數(shù)據(jù)可視化可深入了解數(shù)據(jù)集中變量之間的分布和關(guān)系。

此洞察力有助于選擇在建模之前應(yīng)用的數(shù)據(jù)準(zhǔn)備以及最適合數(shù)據(jù)的算法類型。

Seaborn 是 Python 的數(shù)據(jù)可視化庫(kù)，它在流行的 Matplotlib 數(shù)據(jù)可視化庫(kù)之上運(yùn)行，并且提供了簡(jiǎn)單的界面和美觀的圖形。

本文對(duì)機(jī)器學(xué)習(xí)中的 Seaborn 數(shù)據(jù)可視化作了簡(jiǎn)要介紹。

看完本文，你將知道：

• 如何使用條形圖，直方圖以及箱形圖來總結(jié)變量的分布。
• 如何使用線圖和散點(diǎn)圖總結(jié)關(guān)系。
• 如何比較同一圖上不同類別值的變量的分布和關(guān)系。

概述

本教程分為六個(gè)部分：

• Seaborn數(shù)據(jù)可視化庫(kù)
• 線圖
• 條形圖
• 直方圖
• 箱形圖
• 散點(diǎn)圖

Seaborn數(shù)據(jù)可視化庫(kù)

Python 的主要繪圖庫(kù)稱為 Matplotlib 。

Seaborn 是一個(gè)繪圖庫(kù)，它不僅提供了一個(gè)更簡(jiǎn)單的界面，為機(jī)器學(xué)習(xí)所需的繪圖提供了合理的默認(rèn)值，而且最重要的是，這些繪圖在外觀上比 Matplotlib 更好。

Seaborn 要求首先安裝 Matplotlib。

我們可以使用 pip 直接安裝 Matplotlib ，如下所示：

sudo pip install matplotlib

安裝后，可以通過輸出版本號(hào)來確認(rèn)可以加載和使用該庫(kù)，如下所示：

# matplotlib
import matplotlib
print('matplotlib: %s' % matplotlib.__version__)

我們可以得到 Matplotlib 庫(kù)的當(dāng)前版本。

matplotlib: 3.1.2

接下來，也可以使用 pip 安裝 Seaborn 庫(kù)：

sudo pip install seaborn

安裝好后，我們還可以通過打印版本號(hào)來確認(rèn)可以加載和使用該庫(kù)，如下所示：

# seaborn
import seaborn
print('seaborn: %s' % seaborn.__version__)

運(yùn)行示例將打印Seaborn庫(kù)的當(dāng)前版本。

seaborn: 0.10.0

要?jiǎng)?chuàng)建 Seaborn 可視化圖形，必須導(dǎo)入 Seaborn 庫(kù)并調(diào)用函數(shù)來創(chuàng)建圖。

重要的是，Seaborn 繪圖功能希望將數(shù)據(jù)作為 Pandas 數(shù)據(jù)幀提供。這意味著，如果你要從CSV文件加載數(shù)據(jù)，則必須使用 read_csv（）之類的 Pandas 函數(shù)將數(shù)據(jù)作為數(shù)據(jù)幀加載。繪制時(shí)，可以通過數(shù)據(jù)幀名稱或列索引指定列。

要顯示該圖，可以在 Matplotlib 庫(kù)上調(diào)用 show（）函數(shù)。

...
# 顯示圖表
pyplot.show()

或者，可以將圖保存到文件，例如 PNG 格式的圖像文件。savefig（）函數(shù) Matplotlib 可用于保存圖像。

...
# 保存圖表
pyplot.savefig('my_image.png')

現(xiàn)在我們已經(jīng)安裝好 Seaborn 了，讓我們看一下使用機(jī)器學(xué)習(xí)數(shù)據(jù)時(shí)可能需要的一些常見可視化圖表。

線圖

我們一般使用線圖來呈現(xiàn)定期收集的數(shù)據(jù)觀察結(jié)果。

x 軸表示規(guī)則間隔，例如時(shí)間。y 軸顯示觀測(cè)值，按 x 軸排序并通過一條線連接。

可以通過調(diào)用 lineplot（）函數(shù)并在常規(guī)間隔中傳遞 x 軸數(shù)據(jù)和觀察值的 y 軸來在 Seaborn 中創(chuàng)建線圖。

我們可以使用每月汽車銷售的時(shí)間序列數(shù)據(jù)集來演示折線圖。

Github數(shù)據(jù)集鏈接：https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.csv

數(shù)據(jù)集有兩列：“ 月 ”和“ 銷售”。月將用作 x 軸，銷售量將繪制在 y 軸上。

...
# 創(chuàng)建線圖
lineplot(x='Month', y='Sales', data=dataset)

完整示例如下：

#時(shí)間序列數(shù)據(jù)集的線圖
from pandas import read_csv
from seaborn import lineplot
from matplotlib import pyplot
# 加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.csv'
dataset = read_csv(url, header=0)
# 創(chuàng)建線圖
lineplot(x='Month', y='Sales', data=dataset)
# 顯示線圖
pyplot.show()

首先運(yùn)行示例將加載時(shí)間序列數(shù)據(jù)集并創(chuàng)建數(shù)據(jù)的折線圖，以清楚地顯示銷售數(shù)據(jù)中的趨勢(shì)和季節(jié)性。

時(shí)間序列數(shù)據(jù)集的線圖

條形圖

條形圖通常用于顯示多個(gè)類別的相對(duì)數(shù)量。

x 軸代表均勻分布的類別。y 軸代表每種類別的數(shù)量，并以條形圖從基線到 y 軸上的適當(dāng)水平繪制。

可以通過調(diào)用 countplot（）函數(shù)并傳遞數(shù)據(jù)來在 Seaborn 中創(chuàng)建條形圖。

我們將展示條形圖，其中包含來自乳腺癌分類數(shù)據(jù)集的變量，該變量由分類輸入變量組成。

乳腺癌分類數(shù)據(jù)集鏈接：https://raw.githubusercontent.com/jbrownlee/Datasets/master/breast-cancer.csv

我們只繪制一個(gè)變量，在這種情況下，第一個(gè)變量是年齡段。

...
# 創(chuàng)建線圖
countplot(x=0, data=dataset)

完整示例代碼如下：

#分類變量的條形圖
from pandas import read_csv
from seaborn import countplot
from matplotlib import pyplot
#加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/breast-cancer.csv'
dataset = read_csv(url, header=None)
# 創(chuàng)建條形圖
countplot(x=0, data=dataset)
# 顯示條形圖
pyplot.show()

首先運(yùn)行示例將加載乳腺癌數(shù)據(jù)集并創(chuàng)建數(shù)據(jù)的條形圖，以顯示每個(gè)年齡組以及可及范圍內(nèi)的個(gè)體（樣本）數(shù)量。

年齡范圍分類變量的條形圖

此外，如果我們還想針對(duì)類標(biāo)簽繪制變量（例如第一個(gè)變量）的每個(gè)類別的計(jì)數(shù)。

可以通過使用 countplot（）函數(shù)并通過“ hue ”參數(shù)指定類變量來實(shí)現(xiàn)，如下所示：

...
# 創(chuàng)建條形圖
countplot(x=0, hue=9, data=dataset)

完整示例代碼如下：

# 分類變量與類變量的條形圖
from pandas import read_csv
from seaborn import countplot
from matplotlib import pyplot
# 加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/breast-cancer.csv'
dataset = read_csv(url, header=None)
# 創(chuàng)建條形圖
countplot(x=0, hue=9, data=dataset)
# 顯示條形圖
pyplot.show()

首先運(yùn)行示例將加載乳腺癌數(shù)據(jù)集，并創(chuàng)建數(shù)據(jù)的條形圖，以顯示每個(gè)年齡組以及屬于每個(gè)組的個(gè)體（樣本）數(shù)量（由數(shù)據(jù)集的兩個(gè)類別標(biāo)簽分隔）。

按類別標(biāo)簽劃分的年齡范圍分類變量的條形圖

直方圖

直方圖通常用于總結(jié)數(shù)值數(shù)據(jù)樣本的分布。

x 軸表示觀測(cè)值的離散區(qū)間或間隔。例如，值介于 1 到 10 之間的觀測(cè)值可以分為五個(gè) bin，值 [1,2] 將分配給第一個(gè) bin，[3,4] 將分配給第二個(gè) bin，依此類推。

y 軸表示數(shù)據(jù)集中屬于每個(gè) bin 的觀測(cè)值的頻率或計(jì)數(shù)。

本質(zhì)上，數(shù)據(jù)樣本被轉(zhuǎn)換為條形圖，其中 x 軸上的每個(gè)類別都代表觀察值的間隔。

可以通過調(diào)用 distplot（）函數(shù)并傳遞變量來在 Seaborn 中創(chuàng)建直方圖。

我們將展示一個(gè)帶有糖尿病分類數(shù)據(jù)集中數(shù)值變量的箱線圖。我們只繪制一個(gè)變量，在這種情況下，是第一個(gè)變量，即患者懷孕的次數(shù)。

糖尿病分類數(shù)據(jù)集：https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv

...
# 創(chuàng)建直方圖
distplot(dataset[[0]])

完整示例代碼如下：

# 數(shù)值變量的直方圖
from pandas import read_csv
from seaborn import distplot
from matplotlib import pyplot
# 加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# 創(chuàng)建直方圖
distplot(dataset[[0]])
# 顯示直方圖
pyplot.show()

首先運(yùn)行示例將加載糖尿病數(shù)據(jù)集并創(chuàng)建變量的直方圖，以硬截止值為零的形式顯示值的分布。

該圖顯示了直方圖（bin的數(shù)量）以及概率密度函數(shù)的平滑估計(jì)。

懷孕次數(shù)直方圖

箱形圖

通常使用箱形圖來概括數(shù)據(jù)樣本的分布。

x 軸用于表示數(shù)據(jù)樣本，如果需要，可以在 x 軸上并排繪制多個(gè)箱形圖。

y 軸表示觀測(cè)值。繪制一個(gè)方框來匯總數(shù)據(jù)集中的中間 50％數(shù)據(jù)，從觀察值的第 25 個(gè)百分位數(shù)開始，到第 75 個(gè)百分位數(shù)為止。這稱為四分位間距或 IQR。用一條線繪制中位數(shù)或第 50 個(gè)百分位數(shù)。

從盒子的兩端開始繪制稱為須狀的線，計(jì)算公式為（1.5 * IQR），以顯示分布中合理值的預(yù)期范圍。晶須外的觀測(cè)值可能是異常值，并用小圓圈繪制。

可以通過調(diào)用 boxplot（）函數(shù)并傳遞數(shù)據(jù)來在 Seaborn 中創(chuàng)建一個(gè)箱線圖。

我們將展示一個(gè)帶有糖尿病分類數(shù)據(jù)集中數(shù)值變量的箱線圖。我們只繪制一個(gè)變量，在這種情況下，是第一個(gè)變量，即患者懷孕的次數(shù)。

...
# 創(chuàng)建箱形圖
boxplot(x=0, data=dataset)

完整示例代碼如下：

# 數(shù)值變量的箱型圖
from pandas import read_csv
from seaborn import boxplot
from matplotlib import pyplot
# 加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# 創(chuàng)建箱形圖
boxplot(x=0, data=dataset)
# 顯示箱形圖
pyplot.show()

首先運(yùn)行示例，加載糖尿病數(shù)據(jù)集，并創(chuàng)建第一個(gè)輸入變量的箱形圖，以顯示患者懷孕次數(shù)的分布。

我們可以看到中位數(shù)略高于2.5倍，一些離群值上升了15倍左右。

懷孕次數(shù)箱形圖

此外，如果我們還想針對(duì)類別標(biāo)簽針對(duì)類別變量（例如第一個(gè)變量）的每個(gè)值繪制數(shù)字變量的分布。

可以通過調(diào)用 boxplot（）函數(shù)并將 class 變量作為 x 軸和數(shù)值變量作為 y 軸來實(shí)現(xiàn)。

...
# 創(chuàng)建箱形圖
boxplot(x=8, y=0, data=dataset)

完整示例代碼如下：

#數(shù)值變量與類標(biāo)簽的箱形圖
from pandas import read_csv
from seaborn import boxplot
from matplotlib import pyplot
# 加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# 創(chuàng)建箱形圖
boxplot(x=8, y=0, data=dataset)
# 顯示箱形圖
pyplot.show()

首先運(yùn)行示例將加載糖尿病數(shù)據(jù)集并創(chuàng)建數(shù)據(jù)的箱形圖，將懷孕次數(shù)的分布作為兩個(gè)類標(biāo)簽的數(shù)值變量。

分類標(biāo)簽的懷孕次數(shù)箱形圖

散點(diǎn)圖

散點(diǎn)圖或散點(diǎn)圖通常用于總結(jié)兩個(gè)配對(duì)數(shù)據(jù)樣本之間的關(guān)系。

配對(duì)的數(shù)據(jù)樣本意味著針對(duì)給定的觀察記錄了兩個(gè)度量，例如一個(gè)人的體重和身高。

x 軸代表第一樣品的觀察值，y 軸代表第二樣品的觀察值。圖上的每個(gè)點(diǎn)代表一個(gè)觀察值。

可以通過調(diào)用 scatterplot（）函數(shù)并傳遞兩個(gè)數(shù)值變量來在 Seaborn 中創(chuàng)建散點(diǎn)圖。

我們將展示一個(gè)散點(diǎn)圖，其中包含來自糖尿病分類數(shù)據(jù)集的兩個(gè)數(shù)值變量。我們將繪制第一個(gè)變量與第二個(gè)變量的關(guān)系圖，在這種情況下，第一個(gè)變量是患者懷孕的次數(shù)，第二個(gè)變量是口服糖耐量測(cè)試兩小時(shí)后的血漿葡萄糖濃度。

糖尿病分類數(shù)據(jù)集：https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv

...
# 創(chuàng)建散點(diǎn)圖
scatterplot(x=0, y=1, data=dataset)

完整示例代碼如下：

# 兩個(gè)數(shù)值變量的散點(diǎn)圖
from pandas import read_csv
from seaborn import scatterplot
from matplotlib import pyplot
#加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
#創(chuàng)建散點(diǎn)圖
scatterplot(x=0, y=1, data=dataset)
# 顯示散點(diǎn)圖
pyplot.show()

首先運(yùn)行示例將加載糖尿病數(shù)據(jù)集并創(chuàng)建前兩個(gè)輸入變量的散點(diǎn)圖。

我們可以看到兩個(gè)變量之間的關(guān)系有些統(tǒng)一。

懷孕次數(shù)與血漿葡萄糖數(shù)值變量散點(diǎn)圖

我們可能還想針對(duì)類標(biāo)簽繪制一對(duì)數(shù)字變量的關(guān)系。

這可以使用 scatterplot（）函數(shù)并通過“ hue ”參數(shù)指定類變量來實(shí)現(xiàn)，如下所示：

...
# 創(chuàng)建散點(diǎn)圖
scatterplot(x=0, y=1, hue=8, data=dataset)

完整示例代碼如下：

# 兩個(gè)數(shù)值變量與類標(biāo)簽的散點(diǎn)圖
from pandas import read_csv
from seaborn import scatterplot
from matplotlib import pyplot
# 加載數(shù)據(jù)集
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# 創(chuàng)建散點(diǎn)圖
scatterplot(x=0, y=1, hue=8, data=dataset)
# 顯示散點(diǎn)圖
pyplot.show()

首先運(yùn)行示例將加載糖尿病數(shù)據(jù)集，并創(chuàng)建前兩個(gè)變量與類標(biāo)簽的散點(diǎn)圖。

按類別標(biāo)簽劃分的懷孕次數(shù)與血漿葡萄糖數(shù)值變量散點(diǎn)圖