5种基本数据可视化图表：优劣分析与Matplotlib代码实现指南

[id_1298809909]

参与：刘晓坤、思源

数据可视化是数据科学家工作的重要组成部分。在项目的起始阶段，我们一般需要开展探索性数据分析，以获取对数据的洞察。利用数据可视化能够使这个过程变得更为清晰且易于理解，特别是在应对大规模、高维度的数据集时。我们在本文中介绍了 5 种最基本的数据可视化图表。接着展示了它们各自的优劣点。之后还提供了绘制对应图表的 Matplotlib 代码。

Matplotlib 是一个颇为流行的 Python 库，能够助力你迅速且便捷地构建数据可视化图表。不过，每当开启一个新的项目，都得重新对数据、参数、图形以及绘图方式进行设置，这是极为枯燥且无聊的。本文将会介绍 5 种数据可视化的方法，并且会用 Python 以及 Matplotlib 编写一些快速且易用的可视化函数。下图展示了选择正确可视化方法的导向图。

选择正确可视化方法的导向图。

散点图

散点图能直接看到原始数据的分布，所以对于展示两个变量之间的关系很有用。你可以用颜色把数据分组，以此来观察不同组数据之间的关系，就如下面的图所展示的那样。你也能够添加另一个参数，像数据点的半径，来编码第三个变量，进而可视化三个变量之间的关系，如同下方第二个图所示。

[id_1067557502]

用颜色分组的散点图，点半径作为第三个变量表示国家规模。

首先进行代码部分的操作。我们把 Matplotlib 的 pyplot 导入并记作 plt 。接着调用函数 plt.subplots() 去创建新的图。之后把 x 轴和 y 轴的数据传递给这个函数，再把得到的结果传递给 ax.scatter() ，以此来画出散点图。我们能够设置点的半径，能够设置点的颜色，还能够设置 alpha 透明度。我们甚至可以把 y 轴设置为对数尺寸。最后，我们可以为图指定标题，也可以为坐标轴指定标签。

import matplotlib.pyplot as plt
import numpy as np

def scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False):

    # Create the plot object
    _, ax = plt.subplots()

    绘制数据，设定大小（s）、颜色以及透明度（alpha）。
    # of the points
ax 进行散点图绘制，其横坐标为 x_data，纵坐标为 y_data，点的大小 s 为10, color = color, alpha = 0.75)

    if yscale_log == True:
        ax.set_yscale('log')

    给坐标轴添加标注并提供一个标题。
    ax.set_title(title)
    ax.set_xlabel(x_label)
    ax.set_ylabel(y_label)

线图

当一个变量随另一个变量变化的幅度大时，也就是它们有高协方差时，线图很有用。从下图能看到，所有专业课程的相对百分数随年代变化幅度大。用散点图画这些数据会杂乱无章，难以看清本质。而线图适合这种情况，因为它能快速总结两个变量的协方差。在这里，我们也可以用颜色将数据分组。

线图示例。

以下是线图的实现代码，它与散点图的代码结构较为相似，只是在变量设置方面有一些细微的变化。

def lineplot(x_data, y_data, x_label="", y_label="", title=""):
    # Create the plot object
    _, ax = plt.subplots()

    绘制最佳拟合线，设定线宽（lw）、颜色以及
    这条线的透明度（α）
ax 绘制 x_data 和 y_data 的图形，线条宽度为2, color = '#539caf', alpha = 1)

    # Label the axes and provide a title
    ax.set_title(title)
    ax.set_xlabel(x_label)
    ax.set_ylabel(y_label)

直方图

直方图对于观察或深入了解数据点的分布很有帮助。我们绘制了频率与 IQ 的直方图，通过它我们能够直观地知晓分布的集中度（方差）以及中位数，还能了解到该分布的形状近似为高斯分布。使用这种柱形（而非散点图等）能够清晰地将每一个箱体（X 轴的一个等距区间）间频率的变化可视化。使用箱体（离散化）有助于我们观察到“更完整的图像”。因为若使用所有数据点而不进行离散化，就无法观察到近似的数据分布，在可视化过程中可能会存在很多噪声，这样就只能近似地描述，而不能准确地描述真正的数据分布。

直方图案例

下面展示了 Matplotlib 中绘制直方图的代码。这里有两个需注意的步骤：其一，n_bins 参数可控制直方图的箱体数量或离散化程度。较多的箱体或柱体能给我们提供更多信息，但也会引入噪声并使我们所观察到的全局分布图像变得不太规则。更少的箱体能给我们带来更多的全局信息，这样我们即便在缺少细节信息时，也能观察到整体分布的形状。其次，cumulative 参数属于布尔值类型，它具备这样的功能，即让我们能够选择直方图是否为累积的，也就是能够选择概率密度函数（PDF）或者累积密度函数（CDF）。

def histogram数据、分箱数量、是否累积（cumulative=False）、x 轴标签（x_label = ）"", y_label = "", title = ""):
    _, ax = plt.subplots()
ax.hist 这个函数用于绘制数据的直方图。它接受 data 作为要绘制的数据，n_bins 表示直方图的箱数，cumulative 表示是否是累积直方图，color 表示直方图的颜色。'#539caf')
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)

如果我们期望比较数据里两个变量的分布，那么或许有人会觉得我们得制作两个单独的直方图，然后把它们拼接起来去进行比较。然而实际上，Matplotlib 有着更优的办法，我们能够用不同的透明度把多个直方图叠加起来。如下图所示，将透明度设置为 0.5 且均匀分布，这样我们就能够把它叠加在高斯分布上，从而允许用户在同一图表上把两个分布绘制出来并进行比较。

叠加直方图

在叠加直方图的代码里，我们得留意一些问题。其一，所设定的水平区间要能同时契合两个变量的分布。其二，依据水平区间的范围以及箱体数，能够算出每个箱体的宽度。另外，在一个图表上绘制两个直方图时，要确保其中一个直方图具有更大的透明度。

将两个直方图叠加起来以便对它们进行比较。
def overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""):
    设置箱子的边界，以便能够对这两个分布进行公平的比较。
    max_nbins = 10
data_range 等于由两个元素组成的列表，第一个元素是 data1 中的最小值与 data2 中的最小值中的较小值，第二个元素是 data1 中的最大值与 data2 中的最大值中的较大值。
    binwidth = (data_range[1] - data_range[0]) / max_nbins


    if n_bins == 0
bins 等于从 data_range 的起始值到结束值以一定步长生成的数组。0], data_range[1] + binwidth, binwidth)
    else: 
        bins = n_bins

    # Create the plot
    _, ax = plt.subplots()
使用 ax 绘制数据 data1 的直方图，设置 bins 为指定的 bins，颜色为 data1_color，透明度为指定的透明度。1, label = data1_name)
ax.hist 对 data2 进行绘图操作，设置了 bins 为 bins，颜色为 data2_color，透明度为 alpha 。0.75, label = data2_name)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'best')

条形图

当对类别数很少（

常规条形图为图 1 。在 barplot() 函数里，x_data 代表 x 轴上的不同类别，y_data 代表 y 轴上的条形高度。误差条形是添加在每个条形中心的线，能够用来表示标准差。

常规条形图

分组条形图能够让我们对多个类别变量进行比较。从图中可以看出，我们的第一个变量会依据不同的分组（如 G1、G2 等）而发生变化，并且我们在每一组当中去比较不同的性别。就像代码所显示的那样，y_data_list 变量如今实际上是由一组列表构成的，其中每一个子列表都代表了一个不同的组。然后我们依次遍历每一个组，接着在 X 轴上绘制柱体以及与之对应的数值。每一个分组的不同类别会用不同的颜色来表示。

分组条形图

堆叠条形图很适合可视化不同变量的分类构成。在接下来的堆叠条形图里，我们对工作日的服务器负载进行了比较。利用不同颜色的方块堆叠在同一条形图上，我们能够轻松地查看并知晓哪台服务器每天的工作效率最高，以及同一服务器在不同天数的负载大小。绘制该图的代码风格与分组条形图相同。我们会循环遍历每一组。这次我们是在旧的柱体之上绘制新的柱体，而不是在旁边绘制。

堆叠条形图

def barplotx_data 以及 y_data 还有 error_data ，并且 x_label 为"", y_label="", title=""):
    _, ax = plt.subplots()
    绘制条形图，将它们放置在 x 轴刻度标记的中心位置。
ax 绘制了以 x_data 为 x 轴数据、y_data 为 y 轴数据且颜色为指定颜色的条形图。'#539caf', align = 'center')
    绘制误差线以显示标准偏差，将线条样式设置为“无”
    以下是改写后的句子：去除点与点之间的线条。
ax 绘制误差线，x 数据为 x_data，y 数据为 y_data，y 误差为 error_data，颜色为指定颜色。'#297083', ls = 'none', lw = 2, capthick = 2)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)



def stackedbarplotx_data 以及 y_data_list、colors，还有 y_data_names 。"", x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    绘制条形图，每次绘制一个类别。
    for i in range(0, len(y_data_list)):
        if i == 0:
ax 绘制 x 数据与 y_data_list 中的第 i 个数据的条形图，颜色为 colors 中的第 i 个颜色，且对齐方式为……'center', label = y_data_names[i])
        else:
            对于第一个之后的每一个类别，其底部的情况是…… ；每个除第一个之外的类别，其底部…… ；在第一个类别之后的每一类，其底部……
            酒吧将处于最后一个类别中的顶端位置。
ax.bar(x_data, y_data_list[i])，其颜色为 colors[i]，底部为 y_data_list[i - 1]1], align = 'center', label = y_data_names[i])
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')



def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
    _, ax = plt.subplots()
    所有条形在一个 x 位置的总宽度
    total_width = 0.8
    每个单独条形的宽度
计算得出的 ind_width 等于 total_width 除以 y_data_list 的长度。
    此操作会将每个条形簇围绕 x 刻度标记居中。
alteration 等于从负的（total_width 除以 2）到正的（total_width 除以 2），以步长为 1 进行取值所生成的数组。2), total_width/2, ind_width)


    # Draw bars, one category at a time
    for i in range(0, len(y_data_list)):
        
        与之前所画的那些有重叠之处。
ax 对 x_data 加上 alteration[i] 进行 bar 操作，使用 y_data_list[i] 作为数据，颜色为 colors[i]，标签为 y_data_names[i]，宽度为 ind_width
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')

箱线图

上述直方图对可视化变量分布很有用。然而，当我们需要更多信息时该怎么办呢？我们或许需要清晰地将标准差可视化，也可能会出现中位数和平均值差值很大（存在很多异常值）的情况，所以需要更细致的信息。还可能会出现数据分布很不均匀等情况。

箱线图能够给我们提供所需的全部信息。实线箱的底部代表第一个四分位数，其顶部则代表第三个四分位数，箱内的线代表第二个四分位数也就是中位数。虚线表示数据的分布范围。

箱线图是对单个变量的可视化，所以它的设置很简单。x_data 是变量的列表。Matplotlib 函数 boxplot() 会为 y_data 的每一列或 y_data 序列中的每个向量绘制一个箱线图，这样一来，x_data 中的每个值就对应着 y_data 中的一列或一个向量。

箱线图示例。

def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""):
    _, ax = plt.subplots()

    绘制箱线图，明确所需的样式。可以分别绘制不同数据集或变量的箱线图，以展示数据的分布特征。通过设置箱线图的各种参数，如 whisker 的长度、中位数的标记等，来满足特定的可视化需求。还可以将箱线图与其他图表类型结合使用，以更全面地展示数据信息。
    ax.boxplot(y_data
               
语言风格：保持原文风格，去掉最前面的序号，将长句拆分成多个小分句，分句越短越好。具体来说，就是把原来的长句拆分成几个较短的句子，每个句子表达一个相对独立的意思，同时保留原文的意思和语言风格，不穿插英文单词，也不修改专有名词。例如：“语言风格保持不变，去掉序号，拆分长句为短句，短句表达独立意思，保留原意，不穿插英文，不修改专有名词。”True
               # Properties of median line
中位数属性为 {  } ，'color': median_color}
               # Properties of box
               , boxprops = {'color': base_color, 'facecolor': base_color}
               # Properties of whiskers
whiskerprops 为一个对象，其中包含了一些相关的属性或配置。 它可能用于与胡须相关的操作或呈现。 这些属性可能与胡须的形状、颜色、长度等方面有关。 具体的属性内容取决于使用 whiskerprops 的上下文和目的。'color': base_color}
               # Properties of whisker caps
               , capprops = {'color': base_color})

    
    绘制每个框。这将标签设置为我们想要的那些。
    ax.set_xticklabels(x_data)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)