任何数据产品的第一步都应该是理解原始数据。对于成功和高效的产品，这一步骤占据了整个工作流程的很大一部分。
有几种方法用于理解和探索数据。其中之一是创建数据可视化。它们帮助我们探索和解释数据。
通过创建适当和设计良好的可视化，我们可以发现数据中的底层结构和关系。
分布在数据分析中起着至关重要的作用。它们帮助我们检测异常值和偏态，或获得集中趋势(平均值、中值和模态)度量的概述。
在本文中，我们将介绍10个示例，以掌握如何使用用于Python的Seaborn库创建发行图。对于示例，我们将使用Kaggle上可用的墨尔本住房数据集中的一个小样本。
让我们从导入库并将数据集读入Pandas数据帧开始。
import pandas as pd
import seaborn as sns
sns.set(style="darkgrid", font_scale=1.2)
df = pd.read_csv(
"/content/melb_housing.csv",
usecols=["Regionname", "Type", "Rooms", "Distance", "Price"]
)
df.head()
该数据集包含了墨尔本房屋的一些特征及其价格。
Seaborn的离散函数允许创建3种不同类型的分布区，分别是:
- 柱状图
- Kde(核密度估计)图
- Ecdf图
我们只需要调整kind参数来选择plot的类型。
示例1
第一个例子是创建一个基本直方图。它将连续变量的取值范围划分为离散的箱子，并显示每个箱子中有多少个值。
sns.displot(
data=df,
x="Price",
kind="hist",
aspect=1.4
)
我们将df的名称传递给数据参数。参数x接受要绘制的列名。aspect参数调整大小的宽高比。它也可以改变高度。
示例2
在第一个例子中，我们可以清楚地看到价格栏中有一些异常值。柱状图在右边有一条长尾，这表明价格非常高的房子很少。
减少这种异常值影响的一种方法是对值取对数。displot函数可以使用log_scale参数执行此操作。
sns.displot(
data=df,
x="Price",
kind="hist",
aspect=1.4,
log_scale=10
)
价格以10的幂表示。现在我们对房价的分布有了一个更好的概述。
示例3
我们还可以调整直方图中的箱数量。在某些情况下，最好使用较少的箱数量，这样我们就可以得到一个更结构化的概述。
用于此调整的参数是box。
sns.displot(
data=df,
x="Price",
kind="hist",
aspect=1.4,
log_scale=10,
bins=20
)
示例4
数据集还包含分类变量。例如，类型列有3个类别，分别是h(房屋)、t(联排房屋)和u(单位)。我们可能需要分别检查每款的分布情况。
一种选择是在相同的可视化中用不同的颜色显示它们。我们只需要将列的名称传递给hue参数。
sns.displot(
data=df,
x="Price",
hue="Type",
kind="hist",
aspect=1.4,
log_scale=10,
bins=20
)
这个图为我们提供了2条信息:
- 每个类别的大小与房屋的数量有关。h类是最大的一类。
- 每类房屋的价格分布。
示例5
另一个检查每个类别分布的选项是创建单独的子图。我们可以对这个任务使用col或row参数。给定列中的每个类别都有一个子图。
sns.displot(
data=df,
x="Price",
col="Type",
kind="hist",
aspect=1.4,
log_scale=10,
bins=20
)
例子6
displot函数还允许生成二维直方图。因此，我们得到了关于两列中值的观察值(即行)分布的概述。
让我们使用价格和距离列创建一个。我们只是将列名传递给x和y参数。
sns.displot(
data=df,
x="Price",
y="Distance",
col="Type",
kind="hist",
height=5,
aspect=1.2,
log_scale=(10,0),
bins=20
)
较暗的区域密度更大，所以它们包含了更多的观测数据。两列看起来都是正态分布，因为密集的区域在中心。
您可能已经注意到，我们使用了一个元组作为log_scale参数的参数。因此，我们可以为每个列传递不同的比例。
例子7
Kde图还可以用于可视化变量的分布。它们和直方图很相似。然而，kde图使用连续的概率密度曲线来表示分布，而不是使用离散的箱。
kind参数设置为“kde”，以生成kde图。
sns.displot(
data=df,
x="Price",
kind="kde",
aspect=1.4,
log_scale=10
)
示例8
与直方图类似，可以为不同的类别分别绘制kde图。我们的数据集包含房屋的区域信息。让我们看看不同地区的价格变化。
sns.displot(
data=df,
x="Price",
hue="Regionname",
kind="kde",
height=6,
aspect=1.4,
log_scale=10
)
南方大都市区的平均房价似乎最高。
示例9
另一种检查变量分布的方法是使用ecdf图。它表示低于给定列中每个唯一值的观察值的比例或计数。
这是一种可视化的累计和。因此，我们能够看到更密集的值范围。
sns.displot(
data=df,
x="Distance",
kind="ecdf",
height=6,
aspect=1.4,
stat="count"
)
曲线斜率高的值范围有更多的观测值。例如，我们没有很多房子的距离超过30。与此相反，在10到15的距离范围内有很多房子。
示例10
ecdf图也支持hue、col和row参数。因此，我们可以在一个列中区分不同类别之间的分布。
sns.displot(
data=df,
x="Distance",
kind="ecdf",
hue="Type",
height=6,
aspect=1.4,
stat="count"
)
对于数据分析或机器学习任务，了解变量(即特征)的分布是非常重要的。我们如何处理给定的任务可能取决于分布。
在这篇文章中，我们看到了如何使用Seaborn的displot函数来分析价格和距离栏的分布。
作者：Soner Yıldırım