ch6.

6.md

+# 六、可视化
+
+
+表格是一种组织和可视化数据的强大方式。然而，无论数据如何组织，数字的大型表格可能难以解释。 有时解释图片比数字容易得多。
+
+在本章中，我们将开发一些数据分析的基本图形方法。 我们的数据源是[互联网电影数据库](http://www.imdb.com/)（IMDB），这是一个在线数据库，包含电影，电视节目，和视频游戏等信息。[Box Office Mojo](http://www.boxofficemojo.com/) 网站提供了许多 IMDB 数据摘要，我们已经采用了其中一些。 我们也使用了 [The Numbers](http://www.the-numbers.com/) 的数据摘要，这个网站的口号是“数据和电影业务的相遇之处”。
+
+## 散点图和线形图
+
+
+`actors`表包含好莱坞的男性和女性演员的数据。 其中的列是：
+
+| 列 | 内容 |
+| --- | --- |
+| Actor | 演员名称 |
+| Total Gross | 演员所有电影的国内票房总收入（百万美元） |
+| Number of Movies | 演员所演的电影数量 |
+| Average per Movie | 总收入除以电影数量 |
+| #1 Movie | 演员所演的票房最高的电影 |
+| Gross | 演员的 #1 电影的国内票房总收入（百万美元） |
+
+在总票房的计算中，数据的制表人没有包括一些电影，其中演员是客串角色或陈述角色，没有太多的登场时间。
+
+这个表格有 50 行，对应着 50 个最顶级的演员。 这个表已经按照`Total Gross`排序了，所以很容易看出，`Harrison Ford`是最棒的演员。 总的来说，他的电影的国内票房收入比其他演员的电影多。
+
+```py
+actors = Table.read_table('actors.csv')
+actors
+```
+
+| Actor | Total Gross | Number of Movies | Average per Movie | #1 Movie | Gross |
+| --- | --- | --- | --- | --- | --- |
+| Harrison Ford | 4871.7 | 41 | 118.8 | Star Wars: The Force Awakens | 936.7 |
+| Samuel L. Jackson | 4772.8 | 69 | 69.2 | The Avengers | 623.4 |
+| Morgan Freeman | 4468.3 | 61 | 73.3 | The Dark Knight | 534.9 |
+| Tom Hanks | 4340.8 | 44 | 98.7 | Toy Story 3 | 415 |
+| Robert Downey, Jr. | 3947.3 | 53 | 74.5 | The Avengers | 623.4 |
+| Eddie Murphy | 3810.4 | 38 | 100.3 | Shrek 2 | 441.2 |
+| Tom Cruise | 3587.2 | 36 | 99.6 | War of the Worlds | 234.3 |
+| Johnny Depp | 3368.6 | 45 | 74.9 | Dead Man's Chest | 423.3 |
+| Michael Caine | 3351.5 | 58 | 57.8 | The Dark Knight | 534.9 |
+| Scarlett Johansson | 3341.2 | 37 | 90.3 | The Avengers | 623.4 |
+
+（已省略 40 行）
+
+术语。变量是我们称之为“特征”的东西的正式名称，比如`'number of movies'`。 术语“变量”强调了，对于不同的个体，这个特征可以有不同的值 - 演员所演电影的数量因人而异。
+
+拥有数值的变量（如`'number of movies'`或`'average gross receipts per movie'`）的变量称为定量或数值变量。
+
+### 散点图
+
+散点图展示两个数值变量之间的关系。 在前面的章节中，我们看到了一个散点图的例子，我们看了两个经典小说的时间段和角色数量。
+
+`Table`的`scatter`方法绘制一个散点图，由表格的每一行组成。它的第一个参数是要在横轴上绘制的列标签，第二个参数是纵轴上的列标签。
+
+```py
+actors.scatter('Number of Movies', 'Total Gross')
+```
+
+散点图包含 50 个点，表中的每个演员为一个。 一般来说，你可以看到它向上倾斜。 一个演员的电影越多，所有这些电影的总收入就越多。
+
+在形式上，我们说图表显示了变量之间的关联，并且关联是正的：一个变量的高值往往与另一个变量的高值相关联，而低值也是一样，通常情况下。
+
+当然有一些变化。 一些演员有很多电影，但总收入中等。 其他人电影数量中等，但收入很高。正相关只是一个大体趋势的叙述。
+
+在课程后面，我们将学习如何量化关联。目前，我们只是定性地思考。
+
+现在我们已经探索了电影的数量与总收入的关系，让我们把注意力转向它与每部电影的平均收入的关系。
+
+```py
+actors.scatter('Number of Movies', 'Average per Movie')
+```
+
+这是一个截然不同的情况，并表现出负相关。 一般来说，演员的电影数量越多，每部电影的平均收入就越少。
+
+另外，有一个点是非常高的，在绘图的左边。 它对应于一个电影数量很少，每部电影平均值很高的演员。 这个点是异常的。 它位于数据的一般范围之外。 事实上，这与绘图中的其他所有点相差甚远。
+
+我们将通过查看绘图的左右两端的点，来进一步检查负相关。
+
+对于右端，我们通过查看没有异常值的部分来放大图的主体。
+
+```py
+no_outlier = actors.where('Number of Movies', are.above(10))
+no_outlier.scatter('Number of Movies', 'Average per Movie')
+```
+
+负相关仍然清晰可见。 让我们找出一些演员，对应位于绘图右侧的点，这里电影数量较多：
+
+```py
+actors.where('Number of Movies', are.above(60))
+```
+
+| Actor | Total Gross | Number of Movies | Average per Movie | #1 Movie | Gross |
+| --- | --- | --- | --- | --- | --- |
+| Samuel L. Jackson | 4772.8 | 69 | 69.2 | The Avengers | 623.4 |
+| Morgan Freeman | 4468.3 | 61 | 73.3 | The Dark Knight | 534.9 |
+| Robert DeNiro | 3081.3 | 79 | 39 | Meet the Fockers | 279.3 |
+| Liam Neeson | 2942.7 | 63 | 46.7 | The Phantom Menace | 474.5 |
+
+伟大的演员罗伯特·德尼罗（Robert DeNiro）拥有最高的电影数量和最低的每部电影的平均收入。 其他优秀的演员在不远处的点，但德尼罗在极远处。
+
+为了理解负相关，请注意，演员所演的电影越多，在风格，流派和票房方片，这些电影变化就越大。 例如，一个演员可能会出现在一些高收入的动作电影或喜剧中（如 Meet Fockers），也可能是优秀但不会吸引大量人群的小众电影。 因此，演员的每部电影的平均收入值可能相对较低。
+
+为了从不同的角度来看待这个观点，现在让我们来看看这个异常点。
+
+```py
+actors.where('Number of Movies', are.below(10))
+```
+
+| Actor | Total Gross | Number of Movies | Average per Movie | #1 Movie | Gross |
+| --- | --- | --- | --- | --- | --- |
+| Anthony Daniels | 3162.9 | 7 | 451.8 | Star Wars: The Force Awakens | 936.7 |
+
+作为一名演员，安东尼·丹尼尔斯（Anthony Daniels）可能没有罗伯特·德尼罗（Robert DeNiro）的身材。 但是他的 7 部电影的平均收入却高达每部电影近 4.52 亿美元。
+
+这些电影是什么？ 你可能知道《星球大战：C-3PO》中的 Droid C-3PO，那是金属机甲里面的安东尼·丹尼尔斯。 他扮演 C-3PO。
+
+丹尼尔斯先生的全部电影（除了客串）都是由高收入的“星球大战”系列电影组成的。 这就解释了他的高平均收入和低电影数量。
+
+类型和制作预算等变量，会影响电影数量与每部电影的平均收入之间的关联。 这个例子提醒人们，研究两个变量之间的关联，往往也涉及到了解其他相关的变量。
+
+## 线形图
+
+
+线形图是最常见的可视化图形之一，通常用于研究时序型的趋势和模式。
+
+
+`movies_by_year`表包含了 1980 年到 2015 年间，美国电影公司制作的电影的数据。这些列是：
+
+| 列 | 内容 |
+| --- | --- |
+| Year | 年份 |
+| Total Gross | 所有发行电影的国内总票房收入（以百万美元为单位） |
+| Number of Movies | 发行的电影数量 |
+| #1 Movie | 收入最高的电影 |
+
+```py
+movies_by_year = Table.read_table('movies_by_year.csv')
+movies_by_year
+```
+
+
+| Year | Total Gross | Number of Movies | #1 Movie |
+| --- | --- | --- | --- |
+| 2015 | 11128.5 | 702 | Star Wars: The Force Awakens |
+| 2014 | 10360.8 | 702 | American Sniper |
+| 2013 | 10923.6 | 688 | Catching Fire |
+| 2012 | 10837.4 | 667 | The Avengers |
+| 2011 | 10174.3 | 602 | Harry Potter / Deathly Hallows (P2) |
+| 2010 | 10565.6 | 536 | Toy Story 3 |
+| 2009 | 10595.5 | 521 | Avatar |
+| 2008 | 9630.7 | 608 | The Dark Knight |
+| 2007 | 9663.8 | 631 | Spider-Man 3 |
+| 2006 | 9209.5 | 608 | Dead Man's Chest |
+
+（省略了 26 行）
+
+`Table`的`plot`方法产生线形图。 它的两个参数与散点图相同：首先是横轴上的列，然后是纵轴上的列。 这是 1980 年到 2015 年间每年发行的电影数量的线形图。
+
+```py
+movies_by_year.plot('Year', 'Number of Movies')
+```
+
+虽然每年的数字都有明显的变化，但图形急剧上升，然后呈现平缓的上升趋势。 20 世纪 80 年代早期的剧增，部分是由于在上世纪 70 年代，电影制作人推动电影业的几年后，电影制片厂重新回到电影制作的前沿。
+
+我们的重点将放在最近几年。 根据电影的主题，对应 2000 年到 2015 年的行，分配给名称`century_21`。
+
+```py
+century_21 = movies_by_year.where('Year', are.above(1999))
+century_21.plot('Year', 'Number of Movies')
+```
+
+2008 年的全球金融危机有明显的效果 - 2009 年发行的电影数量急剧下降。
+
+但是，美元数量并没有太大的变化。
+
+```py
+century_21.plot('Year', 'Total Gross')
+```
+
+尽管发生了金融危机，电影发行的数量也少得多，但 2009 年的国内总收入仍高于 2008 年。
+
+造成这种矛盾的一个原因是，人们在经济衰退时往往会去看电影。 “经济低迷时期，美国人涌向电影”，“纽约时报”于 2009 年 2 月说。文章引用南加州大学的马丁·卡普兰（Martin Kaplan）的话说：“人们想要忘记自己的烦恼，想和别人在一起。” 当节假日和昂贵的款待难以负担，电影提供了受欢迎的娱乐和宽慰。
+
+2009 年的高票房收入的另一个原因是，电影《阿凡达》及其 3D 版本。 阿凡达不仅是 2009 年的第一部电影，它也是有史以来第二高的总票房电影，我们将在后面看到。
+
+```py
+century_21.where('Year', are.equal_to(2009))
+```
+
+| Year | Total Gross | Number of Movies | #1 Movie |
+| --- | --- | --- | --- |
+| 2009 | 10595.5 | 521 | Avatar |
+