可视化非常棒。然而，很难形成良好的可视化。
此外，将这些可视化呈现给更多的观众需要花费时间和精力。
我们都知道如何制作Bar-Plots，Scatter Plots和Histograms，但我们并没有太注意美化它们。
这会伤害我们 – 我们与同行和经理的信誉。你现在感觉不到，但它发生了。
此外，我发现重用我的代码至关重要。我每次访问新数据集时都需要重新开始吗？一些可重复使用的图表，可以帮助我们找到有关数据FAST的信息。
在这篇文章中，我还将讨论3种很酷的可视化工具：
- 与图形的分类相关，
- Pairplots，
- 使用Seaborn的Swarmplots和Graph Annotations。
简而言之，这篇文章是关于有用和可呈现的图表。
我将使用来自FIFA 19完整播放器数据集的数据来讨论kaggle - 在最新版FIFA 19数据库中注册的每个玩家的详细属性。
由于数据集有很多列，因此我们只关注分类和连续列的子集。
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
# We dont Probably need the Gridlines. Do we? If yes comment this line
sns.set(style="ticks")
player_df = pd.read_csv("../input/data.csv")
numcols = [
'Overall',
'Potential',
'Crossing','Finishing', 'ShortPassing', 'Dribbling','LongPassing', 'BallControl', 'Acceleration',
'SprintSpeed', 'Agility', 'Stamina',
'Value','Wage']
catcols = ['Name','Club','Nationality','Preferred Foot','Position','Body Type']
# Subset the columns
player_df = player_df[numcols+ catcols]
# Few rows of data
player_df.head(5)
这是一个格式很好的数据，但我们需要对Wage和Value列进行一些预处理（因为它们在Euro中并包含字符串），以使它们成为我们后续分析的数字。
def wage_split(x):
try:
return int(x.split("K")[0][1:])
except:
return 0
player_df['Wage'] = player_df['Wage'].apply(lambda x : wage_split(x))
def value_split(x):
try:
if 'M' in x:
return float(x.split("M")[0][1:])
elif 'K' in x:
return float(x.split("K")[0][1:])/1000
except:
return 0
player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x))与图形的分类相关
简单来说，相关性是两个变量如何一起移动的度量。
例如，在现实世界中，收入和支出是正相关的。如果一个增加另一个也增加。
学业表现和视频游戏的使用是负相关的。增加一个预测另一个减少。
因此，如果我们的预测变量与我们的目标变量正相关或负相关，那么它是有价值的。
当我们试图理解我们的数据时，不同变量之间的相关性是一件非常好的事情。
我们可以轻松地使用Seaborn创建一个非常好的相关图。
corr = player_df.corr()
g = sns.heatmap(corr, vmax=.3, center=0,
square=True, linewidths=.5, cbar_kws={"shrink": .5}, annot=True, fmt='.2f', cmap='coolwarm')
sns.despine()
g.figure.set_size_inches(14,10)
plt.show()
但是你注意到有什么问题吗？
是的，此图仅计算数列之间的相关性。
如果我的目标变量是或者怎么办？ClubPosition?
我希望能够在三种不同的情况下获得相关性，并且我们使用以下相关度量来计算这些：
1.数值变量
我们已经以Pearson的相关性的形式得到了这个，它是两个变量如何一起移动的度量。这个范围从[-1,1]
2.分类变量
我们将使用Cramer的V作为分类 – 分类案例。它是两个离散变量的相互关系，并与具有两个或更多个级别的变量一起使用。它是一个对称的度量，因为变量的顺序无关紧要。Cramer（A，B）== Cramer（B，A）。
例如：在我们的数据集，Club并且Nationality必须以某种方式相关。
让我们使用堆叠图检查这一点，这是理解分类变量和分类变量之间分配的绝佳方法。我们使用一部分数据，因为这些数据中有很多国籍和俱乐部。
我们只保留最好的团队（保持FC波尔图只是为了更加多样化的样本）和最常见的国籍。
俱乐部的偏好相当于国籍：了解前者对预测后者有很大帮助。
我们可以看出一名球员是否属于英格兰队，他更有可能在切尔西队或曼联队比赛，而不是在巴塞罗那队或拜仁慕尼黑队或波尔图队。
所以这里有一些信息。Cramer’s V捕获相同的信息。
如果所有俱乐部拥有来自各个国家的球员比例相同，那么Cramer的V就是0。
例如，如果每个俱乐部都喜欢单一国籍Cramer’s V == 1，那么所有英格兰球员都会在曼联，拜仁慕尼黑的全德国球员等等。
在所有其他情况下，其范围为[0,1]
3.数值和分类变量
我们将相关比率用于分类连续案例。
没有太多的数学，它是分散的衡量标准。
鉴于一个数字，我们可以找出它属于哪个类别？
例如：
假设我们的数据集中有两列：SprintSpeed和Position：
- GK： 58（De Gea），52（T。Courtois），58（M.Neuer），43（G。Buffon）
- CB： 68（D。Godin），59（V。Kompany），73（S.Umtiti），75（M.Benatia）
- ST： 91（C.Ronaldo），94（G.Bale），80（S.Aguero），76（R.Lewandowski）
正如您所看到的，这些数字可以预测它们所涉及的桶，因此相关比率很高。
如果我知道冲刺速度超过85，我肯定可以说这个玩家在ST玩。
该比率也在[0,1]的范围内
执行此操作的代码取自dython包。我不会在代码中写太多，你可以在我的Kaggle内核中找到它。最终结果如下：
player_df = player_df.fillna(0)
results = associations(player_df,nominal_columns=catcols,return_results=True)
不是很漂亮吗？
通过查看这些数据，我们可以了解足球。例如：
- 球员的位置与运球能力高度相关。你不会在后面打梅西。对？
- 与传球和球控制相比，价值与运球相关性更高。规则是始终传球。内马尔我在看着你。
- 俱乐部和工资有很高的相关性。可以预料。
- 身体类型和首选脚是高度相关的。这是否意味着如果你是精益，你很可能是左脚？没有多大意义。人们可以进一步调查。
此外，我们可以通过这个简单的图表找到这么多信息，这在没有分类变量的典型相关图中是不可见的。
我把它放在这里 人们可以更多地了解图表并找到更有意义的结果，但重点是这使得生活更容易找到模式。
Pairplots
虽然我谈了很多相关性，但这是一个变化无常的指标。
要理解我的意思，让我们看一个例子。
Anscombe的四重奏包括四个数据集，它们具有几乎相同的1的相关性，但具有非常不同的分布，并且在绘制时看起来非常不同。
因此，有时绘制相关数据变得至关重要。并单独查看分布。
现在我们的数据集中有很多列。将它们全部绘制成图形会非常费力。
不，这是一行代码。
filtered_player_df = player_df[(player_df['Club'].isin(['FC Barcelona', 'Paris Saint-Germain',
'Manchester United', 'Manchester City', 'Chelsea', 'Real Madrid','FC Porto','FC Bayern München'])) &
(player_df['Nationality'].isin(['England', 'Brazil', 'Argentina',
'Brazil', 'Italy','Spain','Germany']))
]
# Single line to create pairplot
g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']])
非常好。我们在这张图中可以看到这么多。
- 工资和价值高度相关。
- 大多数其他值也是相关的。然而，潜在与价值的趋势是不寻常的。我们可以看到当我们达到特定的潜在阈值时，价值如何呈指数级增长。此信息可能有助于建模。可以对潜力进行一些转换以使其更具相关性吗？
警告：没有分类列。
我们可以做得更好吗？我们永远都可以。
g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club')
更多信息。只需将hue参数添加为分类变量即可Club。
- 波尔图的工资分布过于偏向下方。
- 我不认为波尔图球员的价值分布很大。波尔图的球员总是在寻找机会。
- 看看很多粉红点（切尔西）如何在潜力与工资图上形成一个集群。切尔西有很多高潜力球员，工资较低。需要更多的关注。
我已经知道工资/价值子图中的一些要点。
工资500k的蓝点是梅西。此外，比梅西更有价值的橙色点是内马尔。
虽然这个hack仍然无法解决分类问题，但我有一些很酷的东西来研究分类变量分布。虽然个别。
SwarmPlots
如何查看分类数据和数值数据之间的关系？
进入图片Swarmplots，就像他们的名字一样。为每个类别绘制一组点，在y轴上稍微分散，以便更容易看到。
他们是我目前最喜欢绘制这种关系的人。
g = sns.swarmplot(y = "Club",
x = 'Wage',
data = filtered_player_df,
# Decrease the size of the points to avoid crowding
size = 7)
# remove the top and right line in graph
sns.despine()
g.figure.set_size_inches(14,10)
plt.show()
为什么我不使用Boxplots？中位数在哪里？我能描绘一下吗？明显。在顶部覆盖条形图，我们有一个很好看的图形。
g = sns.boxplot(y = "Club",
x = 'Wage',
data = filtered_player_df, whis=np.inf)
g = sns.swarmplot(y = "Club",
x = 'Wage',
data = filtered_player_df,
# Decrease the size of the points to avoid crowding
size = 7,color = 'black')
# remove the top and right line in graph
sns.despine()
g.figure.set_size_inches(12,8)
plt.show()
非常好。我们可以在图表上看到各个点，查看一些统计数据并明确地了解工资差异。
梅西是最右边的一点。但是，我不应该在图表下方的文字中告诉你。对？
该图将在演示文稿中进行。你的老板说。我想在这张图上写下梅西。进入图片注释。
max_wage = filtered_player_df.Wage.max()
max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0]
g = sns.boxplot(y = "Club",
x = 'Wage',
data = filtered_player_df, whis=np.inf)
g = sns.swarmplot(y = "Club",
x = 'Wage',
data = filtered_player_df,
# Decrease the size of the points to avoid crowding
size = 7,color='black')
# remove the top and right line in graph
sns.despine()
# Annotate. xy for coordinate. max_wage is x and 0 is y. In this plot y ranges from 0 to 7 for each level
# xytext for coordinates of where I want to put my text
plt.annotate(s = max_wage_player,
xy = (max_wage,0),
xytext = (500,1),
# Shrink the arrow to avoid occlusion
arrowprops = {'facecolor':'gray', 'width': 3, 'shrink': 0.03},
backgroundcolor = 'white')
g.figure.set_size_inches(12,8)
plt.show()
- 在那里看波尔图。与如此小的工资预算的巨头竞争。
- 真实和巴塞罗那的这么多高薪球员。
- 曼彻斯特城的工资中位数最高。
- 曼联和切尔西相信平等。许多球员聚集在大致相同的工资水平。
- 我很高兴虽然内马尔比梅西更有价值，但梅西和内马尔的工资差别很大。
在这个疯狂的世界中，似乎是正常的。
结论
所以回顾一下，在这篇文章中，我们讨论了计算和读取不同变量类型之间的相关性，绘制数值数据之间的相关性以及使用Swarmplots绘制分类数据和数值数据。我喜欢我们如何在Seaborn中将图表元素叠加在一起。
此外，如果您想了解有关可视化的更多信息，我想提供一个关于数据可视化的优秀课程，并应用密歇根大学的绘图，这是一个非常好的数据科学专业化的一部分，本身就是Python。看看吧
原文转自towardsdatascience，原文地址