color='#FA2479')ax1.set_xticklabels([u"获救", u"未获救"], rotation=0)ax1.legend([u"女性/高级舱"], loc='best')ax2=fig.add_subplot(142, sharey=ax1)data_train.Survived[data_train.Sex == 'female'][data_train.Pclass == 3].value_counts().plot(kind='bar', label='female, low class', color='pink')ax2.set_xticklabels([u"未获救", u"获救"], rotation=0)plt.legend([u"女性/低级舱"], loc='best')ax3=fig.add_subplot(143, sharey=ax1)data_train.Survived[data_train.Sex == 'male'][data_train.Pclass != 3].value_counts().plot(kind='bar', label='male, high class',color='lightblue')ax3.set_xticklabels([u"未获救", u"获救"], rotation=0)plt.legend([u"男性/高级舱"], loc='best')ax4=fig.add_subplot(144, sharey=ax1)data_train.Survived[data_train.Sex == 'male'][data_train.Pclass == 3].value_counts().plot(kind='bar', label='male low class', color='steelblue')ax4.set_xticklabels([u"未获救", u"获救"], rotation=0)plt.legend([u"男性/低级舱"], loc='best')
import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfig=plt.figure()ax=fig.add_subplot(1,1,1)ax.plot(np.arange(0,100,10),np.random.randn(10).cumsum(),marker='o')ax.set_xticks([0,10,20,30,40,50,60,70,80,90])
##设置x轴上显示的刻度ax.grid()## 显示方格plt.show()
##现在我们想看看每个等级的舱的乘客的平均年龄
data_train.groupby('Pclass').mean().plot(y='Age',marker='o')
##注意参数marker='o'强调实际的数据点,会在实际的数据点上加一个实心点。如果要显示方格可在plot里面设置参数grid=Trueplt.xlabel(u"舱级别")plt.ylabel(u"平均年龄")
##也可以这样看看年龄和所在舱级别的关系
data_train.plot(x='Pclass',y='Age',kind='scatter')plt.xlabel(u"舱级别")plt.ylabel(u"年龄")plt.show()
我们换一个连续性变量多的数据集,看看特征直接相关度。
corr = df_train_origin[['temp','weather','windspeed','day', 'month', 'hour','count']].corr()# 用颜色深浅来表示相关度plt.figure()plt.matshow(corr)plt.colorbar()plt.show()
下面我们看看高维数据如何做可视化分析,首先咱们造个高维数据集
#numpy科学计算工具箱
import numpy as np
#使用make_classification构造1000个样本,每个样本有20个feature
from sklearn.datasets import make_classificationX, y = make_classification(1000, n_features=20, n_informative=2, n_redundant=2, n_classes=2, random_state=0)
#存为dataframe格式from pandas import DataFramedf = DataFrame(np.hstack((X, y[:, None])),columns = range(20) + ["class"])
数据的可视化有很多工具包可以用,比如下面我们用来做数据可视化的工具包Seaborn。最简单的可视化就是数据散列分布图和柱状图,这个可以用Seanborn的pairplot来完成。以下图中2种颜色表示2种不同的类,因为20维的可视化没有办法在平面表示,我们取出了一部分维度,两两组成pair看数据在这2个维度平面上的分布状况,代码和结果如下:
#存为dataframe格式from pandas import DataFramedf = DataFrame(np.hstack((X, y[:, None])),columns = range(20) + ["class"])import seaborn as sns#使用pairplot去看不同特征维度pair下数据的空间分布状况## vars表示把里面的特征两两做个可视化_ = sns.pairplot(df[:50], vars=[8, 11, 12, 14, 19], hue="class", size=1.5)plt.show()
我们从散列图和柱状图上可以看出,确实有些维度的特征相对其他维度,有更好的区分度,比如第11维和14维看起来很有区分度。这两个维度上看,数据点是近似线性可分的。而12维和19维似乎呈现出了很高的负相关性。接下来我们用Seanborn中的corrplot来计算计算各维度特征之间(以及最后的类别)的相关性。代码和结果图如下:
import matplotlib.pyplot as pltplt.figure(figsize=(12, 10))_ = sns.linearmodels.corrplot(df, annot=False)plt.show()
相关性图很好地印证了我们之前的想法,可以看到第11维特征和第14维特征和类别有极强的相关性,同时它们俩之间也有极高的相关性。而第12维特征和第19维特征却呈现出极强的负相关性。强相关的特征其实包含了一些冗余的特征,而除掉上图中颜色较深的特征,其余特征包含的信息量就没有这么大了,它们和最后的类别相关度不高,甚至各自之间也没什么先惯性。
新增部分
绘制正态分布概率密度函数代码如下
mu = 0##均值为0 sigma = 1##方差为1 x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 51)
y = np.exp(-(x - mu) ** 2 / (2 * sigma ** 2)) / (math.sqrt(2 * math.pi) * sigma) print x.shape print 'x = \n', x print y.shape
print 'y = \n', y # plt.plot(x, y, 'ro-', linewidth=2) plt.figure(facecolor='w') ## 背景颜色取白色 ## 'r-':表示实线绘制,然后再画x,y,'go'表示用圆圈绘制,linewidth=2表示实线宽度2,markersize=8表示圆圈大小为8 plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8) plt.xlabel('X', fontsize=15)##横轴用X标记 plt.ylabel('Y', fontsize=15)
##plt.title(u'高斯分布函数', fontsize=18) plt.grid(True)##画出虚线方格 plt.show()
我们可以绘制在三维空间的正态分布图代码如下
#!/usr/bin/python# -*- coding:utf-8 -*-
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
import matplotlib.pyplot as pltimport mathx, y = np.mgrid[-3:3:100j, -3:3:100j]## 横轴,纵轴都在[-3,3)内取一百个点# u = np.linspace(-3, 3, 101)# x, y = np.meshgrid(u, u)## 这两行的效果同上面一行代码效果相同z = np.exp(-(x**2 + y**2)/2) / math.sqrt(2*math.pi)## 三维正太分布# z = x*y*np.exp(-(x**2 + y**2)/2) / math.sqrt(2*math.pi)fig = plt.figure()ax = fig.add_subplot(111, projection='3d')ax.plot_surface(x, y, z, rstride=5, cstride=5, cmap=cm.coolwarm, linewidth=0.1)#ax.plot_surface(x, y, z, rstride=3, cstride=3, cmap=cm.Accent, linewidth=0.5) ## 参数rstride,cstride表示每几个取一个点,越小越密集plt.show()
损失函数:Logistic损失(-1,1)/SVM Hinge损失/ 0/1损失
x = np.array(np.linspace(start=-2, stop=3, num=1001, dtype=np.float)) y_logit = np.log(1 + np.exp(-x)) / math.log(2) y_boost = np.exp(-x) y_01 = x < 0 y_hinge = 1.0 - x y_hinge[y_hinge < 0] = 0 plt.figsize(figsize=(5,7),facecolor='w')##设置大小和背景颜色 ## 我们下面绘制的四幅图都是用的上面同一个plt,故下面四条线都在一张图中显示,如果想在不同图中显示,只需要在plt.plot之前重新定义一个figsize即可。 plt.plot(x, y_logit, 'r-', label='Logistic Loss', linewidth=2) plt.plot(x, y_01, 'g-', label='0/1 Loss', linewidth=2) plt.plot(x, y_hinge, 'b-', label='Hinge Loss', linewidth=2) plt.plot(x, y_boost, 'm--', label='Adaboost Loss', linewidth=2) ## 'm--',1其中m表示颜色,--表示虚线,label表示图例中这条线的名称,linewidth线的宽度 plt.grid() plt.legend(loc='upper right') ## 图例的位置 # plt.savefig('1.png') plt.show()
画散点图:
# -*- coding:utf-8 -*-
import pandas as pd
import numpy as np
from sklearn.decomposition
import PCA
from sklearn.linear_model import LogisticRegressionCV
from sklearn import metrics
from sklearn.model_selection import train_test_split
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from sklearn.pipeline import Pipeline
from sklearn.preprocessing
import PolynomialFeaturesdef extend(a, b): return 1.05*a-0.05*b, 1.05*b-0.05*a
if __name__ == '__main__': pd.set_option('display.width', 200) data = pd.read_csv('iris.data', header=None) columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'type'] data.rename(columns=dict(zip(np.arange(5), columns)), inplace=True) data['type'] = pd.Categorical(data['type']).codes print data.head(5) x = data.loc[:, columns[:-1]] y = data['type'] pca = PCA(n_components=2, whiten=True, random_state=0) x = pca.fit_transform(x) print '各方向方差:', pca.explained_variance_ print '方差所占比例:', pca.explained_variance_ratio_ print x[:5] cm_light = mpl.colors.ListedColormap(['#77E0A0', '#FF8080', '#A0A0FF']) cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b']) mpl.rcParams['font.sans-serif'] = u'SimHei' mpl.rcParams['axes.unicode_minus'] = False plt.figure(facecolor='w') plt.scatter(x[:, 0], x[:, 1], s=30, c=y, marker='o', cmap=cm_dark)#s表示散点圆圈缩放大小,c表示类别,marker表示标记为圆圈,cmp表示不同类的对比颜色 plt.grid(b=True, ls=':') plt.xlabel(u'组份1', fontsize=14) plt.ylabel(u'组份2', fontsize=14) plt.title(u'鸢尾花数据PCA降维', fontsize=18)
# plt.savefig('1.png') plt.show()
接着上面画出逻辑回归的分类效果图:
x, x_test, y, y_test = train_test_split(x, y, train_size=0.7) model = Pipeline([ ('poly', PolynomialFeatures(degree=2, include_bias=True)), ('lr', LogisticRegressionCV(Cs=np.logspace(-3, 4, 8), cv=5, fit_intercept=False)) ]) model.fit(x, y) print '最优参数:', model.get_params('lr')['lr'].C_ y_hat = model.predict(x) print '训练集精确度:', metrics.accuracy_score(y, y_hat) y_test_hat = model.predict(x_test) print '测试集精确度:', metrics.accuracy_score(y_test, y_test_hat) N, M = 500, 500 # 横纵各采样多少个值 x1_min, x1_max = extend(x[:, 0].min(), x[:, 0].max()) # 第0列的范围 x2_min, x2_max = extend(x[:, 1].min(), x[:, 1].max()) # 第1列的范围 t1 = np.linspace(x1_min, x1_max, N) t2 = np.linspace(x2_min, x2_max, M) x1, x2 = np.meshgrid(t1, t2) # 生成网格采样点 x_show = np.stack((x1.flat, x2.flat), axis=1) # 测试点 y_hat = model.predict(x_show) # 预测值 y_hat = y_hat.reshape(x1.shape) # 使之与输入的形状相同 plt.figure(facecolor='w') plt.pcolormesh(x1, x2, y_hat, cmap=cm_light) # 预测值的显示 plt.scatter(x[:, 0], x[:, 1], s=30, c=y, edgecolors='k', cmap=cm_dark) # 样本的显示 plt.xlabel(u'组份1', fontsize=14) plt.ylabel(u'组份2', fontsize=14) plt.xlim(x1_min, x1_max) plt.ylim(x2_min, x2_max) plt.grid(b=True, ls=':') ## 不同类的区域显示不同的颜色 patchs = [mpatches.Patch(color='#77E0A0', label='Iris-setosa'), mpatches.Patch(color='#FF8080', label='Iris-versicolor'), mpatches.Patch(color='#A0A0FF', label='Iris-virginica')] plt.legend(handles=patchs, fancybox=True, framealpha=0.8, loc='lower right') plt.title(u'鸢尾花Logistic回归分类效果', fontsize=17) plt.show()
利用matplot.pyplot.plot画出某个特征或者某些特征与对应的类别标签的关系
plt.figure(facecolor='w') plt.plot(data['TV'], y, 'ro', label='TV') plt.plot(data['Radio'], y, 'g^', label='Radio') plt.plot(data['Newspaper'], y, 'mv', label='Newspaer') plt.legend(loc='lower right') plt.xlabel(u'广告花费', fontsize=16) plt.ylabel(u'销售额', fontsize=16) plt.title(u'广告花费与销售额对比数据', fontsize=20) plt.grid() plt.show()
这里总结下plot函数里面的形状参数:’ro’:表示红色圆圈,’g^’:蓝色上三角,前一个字母表示颜色,后一个字符表示形状。可用的形状有’^’,’V’,’‘,’>’,’<’,’:’,’-‘,’–’等。*
把上面三个图分开来画,凸显每个特征与类别的关系
plt.figure(facecolor='w', figsize=(9, 10)) plt.subplot(311) ##这个plt画出的图,分有3个位置,3行1列,占第一个位置 plt.plot(data['TV'], y, 'ro') plt.title('TV') plt.grid() plt.subplot(312)##占第二个位置 plt.plot(data['Radio'], y, 'g^') plt.title('Radio') plt.grid() plt.subplot(313)## 占第三个位置 plt.plot(data['Newspaper'], y, 'b*') plt.title('Newspaper') plt.grid() plt.tight_layout() plt.show()
人工智能大数据与深度学习
搜索添加微信公众号:weic2c
长按图片,识别二维码,点关注
大数据挖掘DT数据分析
搜索添加微信公众号:datadw
教你机器学习,教你数据挖掘
长按图片,识别二维码,点关注