數據科學 IPython 筆記本 8.17 使用 Seaborn 的可視化

8.17 使用 Seaborn 的可視化

原文:Visualization with Seaborn

譯者:飛龍

協議:CC BY-NC-SA 4.0

本節(jié)是《Python 數據科學手冊》(Python Data Science Handbook)的摘錄。

Matplotlib 據證明是一種非常有用和流行的可視化工具,但即使狂熱的用戶也會承認它經常會有很多不足之處。有幾個對 Matplotlib 的有效的抱怨常常出現:

  • 在 2.0 版之前,Matplotlib 的默認值并不是最佳選擇。 它基于大約 1999 年的 MATLAB,經常是這樣。
  • Matplotlib 的 API 相對較低。 可以進行復雜的統計可視化,但通常需要大量的樣板代碼。
  • Matplotlib 比 Pandas 早了十多年,因此不適合與 Pandas 的DataFrame`一起使用。 為了可視化來自 PandasDataFrame的數據,你必須提取每個Series``并經常將它們連接成正確的格式。 如果有一個繪圖庫可以智能地在繪圖中使用DataFrame標簽會更好。

這些問題的答案是Seaborn。 Seaborn 在 Matplotlib 之上提供 API,為繪圖樣式和顏色默認值提供合理的選擇,為常見的統計繪圖類型定義簡單的高級函數,并與 Pandas DataFrame提供的功能集成。

公平地說,Matplotlib 團隊正在解決這個問題:它最近添加了“自定義 Matplotlib:配置和樣式表”中討論的plt.style工具,并且正在開始 更無縫地處理 Pandas 數據。該庫的 2.0 版本將包含新的默認樣式表,它將改善現狀。但出于所討論的所有原因,Seaborn 仍然是一個非常有用的插件。

Seaborn VS Matplotlib

下面是 Matplotlib 中簡單隨機游走圖的示例,使用其經典的繪圖格式和顏色。我們從典型的導入開始:

import matplotlib.pyplot as plt
plt.style.use('classic')
%matplotlib inline
import numpy as np
import pandas as pd

現在我們創(chuàng)建一些隨機游走數據:

# 創(chuàng)建一些數據
rng = np.random.RandomState(0)
x = np.linspace(0, 10, 500)
y = np.cumsum(rng.randn(500, 6), 0)

并執(zhí)行簡單的繪圖:

# 使用 Matplotlib 默認值繪制數據
plt.plot(x, y)
plt.legend('ABCDEF', ncol=2, loc='upper left');
png

雖然結果包含了我們希望傳達的所有信息,但它的確以一種并非好看的方式,甚至在 21 世紀數據可視化的背景下看起來有點過時。

現在讓我們來看看它如何與 Seaborn 一起使用。我們將要看到,Seaborn 有許多自己的高級繪圖例程,但它也可以覆蓋 Matplotlib 的默認參數,反過來甚至可以使簡單的 Matplotlib 腳本產生非常出色的輸出。我們可以通過調用 Seaborn 的set()方法來設置樣式。按照慣例,Seaborn 被導入為sns

import seaborn as sns
sns.set()

現在讓我們重新運行與以前相同的兩行:

# 和上面一樣的繪圖代碼
plt.plot(x, y)
plt.legend('ABCDEF', ncol=2, loc='upper left');
png

啊,好多了!

探索 Seaborn 繪圖

Seaborn 的主要思想是它提供高級命令,來創(chuàng)建用于統計數據探索,甚至是一些統計模型擬合的各種繪圖類型。

我們來看看Seaborn中可用的一些數據集和繪圖類型。 請注意,以下所有都可以使用原始 Matplotlib 命令完成(事實上,這是 Seaborn 所做的事情),但 Seaborn API 更方便。

直方圖,KDE,和密度

通常在統計數據可視化中,你只需要繪制直方圖和變量的聯合分布。我們已經看到這在 Matplotlib 中相對簡單:

data = np.random.multivariate_normal([0, 0], [[5, 2], [2, 2]], size=2000)
data = pd.DataFrame(data, columns=['x', 'y'])

for col in 'xy':
    plt.hist(data[col], normed=True, alpha=0.5)
png

我們可以使用核密度估計來獲得對分布的平滑估計,而不是直方圖,Seaborn 使用sns.kdeplot來執(zhí)行:

for col in 'xy':
    sns.kdeplot(data[col], shade=True)
png

直方圖和 KDE 可以使用distplot組合:

sns.distplot(data['x'])
sns.distplot(data['y']);
png

如果我們將完整的二維數據集傳遞給kdeplot,我們將獲得數據的二維可視化:

sns.kdeplot(data);
png

我們可以使用sns.jointplot查看聯合分布和邊緣分布。對于此圖,我們將樣式設置為白色背景:

with sns.axes_style('white'):
    sns.jointplot("x", "y", data, kind='kde');
png

還有其他參數可以傳遞給jointplot - 例如,我們可以使用基于六邊形的直方圖:

with sns.axes_style('white'):
    sns.jointplot("x", "y", data, kind='hex')
png

配對繪圖

將聯合繪圖推廣到高維數據集時,最終會得到配對繪圖。 當你想要繪制所有值對于彼此的配對時,這對于探索多維數據之間的相關性非常有用。

我們將使用著名的鳶尾花數據集進行演示,該數據集列出了三種鳶尾花物種的花瓣和萼片的測量值:

iris = sns.load_dataset("iris")
iris.head()
sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa

可視化樣本之間的多維關系就像調用sns.pairplot一樣簡單:

sns.pairplot(iris, hue='species', size=2.5);
png

分面直方圖

有時,查看數據的最佳方式是通過子集的直方圖。 Seaborn 的FacetGrid使其非常簡單。我們將根據各種指標數據查看一些數據,它們顯示餐廳員工在小費中收到的金額:

tips = sns.load_dataset('tips')
tips.head()

| | total_bill | tip | sex | smoker | day | time | size |
| --- | --- | --- | --- | --- | --- | --- |
| 0 | 16.99 | 1.01 | Female | No | Sun | Dinner | 2 |
| 1 | 10.34 | 1.66 | Male | No | Sun | Dinner | 3 |
| 2 | 21.01 | 3.50 | Male | No | Sun | Dinner | 3 |
| 3 | 23.68 | 3.31 | Male | No | Sun | Dinner | 2 |
| 4 | 24.59 | 3.61 | Female | No | Sun | Dinner | 4 |

tips['tip_pct'] = 100 * tips['tip'] / tips['total_bill']

grid = sns.FacetGrid(tips, row="sex", col="time", margin_titles=True)
grid.map(plt.hist, "tip_pct", bins=np.linspace(0, 40, 15));
png

因子圖

因子圖也可用于此類可視化。 這允許你查看由任何其他參數定義的桶中的參數分布:

with sns.axes_style(style='ticks'):
    g = sns.factorplot("day", "total_bill", "sex", data=tips, kind="box")
    g.set_axis_labels("Day", "Total Bill");
png

聯合分布

與我們之前看到的配對圖類似,我們可以使用sns.jointplot來顯示不同數據集之間的聯合分布以及相關的邊緣分布:

with sns.axes_style('white'):
    sns.jointplot("total_bill", "tip", data=tips, kind='hex')
png

聯合圖甚至可以做一些自動的核密度估計和回歸:

sns.jointplot("total_bill", "tip", data=tips, kind='reg');
png

條形圖

時間序列可以使用sns.factorplot繪制。 在下面的示例中,我們將使用我們在“聚合和分組”中首次看到的行星數據:

planets = sns.load_dataset('planets')
planets.head()
method number orbital_period mass distance year
0 Radial Velocity 1 269.300 7.10 77.40 2006
1 Radial Velocity 1 874.774 2.21 56.95 2008
2 Radial Velocity 1 763.000 2.60 19.84 2011
3 Radial Velocity 1 326.030 19.40 110.62 2007
4 Radial Velocity 1 516.220 10.50 119.47 2009
with sns.axes_style('white'):
    g = sns.factorplot("year", data=planets, aspect=2,
                       kind="count", color='steelblue')
    g.set_xticklabels(step=5)
png

通過查看每個行星的發(fā)現方法,我們可以了解更多信息:

with sns.axes_style('white'):
    g = sns.factorplot("year", data=planets, aspect=4.0, kind='count',
                       hue='method', order=range(2001, 2015))
    g.set_ylabels('Number of Planets Discovered')
png

對于使用 Seaborn 進行繪圖的更多信息,請參閱 Seaborn 文檔教程 Seaborn 畫廊

示例:探索馬拉松結束時間

在這里,我們將使用 Seaborn 來幫我們可視化和理解馬拉松的結果。我從 Web 上的數據源抓取數據,匯總并刪除任何身份信息,并將其放在 GitHub 上,可以在那里下載(如果你有興趣使用 Python 抓取網頁,我建議閱讀 Ryan Mitchell 的《Web Scraping with Python》。我們首先從 Web 下載數據并將其加載到 Pandas 中:

# !curl -O https://raw.githubusercontent.com/jakevdp/marathon-data/master/marathon-data.csv

data = pd.read_csv('marathon-data.csv')
data.head()
age gender split final
0 33 M 01:05:38 02:08:51
1 32 M 01:06:26 02:09:28
2 31 M 01:06:49 02:10:42
3 38 M 01:06:16 02:13:45
4 31 M 01:06:32 02:13:59

默認情況下,Pandas 將時間列加載為 Python 字符串(類型object);我們可以通過查看DataFramedtypes屬性來看到它:

data.dtypes

'''
age        int64
gender    object
split     object
final     object
dtype: object
'''

讓我們通過為時間提供轉換器來解決這個問題:

def convert_time(s):
    h, m, s = map(int, s.split(':'))
    return pd.datetools.timedelta(hours=h, minutes=m, seconds=s)

data = pd.read_csv('marathon-data.csv',
                   converters={'split':convert_time, 'final':convert_time})
data.head()
age gender split final
0 33 M 01:05:38 02:08:51
1 32 M 01:06:26 02:09:28
2 31 M 01:06:49 02:10:42
3 38 M 01:06:16 02:13:45
4 31 M 01:06:32 02:13:59
data.dtypes

'''
age                 int64
gender             object
split     timedelta64[ns]
final     timedelta64[ns]
dtype: object
'''

這看起來好多了。 出于我們的 Seaborn 繪圖工具的目的,讓我們接下來添加以秒為單位的列:

data['split_sec'] = data['split'].astype(int) / 1E9
data['final_sec'] = data['final'].astype(int) / 1E9
data.head()
age gender split final split_sec final_sec
0 33 M 01:05:38 02:08:51 3938.0 7731.0
1 32 M 01:06:26 02:09:28 3986.0 7768.0
2 31 M 01:06:49 02:10:42 4009.0 7842.0
3 38 M 01:06:16 02:13:45 3976.0 8025.0
4 31 M 01:06:32 02:13:59 3992.0 8039.0

為了了解數據的樣子,我們可以在數據上繪制一個jointplot

with sns.axes_style('white'):
    g = sns.jointplot("split_sec", "final_sec", data, kind='hex')
    g.ax_joint.plot(np.linspace(4000, 16000),
                    np.linspace(8000, 32000), ':k')
png

虛線表示如果他們以完全穩(wěn)定的速度跑馬拉松,那么某人的時間會在哪里。 分布高于此的事實表明(正如你所料)大多數人在馬拉松比賽過程中減速。如果你有競爭力,那么你就會知道那些在比賽后半段跑得更快的人 - 被稱為將比賽負分割(negative-split)。

讓我們在數據中創(chuàng)建另一個列,即分割分數,它測量每個運動員將比賽負分割或正分割(positive-split)的程度:

data['split_frac'] = 1 - 2 * data['split_sec'] / data['final_sec']
data.head()
age gender split final split_sec final_sec split_frac
0 33 M 01:05:38 02:08:51 3938.0 7731.0 -0.018756
1 32 M 01:06:26 02:09:28 3986.0 7768.0 -0.026262
2 31 M 01:06:49 02:10:42 4009.0 7842.0 -0.022443
3 38 M 01:06:16 02:13:45 3976.0 8025.0 0.009097
4 31 M 01:06:32 02:13:59 3992.0 8039.0 0.006842

如果此分割差異小于零,則這個人將比賽以這個比例負分割。讓我們繪制這個分割分數的分布圖:

sns.distplot(data['split_frac'], kde=False);
plt.axvline(0, color="k", linestyle="--");
png
sum(data.split_frac < 0)

# 251

在近 40,000 名參與者中,只有 250 人將馬拉松負分割。

讓我們看看這個分割分數和其他變量之間是否存在任何相關性。我們將使用pairgrid來繪制所有這些相關性:

g = sns.PairGrid(data, vars=['age', 'split_sec', 'final_sec', 'split_frac'],
                 hue='gender', palette='RdBu_r')
g.map(plt.scatter, alpha=0.8)
g.add_legend();
png

看起來分割分數與年齡沒有特別的關聯,但確實與最終時間相關:更快的運動員往往將馬拉松時間等分。(我們在這里看到,當涉及到繪圖樣式時,Seaborn 不是 Matplotlib 弊病的靈丹妙藥:特別是,x軸標簽重疊。因為輸出是一個簡單的 Matplotlib 圖,但是,“自定義刻度”中的方法可以用來調整這些東西。)

這里男女之間的區(qū)別很有意思。 讓我們看看這兩組的分割分數的直方圖:

sns.kdeplot(data.split_frac[data.gender=='M'], label='men', shade=True)
sns.kdeplot(data.split_frac[data.gender=='W'], label='women', shade=True)
plt.xlabel('split_frac');
png

這里有趣的是,有更多的男人比女人更接近等分!這幾乎看起來像男女之間的某種雙峰分布。 讓我們看看,我們是否可以通過將分布看做年齡的函數,來判斷發(fā)生了什么。

比較分布的好方法是使用提琴圖:

sns.violinplot("gender", "split_frac", data=data,
               palette=["lightblue", "lightpink"]);
png

這是比較男女之間分布的另一種方式。

讓我們看得深入一些,然后將這些提琴圖作為年齡的函數進行比較。我們首先在數組中創(chuàng)建一個新列,指定每個人的年齡,以十年為單位:

data['age_dec'] = data.age.map(lambda age: 10 * (age // 10))
data.head()
age gender split final split_sec final_sec split_frac age_dec
0 33 M 01:05:38 02:08:51 3938.0 7731.0 -0.018756 30
1 32 M 01:06:26 02:09:28 3986.0 7768.0 -0.026262 30
2 31 M 01:06:49 02:10:42 4009.0 7842.0 -0.022443 30
3 38 M 01:06:16 02:13:45 3976.0 8025.0 0.009097 30
4 31 M 01:06:32 02:13:59 3992.0 8039.0 0.006842 30
men = (data.gender == 'M')
women = (data.gender == 'W')

with sns.axes_style(style=None):
    sns.violinplot("age_dec", "split_frac", hue="gender", data=data,
                   split=True, inner="quartile",
                   palette=["lightblue", "lightpink"]);
png

考慮到這一點,我們可以看到男性和女性的分布在哪里不同:與同齡(或任何年齡的)女性相比,20 到 50 歲男性的分割分布,與較低的分割相比,表現出明顯的過度密集。

同樣令人驚訝的是,這位 80 歲的女性在分割時間方面表現優(yōu)于每個人。 這可能是因為我們估計來自小數字的分布,因為在該范圍內只有少數運動員:

(data.age > 80).sum()

# 7

回到帶有負分割的男性:誰是這些運動員? 這個分割分數是否與快速結束相關? 我們可以很容易地繪制這個圖。 我們將使用regplot,它將自動擬合數據的線性回歸:

g = sns.lmplot('final_sec', 'split_frac', col='gender', data=data,
               markers=".", scatter_kws=dict(color='c'))
g.map(plt.axhline, y=0.1, color="k", ls=":");
png

顯然,帶有快速分割的人是精英運動員,他們在約 15,000 秒或約 4 小時內結束。 慢于此的人不太可能具有快速的第二次分割。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發(fā)布,文章內容僅代表作者本人觀點,簡書系信息發(fā)布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容