12 KiB

Raw Permalink Blame History Unescape Escape

視覺化分佈


視覺化分佈 - 手繪筆記由 @nitya 繪製

在上一課中，你學到了關於明尼蘇達州鳥類數據集的一些有趣事實。你通過視覺化異常值發現了一些錯誤的數據，並通過最大長度比較了不同鳥類分類的差異。

課前測驗

探索鳥類數據集

另一種深入了解數據的方法是查看其分佈，也就是數據如何沿著某個軸排列。例如，你可能想了解這個數據集中明尼蘇達州鳥類的最大翼展或最大體重的整體分佈情況。

讓我們來發現一些關於這個數據集中分佈的事實。在本課文件夾根目錄中的 notebook.ipynb 文件中，導入 Pandas、Matplotlib 和你的數據：

import pandas as pd
import matplotlib.pyplot as plt
birds = pd.read_csv('../../data/birds.csv')
birds.head()

	名稱	學名	分類	目	科	屬	保育狀態	最小長度	最大長度	最小體重	最大體重	最小翼展	最大翼展
0	黑腹樹鴨	Dendrocygna autumnalis	鴨/鵝/水禽	雁形目	鴨科	樹鴨屬	LC	47	56	652	1020	76	94
1	棕樹鴨	Dendrocygna bicolor	鴨/鵝/水禽	雁形目	鴨科	樹鴨屬	LC	45	53	712	1050	85	93
2	雪雁	Anser caerulescens	鴨/鵝/水禽	雁形目	鴨科	雁屬	LC	64	79	2050	4050	135	165
3	羅氏雁	Anser rossii	鴨/鵝/水禽	雁形目	鴨科	雁屬	LC	57.3	64	1066	1567	113	116
4	大白額雁	Anser albifrons	鴨/鵝/水禽	雁形目	鴨科	雁屬	LC	64	81	1930	3310	130	165

通常，你可以通過使用散點圖快速查看數據的分佈方式，就像我們在上一課中所做的那樣：

birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))

plt.title('Max Length per Order')
plt.ylabel('Order')
plt.xlabel('Max Length')

plt.show()

這提供了每個鳥類目中身體長度的一般分佈概覽，但這並不是顯示真實分佈的最佳方式。這個任務通常通過創建直方圖來完成。

使用直方圖

Matplotlib 提供了非常好的方法來使用直方圖視覺化數據分佈。這種類型的圖表類似於條形圖，通過條形的升降可以看到分佈情況。要構建直方圖，你需要數值型數據。構建直方圖時，可以將圖表的類型定義為 'hist'。這個圖表顯示了整個數據集中 MaxBodyMass 的分佈。通過將數據陣列分成更小的區間（bins），它可以顯示數據值的分佈：

birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
plt.show()

如你所見，這個數據集中的 400 多種鳥類大多數的最大體重都在 2000 以下。通過將 bins 參數設置為更高的數字（例如 30），可以獲得更多的數據洞察：

birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
plt.show()

這個圖表以更細緻的方式顯示了分佈。通過僅選擇給定範圍內的數據，可以創建一個不那麼偏向左側的圖表：

篩選數據以僅獲取體重低於 60 的鳥類，並顯示 40 個 bins：

filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
plt.show()

✅ 試試其他篩選條件和數據點。若要查看數據的完整分佈，移除 ['MaxBodyMass'] 篩選條件以顯示帶標籤的分佈。

直方圖還提供了一些不錯的顏色和標籤增強功能可以嘗試：

創建一個 2D 直方圖來比較兩個分佈之間的關係。讓我們比較 MaxBodyMass 和 MaxLength。Matplotlib 提供了一種內建方式，通過更亮的顏色顯示匯聚點：

x = filteredBirds['MaxBodyMass']
y = filteredBirds['MaxLength']

fig, ax = plt.subplots(tight_layout=True)
hist = ax.hist2d(x, y)

可以看到這兩個元素之間沿著預期軸線存在預期的相關性，並且有一個特別強的匯聚點：

直方圖對於數值型數據默認效果很好。如果你需要根據文本數據查看分佈該怎麼辦？

使用文本數據探索數據集的分佈

這個數據集還包括關於鳥類分類、屬、種、科以及保育狀態的良好信息。讓我們深入了解這些保育信息。鳥類根據其保育狀態的分佈是什麼樣的？

✅ 在數據集中，使用了一些縮寫來描述保育狀態。這些縮寫來自 IUCN 紅色名錄分類，該組織記錄了物種的狀態。

CR: 極危

EN: 瀕危

EX: 滅絕

LC: 無危

NT: 近危

VU: 易危

這些是基於文本的值，因此你需要進行轉換以創建直方圖。使用篩選後的 filteredBirds 數據框，顯示其保育狀態與最小翼展。你看到了什麼？

x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']

kwargs = dict(alpha=0.5, bins=20)

plt.hist(x1, **kwargs, color='red', label='Extinct')
plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
plt.hist(x3, **kwargs, color='yellow', label='Endangered')
plt.hist(x4, **kwargs, color='green', label='Near Threatened')
plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
plt.hist(x6, **kwargs, color='gray', label='Least Concern')

plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
plt.legend();

最小翼展與保育狀態之間似乎沒有明顯的相關性。使用這種方法測試數據集中的其他元素。你也可以嘗試不同的篩選條件。你發現了任何相關性嗎？

密度圖

你可能已經注意到，我們目前看到的直方圖是“階梯式”的，並沒有平滑地呈現弧形。若要顯示更平滑的密度圖，可以嘗試使用密度圖。

為了使用密度圖，請熟悉一個新的繪圖庫 Seaborn。

加載 Seaborn，嘗試一個基本的密度圖：

import seaborn as sns
import matplotlib.pyplot as plt
sns.kdeplot(filteredBirds['MinWingspan'])
plt.show()

你可以看到這個圖表與之前的最小翼展數據圖表相呼應，只是更平滑了一些。根據 Seaborn 的文檔，“相較於直方圖，KDE 可以生成一個更簡潔且更易於解讀的圖表，特別是在繪製多個分佈時。但如果底層分佈有界或不平滑，它可能會引入失真。此外，圖表的質量也取決於選擇良好的平滑參數。” 來源換句話說，異常值仍然會對你的圖表產生不良影響。

如果你想重新訪問第二個圖表中那條鋸齒狀的 MaxBodyMass 線，可以通過使用這種方法將其很好地平滑化：

sns.kdeplot(filteredBirds['MaxBodyMass'])
plt.show()

如果你想要一條平滑但不過於平滑的線，可以編輯 bw_adjust 參數：

sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
plt.show()

✅ 閱讀此類圖表可用的參數並進行實驗！

這種類型的圖表提供了非常具有解釋性的視覺化效果。例如，只需幾行代碼，你就可以顯示每個鳥類目中的最大體重密度：

sns.kdeplot(
   data=filteredBirds, x="MaxBodyMass", hue="Order",
   fill=True, common_norm=False, palette="crest",
   alpha=.5, linewidth=0,
)

你還可以在一個圖表中映射多個變量的密度。測試鳥類的 MaxLength 和 MinLength 與其保育狀態的關係：

sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")

或許值得研究一下，根據鳥類長度的“易危”群體是否具有某種意義。

🚀 挑戰

直方圖是一種比基本散點圖、條形圖或折線圖更為複雜的圖表類型。在互聯網上搜索一些直方圖的優秀示例。它們是如何使用的？它們展示了什麼？它們通常在哪些領域或研究範疇中使用？

課後測驗

回顧與自學

在本課中，你使用了 Matplotlib 並開始使用 Seaborn 來繪製更為複雜的圖表。研究一下 Seaborn 中的 kdeplot，這是一種“在一個或多個維度上顯示連續概率密度曲線”的方法。閱讀文檔以了解其工作原理。

作業

應用你的技能

免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們致力於提供準確的翻譯，請注意自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。

12 KiB Raw Permalink Blame History Unescape Escape