Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
pyda-2e-zh
提交
ebcab261
P
pyda-2e-zh
项目概览
OpenDocCN
/
pyda-2e-zh
8 个月 前同步成功
通知
19
Star
1067
Fork
348
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
pyda-2e-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
ebcab261
编写于
1月 01, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-01-01 16:20:09
上级
6beeb586
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
8 addition
and
8 deletion
+8
-8
docs/9.md
docs/9.md
+8
-8
未找到文件。
docs/9.md
浏览文件 @
ebcab261
...
...
@@ -637,7 +637,7 @@ In [106]: plt.title('Changes in log %s versus log %s' % ('m1', 'unemp'))
![
图 9-24 seaborn 的回归/散点图
](
img/7178691-2133d20739478a80.png
)
在探索式数据分析工作中,同时观察一组变量的散点图是很有意义的,这也被称为散点图矩阵(scatter plot matrix)。纯手工创建这样的图表很费工夫,所以 seaborn 提供了一个便捷的
pairplot
函数,它支持在对角线上放置每个变量的直方图或密度估计(见图 9-25):
在探索式数据分析工作中,同时观察一组变量的散点图是很有意义的,这也被称为散点图矩阵(scatter plot matrix)。纯手工创建这样的图表很费工夫,所以 seaborn 提供了一个便捷的
`pairplot`
函数,它支持在对角线上放置每个变量的直方图或密度估计(见图 9-25):
```
python
In
[
107
]:
sns
.
pairplot
(
trans_data
,
diag_kind
=
'kde'
,
plot_kws
=
{
'alpha'
:
0.2
})
...
...
@@ -645,11 +645,11 @@ In [107]: sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})
![
图 9-25 statsmodels macro data 的散点图矩阵
](
img/7178691-20aa530a44e06f61.png
)
你可能注意到了
plot_kws 参数。它可以让我们传递配置选项到非对角线元素上的图形使用。对于更详细的配置选项,可以查阅 seaborn.pairplot
文档字符串。
你可能注意到了
`plot_kws`
参数。它可以让我们传递配置选项到非对角线元素上的图形使用。对于更详细的配置选项,可以查阅
`seaborn.pairplot`
文档字符串。
## 分面网格(facet grid)和类型数据
要是数据集有额外的分组维度呢?有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn 有一个有用的内置函数
factorplot
,可以简化制作多种分面图(见图 9-26):
要是数据集有额外的分组维度呢?有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn 有一个有用的内置函数
`factorplot`
,可以简化制作多种分面图(见图 9-26):
```
python
In
[
108
]:
sns
.
factorplot
(
x
=
'day'
,
y
=
'tip_pct'
,
hue
=
'time'
,
col
=
'smoker'
,
.....:
kind
=
'bar'
,
data
=
tips
[
tips
.
tip_pct
<
1
])
...
...
@@ -665,21 +665,21 @@ In [109]: sns.factorplot(x='day', y='tip_pct', row='time',
.....:
kind
=
'bar'
,
data
=
tips
[
tips
.
tip_pct
<
1
])
```
![
图 9-27 按天的
tip_pct,通过 time/smoker
分面
](
img/7178691-4e52192441c609f7.png
)
![
图 9-27 按天的
`tip_pct`,通过`time`/`smoker`
分面
](
img/7178691-4e52192441c609f7.png
)
factorplot
支持其它的绘图类型,你可能会用到。例如,盒图(它可以显示中位数,四分位数,和异常值)就是一个有用的可视化类型(见图 9-28):
`factorplot`
支持其它的绘图类型,你可能会用到。例如,盒图(它可以显示中位数,四分位数,和异常值)就是一个有用的可视化类型(见图 9-28):
```
python
In
[
110
]:
sns
.
factorplot
(
x
=
'tip_pct'
,
y
=
'day'
,
kind
=
'box'
,
.....:
data
=
tips
[
tips
.
tip_pct
<
0.5
])
```
![
图 9-28 按天的
tip_pct
的盒图
](
img/7178691-356fb27a7c658920.png
)
![
图 9-28 按天的
`tip_pct`
的盒图
](
img/7178691-356fb27a7c658920.png
)
使用更通用的
seaborn.FacetGrid 类,你可以创建自己的分面网格。请查阅 seaborn 的文档(https://seaborn.pydata.org/)
。
使用更通用的
`seaborn.FacetGrid`
类,你可以创建自己的分面网格。请查阅
[
seaborn 的文档
](
https://seaborn.pydata.org/
)
。
# 9.3 其它的 Python 可视化工具
与其它开源库类似,Python 创建图形的方式非常多(根本罗列不完)。自从 2010 年,许多开发工作都集中在创建交互式图形以便在 Web 上发布。利用工具如
Boken(https://bokeh.pydata.org/en/latest/)和 Plotly(https://github.com/plotly/plotly.py)
,现在可以创建动态交互图形,用于网页浏览器。
与其它开源库类似,Python 创建图形的方式非常多(根本罗列不完)。自从 2010 年,许多开发工作都集中在创建交互式图形以便在 Web 上发布。利用工具如
[
Boken
](
https://bokeh.pydata.org/en/latest/
)
和
[
Plotly
](
https://github.com/plotly/plotly.py
)
,现在可以创建动态交互图形,用于网页浏览器。
对于创建用于打印或网页的静态图形,我建议默认使用 matplotlib 和附加的库,比如 pandas 和 seaborn。对于其它数据可视化要求,学习其它的可用工具可能是有用的。我鼓励你探索绘图的生态系统,因为它将持续发展。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录