Python 데이터 시각화의 네 가지 방법 소개(예제 포함)

이 글에서는 Python의 네 가지 데이터 시각화 방법(예제 포함)을 소개합니다. 필요한 참고 가치가 있는 친구들이 참고할 수 있습니다. 나는 그것이 당신에게 도움이되기를 바랍니다.

Abstract: 이 기사에서는 네 가지 Python 데이터 시각화 방법인 열 지도, 2차원 밀도 지도, 스파이더 지도, 트리 지도를 설명합니다.

데이터 시각화는 모든 데이터 과학 또는 기계 학습 프로젝트에서 중요한 부분입니다. 사람들은 데이터에 대한 더 깊은 이해를 얻기 위해 탐색적 데이터 분석(EDA)으로 시작하는 경우가 많으며, 시각화를 생성하면 특히 대규모 고차원 데이터 세트의 경우 문제를 더 명확하고 이해하기 쉽게 만드는 데 실제로 도움이 됩니다. 프로젝트가 끝나면 사용자가 이해하고 이해할 수 있는 명확하고 간결하며 설득력 있는 방식으로 최종 결과를 제시할 수 있는 것이 중요합니다.

이전 기사 "코드를 사용하여 Python에서 빠르고 쉬운 데이터 시각화 5개"(5 코드를 사용하여 Python에서 빠르고 쉬운 데이터 시각화# 🎜🎜#)를 읽어보셨을 것입니다. 5가지 기본 시각화 방법: 산점도, 선 차트, 세로 막대형 차트, 막대 차트, 상자 그림. 이 5가지 방법은 데이터 세트에서 확실히 큰 이득을 얻을 수 있는 간단하면서도 강력한 시각화 방법입니다. 이번 글에서는 4가지 다른 데이터 시각화 방법을 소개하겠지만, 조금 더 복잡하기 때문에 이전 글에서 소개한 기본 방법을 읽어보신 후 사용하시면 됩니다.

히트 맵

히트 맵은 데이터의 행렬 표현으로, 각 행렬 값은 색상 표현으로 표시됩니다. 서로 다른 색상은 서로 다른 수준을 나타내며, 매트릭스 인덱스는 대조되는 두 개의 열 또는 기능을 함께 연결합니다. 히트맵은 한 수준을 색상으로 직접 볼 수 있기 때문에 여러 기능 변수 간의 관계를 표시하는 데 적합합니다. 또한 히트맵의 일부 지점을 보면 각 관계가 데이터 세트의 다른 관계와 어떻게 비교되는지 확인할 수 있습니다. 색상은 매우 직관적이기 때문에 간단한 표현 방법을 제공합니다.

이제 코드를 살펴보세요. matplotlib 라이브러리에 비해 seaborn 라이브러리는 일반적으로 고급 차트에 사용할 수 있습니다. 더 많은 색상, 그래픽, 변수 등 더 많은 구성요소도 필요합니다. Matplotlib 라이브러리는 차트를 표시하는 데 사용되고, numpy는 데이터 생성에 사용되고, pandas는 제어에 사용됩니다. Plotting은 단순한 seaborn 함수 호출일 뿐이며, 시각적으로 특별한 것을 발견하면 이 함수를 통해 컬러맵을 설정할 수도 있습니다.

# Importing libs
importseaborn as sns
import pandas aspd
importnumpyasnp
importmatplotlib.pyplotasplt

# Create a random dataset
data=pd.DataFrame(np.random.random((10,6)), columns=["Iron Man","CaptainAmerica","BlackWidow","Thor","Hulk", "Hawkeye"])

print(data)

# Plot the heatmap
heatmap_plot=sns.heatmap(data, center=0, cmap='gist_ncar')

plt.show()

2차원 밀도 플롯(2D Density Plot)

2차원 밀도 플롯은 1차원 밀도 플롯의 간단한 확장입니다. 2개 변수의 확률 분포를 볼 수 있습니다. 아래의 2D 밀도 플롯을 살펴보겠습니다. 오른쪽의 눈금은 색상의 각 지점의 확률을 나타냅니다. 데이터 세트를 보면 가장 높은 확률은 크기가 0.5 정도, 속도가 1.4 정도인 것 같습니다. 보시다시피, 2D 밀도 도표는 1D 밀도 도표와 같이 단 하나의 변수가 아닌 두 변수에 가장 집중된 데이터 영역을 신속하게 결정하는 데 적합합니다. 2차원 밀도 도표는 출력에 중요한 두 변수가 있고 두 변수가 출력 분포에 어떻게 기여하는지 이해하려는 경우 특히 유용합니다.

Seaborn의 코드는 매우 간단하며 편향된 분포를 만들어 소개하겠습니다. 특정 색상과 음영이 시각적으로 더 뚜렷이 구별되는 경우 대부분의 선택적 매개변수는 더 선명한 모양을 위한 것입니다.

Spider Plot

Spider Plot은 일대다 관계를 표시하는 가장 좋은 방법 중 하나입니다. 즉, 단일 변수나 범주와는 별도로 여러 변수의 값을 플롯하고 볼 수 있습니다. 스파이더 다이어그램에서는 면적과 길이가 일부 방향에 따라 다르기 때문에 한 변수의 속성이 다른 변수에 비해 뚜렷하게 나타납니다. 여러 범주에 대해 변수가 어떻게 누적되는지 확인하려면 변수를 나란히 표시하십시오. 아래 이미지에서는 세 영화 캐릭터의 다양한 속성을 비교하고 그들의 강점이 어디에 있는지 쉽게 확인할 수 있습니다! 이번에는 seaborn 대신 matplotlib를 직접 사용하여 시각화를 생성할 수 있습니다. 원주를 따라 균일한 간격으로 배치되기를 원하기 때문에 각 속성이 놓여 있는 각도를 계산해야 합니다. 계산된 각 각도에 레이블을 배치한 다음 중심으로부터의 거리가 값이나 높이에 따라 달라지는 점으로 값을 플롯합니다. 마지막으로 명확성을 위해 속성 포인트를 연결하는 선으로 포함된 영역을 반투명 색상으로 채웁니다.

# Import libs
import pandas aspd
importseabornassns
importnumpyasnp
importmatplotlib.pyplotasplt

# Get the data
df=pd.read_csv("avengers_data.csv")
print(df)

"""
   #             Name  Attack  Defense  Speed  Range  Health
0  1         Iron Man      83       80     75     70      70
1  2  Captain America      60       62     63     80      80
2  3             Thor      80       82     83    100     100
3  3             Hulk      80      100     67     44      92
4  4      Black Widow      52       43     60     50      65
5  5          Hawkeye      58       64     58     80      65

"""

# Get the data for Iron Man
labels=np.array(["Attack","Defense","Speed","Range","Health"])
stats=df.loc[0,labels].values

# Make some calculations for the plot
angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)
stats=np.concatenate((stats,[stats[0]]))
angles=np.concatenate((angles,[angles[0]]))

# Plot stuff
fig=plt.figure()
ax=fig.add_subplot(111, polar=True)
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
ax.set_thetagrids(angles *180/np.pi, labels)
ax.set_title([df.loc[0,"Name"]])
ax.grid(True)

plt.show()

나무 다이어그램우리는 초등학교 때부터 나무 다이어그램을 사용해 왔습니다. 나무 다이어그램은 자연스럽고 직관적이며 설명하기 쉽습니다. 직접 연결이 있는 노드는 밀접하게 관련되어 있으며 다중 연결이 있는 노드와는 매우 다릅니다. 아래 이미지에서는 통계를 기반으로 Kaggle에서 설정한

Pokemon with stats

데이터 세트의 일부를 플롯했습니다.

HP, 공격, 방어, 특수 공격, 특수 방어, 속도

因此，与stats wise最匹配的Pokemon将紧密连接在一起。例如，我们看到，在顶部，Arbok和Fearow是直接连接的，而且，如果我们查看数据，Arbok总共有438个，而Fearow有442个，非常接近。但是一旦我们移动到Raticate，我们得到的总数是413，这与Arbok和Fearow的差别很大，这就是它们被分开的原因。当我们移动树的时候，基于相似性，Pokemon被分的组越来越多。在绿色组中的Pokemon相互之间比红色组中的更相似，即使没有直接的绿色连接。

对于树形图，我们实际上要使用Scipy的。在查看了数据集之后，我们将去掉字符串类型的列。我们这么做只是为了要得到正确的可视化结果，但在实践中，最好是把这些字符串转换成分类变量，为了得到更好的结果和进行比较，我们还设置了数据帧索引，以便能够适当地用它作为引用每个节点的列。最后，在Scipy中计算和绘制树形图是非常简单的事了。

# Import libs
import pandas aspd
frommatplotlibimportpyplotasplt
fromscipy.clusterimport hierarchy
importnumpyasnp
# Read in the dataset
# Drop any fields that are strings
# Only get the first 40 because this dataset is big
df=pd.read_csv('Pokemon.csv')
df=df.set_index('Name')
del df.index.name
df=df.drop(["Type 1", "Type 2", "Legendary"], axis=1)
df=df.head(n=40)
# Calculate the distance between each sample
Z =hierarchy.linkage(df, 'ward')
# Orientation our tree
hierarchy.dendrogram(Z, orientation="left", labels=df.index)
plt.show()

위 내용은 Python 데이터 시각화의 네 가지 방법 소개(예제 포함)의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!