Data-Science-For-Beginners/translations/hk/3-Data-Visualization/12-visualization-relationships

視覺化關係：關於蜂蜜的一切 🍯

視覺化關係 - Sketchnote by @nitya

延續我們研究的自然主題，讓我們探索一些有趣的視覺化方式，展示不同種類蜂蜜之間的關係。這些數據來自美國農業部。

這份包含約 600 項數據的資料集展示了美國多個州的蜂蜜生產情況。例如，你可以查看每個州從 1998 年到 2012 年的蜂群數量、每群產量、總產量、庫存、每磅價格以及蜂蜜的總價值，每年每州一行數據。

我們可以視覺化某個州每年的生產量與該州蜂蜜價格之間的關係。或者，你也可以視覺化各州每群蜂蜜產量的關係。這段時間涵蓋了 2006 年首次出現的毀滅性「蜂群崩潰症候群 (CCD)」（http://npic.orst.edu/envir/ccd.html），因此這是一個值得研究的數據集。🐝

課前測驗

在這節課中，你可以使用 Seaborn（之前已經使用過），這是一個很好的工具庫，用於視覺化變數之間的關係。特別有趣的是 Seaborn 的 relplot 函數，它可以快速生成散點圖和折線圖，幫助我們視覺化「統計關係」，讓數據科學家更好地理解變數之間的關聯。

散點圖

使用散點圖展示每州蜂蜜價格逐年變化的情況。Seaborn 的 relplot 可以方便地將州數據分組，並顯示分類數據和數值數據的數據點。

讓我們從導入數據和 Seaborn 開始：

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

你會注意到蜂蜜數據中有幾個有趣的列，包括年份和每磅價格。讓我們按美國各州分組來探索這些數據：

州	蜂群數量	每群產量	總產量	庫存	每磅價格	總價值	年份
AL	16000	71	1136000	159000	0.72	818000	1998
AZ	55000	60	3300000	1485000	0.64	2112000	1998
AR	53000	65	3445000	1688000	0.59	2033000	1998
CA	450000	83	37350000	12326000	0.62	23157000	1998
CO	27000	72	1944000	1594000	0.7	1361000	1998

創建一個基本的散點圖，展示每磅蜂蜜價格與其來源州之間的關係。讓 y 軸足夠高以顯示所有州：

sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);

接下來，使用蜂蜜色調來展示價格如何隨年份變化。你可以通過添加一個 'hue' 參數來顯示逐年的變化：

✅ 了解更多關於 Seaborn 可用的色彩調色盤 - 試試看美麗的彩虹色調！

sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);

通過這種色彩變化，你可以清楚地看到每磅蜂蜜價格隨年份的明顯上升趨勢。事實上，如果你查看數據中的樣本集（例如選擇亞利桑那州），你會發現價格逐年上漲的模式，只有少數例外：

州	蜂群數量	每群產量	總產量	庫存	每磅價格	總價值	年份
AZ	55000	60	3300000	1485000	0.64	2112000	1998
AZ	52000	62	3224000	1548000	0.62	1999000	1999
AZ	40000	59	2360000	1322000	0.73	1723000	2000
AZ	43000	59	2537000	1142000	0.72	1827000	2001
AZ	38000	63	2394000	1197000	1.08	2586000	2002
AZ	35000	72	2520000	983000	1.34	3377000	2003
AZ	32000	55	1760000	774000	1.11	1954000	2004
AZ	36000	50	1800000	720000	1.04	1872000	2005
AZ	30000	65	1950000	839000	0.91	1775000	2006
AZ	30000	64	1920000	902000	1.26	2419000	2007
AZ	25000	64	1600000	336000	1.26	2016000	2008
AZ	20000	52	1040000	562000	1.45	1508000	2009
AZ	24000	77	1848000	665000	1.52	2809000	2010
AZ	23000	53	1219000	427000	1.55	1889000	2011
AZ	22000	46	1012000	253000	1.79	1811000	2012

另一種視覺化這種變化的方法是使用大小而不是顏色。對於色盲用戶來說，這可能是一個更好的選擇。修改你的視覺化，通過點的大小來顯示價格的增長：

sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);

你可以看到點的大小逐漸增大。

這是否只是供需的簡單案例？由於氣候變化和蜂群崩潰等因素，是否每年的蜂蜜供應減少，導致價格上漲？

為了發現這些數據集中某些變數之間的相關性，讓我們探索一些折線圖。

折線圖

問題：蜂蜜每磅價格是否逐年明顯上升？你可以通過創建一個單一的折線圖來最輕鬆地發現這一點：

sns.relplot(x="year", y="priceperlb", kind="line", data=honey);

答案：是的，但在 2003 年左右有一些例外：

✅ 由於 Seaborn 將數據聚合到一條線上，它通過繪製均值和均值周圍的 95% 置信區間來顯示「每個 x 值的多個測量值」。來源。這種耗時的行為可以通過添加 ci=None 禁用。

問題：那麼，在 2003 年，我們是否也能看到蜂蜜供應的激增？如果你查看逐年的總產量呢？

sns.relplot(x="year", y="totalprod", kind="line", data=honey);

答案：並不完全。如果你查看總產量，實際上在那一年似乎有所增加，儘管總體來說這些年份的蜂蜜產量在下降。

問題：在這種情況下，2003 年蜂蜜價格的飆升可能是什麼原因？

為了發現這一點，你可以探索一個 Facet Grid。

Facet Grids

Facet Grids 將數據集的一個面（在我們的例子中，你可以選擇「年份」以避免生成過多的面）分開。Seaborn 可以為每個面生成一個圖表，根據你選擇的 x 和 y 坐標進行更容易的視覺比較。2003 年是否在這種比較中脫穎而出？

通過繼續使用 relplot 創建一個 Facet Grid，這是 Seaborn 文檔 推薦的方法。

sns.relplot(
    data=honey, 
    x="yieldpercol", y="numcol",
    col="year", 
    col_wrap=3,
    kind="line"

在這個視覺化中，你可以比較逐年每群產量和蜂群數量，並將列數設置為 3：

對於這個數據集，逐年和逐州的蜂群數量及其產量並沒有特別突出的地方。是否有其他方式來尋找這兩個變數之間的相關性？

雙折線圖

嘗試通過將兩個折線圖疊加在一起來創建多折線圖，使用 Seaborn 的 'despine' 移除圖表的頂部和右側框架，並使用 ax.twinx 來自 Matplotlib。Twix 允許圖表共享 x 軸並顯示兩個 y 軸。因此，將每群產量和蜂群數量疊加顯示：

fig, ax = plt.subplots(figsize=(12,6))
lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
                        label = 'Number of bee colonies', legend=False)
sns.despine()
plt.ylabel('# colonies')
plt.title('Honey Production Year over Year');

ax2 = ax.twinx()
lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
                         label ='Yield per colony', legend=False) 
sns.despine(right=False)
plt.ylabel('colony yield')
ax.figure.legend();

雖然在 2003 年左右沒有明顯的異常，但這讓我們可以以一個稍微樂觀的結論結束這節課：儘管蜂群數量總體在下降，但蜂群數量正在穩定下來，即使每群產量在減少。

加油，蜜蜂們！🐝❤️

🚀 挑戰

在這節課中，你學到了更多關於散點圖和折線圖（包括 Facet Grids）的其他用途。挑戰自己使用不同的數據集（也許是你之前使用過的數據集）來創建一個 Facet Grid。注意它們的生成時間，以及在使用這些技術時需要小心的地方。

課後測驗

複習與自學

折線圖可以很簡單，也可以很複雜。閱讀 Seaborn 文檔，了解更多構建折線圖的方法。嘗試使用文檔中列出的方法來增強你在這節課中構建的折線圖。

作業

深入蜂巢

---

免責聲明：
本文件已使用人工智能翻譯服務 Co-op Translator 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要資訊，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錯誤解釋概不負責。