8.17 使用 Seaborn 的可視化
譯者:飛龍
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 Pandas
DataFrame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');
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');
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)
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)
直方圖和 KDE 可以使用distplot
組合:
sns.distplot(data['x'])
sns.distplot(data['y']);
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);
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');
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')
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);
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));
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");
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')
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');
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)
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')
對于使用 Seaborn 進行繪圖的更多信息,請參閱 Seaborn 文檔,教程和 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DataFrame
的dtypes
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')
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="--");
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();
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');
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"]);
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"]);
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=":");
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。