数据可视化基础知识

为什么要使用数据可视化

当您需要使用具有大量数据的新数据源时，使用数据可视化来更好地理解数据非常重要。
数据分析过程大多数时候分为 5 个步骤：

1. 提取 - 从电子表格、SQL、网络等获取数据。
2. 干净 - 在这里我们可以使用探索性视觉效果。

3. 探索 - 在这里我们使用探索性视觉效果。

4. 分析 - 在这里我们可以使用探索性或解释性的视觉效果。

5. 分享 - 这里是解释性视觉效果的所在地。

数据类型

为了能够为给定的度量选择合适的绘图，了解您正在处理的数据非常重要。

定性又名分类类型

名义定性数据

与项目本身没有关联的顺序或等级的标签。
示例：性别、婚姻状况、菜单项

序数定性数据

具有顺序或排名的标签。
示例：字母等级、评级

定量又称数字类型

离散定量值

数字不能分割成更小的单位
示例：书中的页数、公园中的树木数量

连续定量值

数字可以分割成更小的单位
示例：身高、年龄、收入、工作时间

统计摘要

数值数据

平均值：平均值。
中位数：数据排序时的中间值。
众数：最常出现的值。
方差/标准差：传播或分散的度量。
范围：最大值和最小值之间的差值。

分类数据

频率：每个类别出现的次数。
模式：最常见的类别。

可视化

您可以非常快速地了解新数据源，还可以更轻松地查看不同数据类型之间的联系。
因为当你只使用标准统计来总结你的数据时，你会得到最小值、最大值、平均值、中位数和众数，但这在其他方面可能会产生误导。就像安斯科姆四重奏中所示：均值和偏差始终相同，但数据分布始终不同。

在数据可视化中，我们有两种类型：

1. 探索性数据可视化 我们用它来深入了解数据。它不需要具有视觉吸引力。
2. 解释性数据可视化 当呈现给用户时，这种可视化效果必须准确、富有洞察力且具有视觉吸引力。

图表垃圾、数据墨水比率和设计完整性

图表垃圾

为了能够心无旁骛地阅读通过绘图提供的信息，避免图表垃圾非常重要。喜欢：

• 粗网格线
• 视觉效果中的图片
• 色调
• 3d 组件
• 装饰品
• 多余的文字

数据墨水比率

视觉效果中的图表垃圾越少，数据墨水比率就越高。这只是意味着视觉中用于传输数据消息的“墨水”越多，效果就越好。

设计完整性

谎言因子计算如下：

$$
text{谎言因子} = frac{text{图形中显示的效果大小}}{text{数据中的效果大小}}
$$

Delta 代表差异。因此，它是图形中显示的相对变化除以数据中实际的相对变化。理想情况下应该是 1。如果不是，则意味着数据呈现方式与实际变化存在一些不匹配。

上面的例子取自wiki，在比较每个医生的像素时，谎言因子为3，代表加州医生的数量。

数据整齐

确保您的数据已正确清理并可供使用：

• 每个变量都是一列
• 每个观察结果都是一行
• 每种类型的观察单元都是一个表

数据的单变量探索

这是指对数据集中单个变量（或特征）的分析。

条形图

• 始终从 0 开始绘制，以真实可比的方式呈现值。
• 对标称数据进行排序
• 不要对序数数据进行排序 - 在这里，了解最重要类别出现的频率比最频繁出现的频率更重要
• 如果您有很多类别，请使用水平条形图：将类别放在 y 轴上，以提高可读性。

直方图

• 条形图的定量版本。这用于绘制数值。
• 值被分组到连续的箱中，每个箱绘制一个条形

KDE - 核密度估计

• 通常是高斯分布或正态分布，用于估计每个点的密度。
• KDE 图可以更清楚地揭示趋势和分布形状，特别是对于分布不均匀的数据。

饼图和圆环图

• 数据需要采用相对频率
• 饼图在最多 3 个切片时效果最佳。如果有更多的楔子要显示，它就会变得难以阅读，并且不同的数量也很难比较。那么您会更喜欢条形图。

数据的双变量探索

分析数据集中两个变量之间的关系。

簇状条形图

• 显示两个分类值之间的关系。这些条形根据第一个变量的级别组织成簇。

散点图

• 每个数据点都单独绘制为一个点，其 x 位置对应于一个特征值，y 位置对应于第二个特征值。
• 如果绘图出现过度绘制（太多数据点重叠）：您可以使用透明度和抖动（每个点都稍微偏离其真实值）

热图

• 直方图的二维版本
• 数据点的放置方式是其 x 位置对应于一个特征值，其 y 位置对应于第二个特征值。
• 绘图区域被划分为网格，点数在网格中相加，计数用颜色表示

小提琴情节

• 在较低的抽象水平上显示定量（数值）和定性（分类）变量之间的关系。
• 分布像核密度估计一样绘制，因此我们可以有一个清晰的
• 要同时显示关键统计数据，您可以在小提琴图中嵌入箱形图。

箱线图

• 它还在较低的抽象水平上绘制了定量（数值）和定性（分类）变量之间的关系。
• 与小提琴图相比，箱线图更倾向于数据的汇总，主要只是报告每个类别级别上数值的一组描述性统计数据。
• 它可视化数据的五个数字摘要：最小值、第一四分位数 (Q1)、中位数 (Q2)、第三四分位数 (Q3) 和最大值。

箱线图的关键元素：
方框：图的中心部分代表四分位数范围 (IQR)，即第一个四分位数（Q1，第 25 个百分位数）和第三个四分位数（Q3，第 75 个百分位数）之间的范围。这包含中间 50% 的数据。

中位数线：在方框内，一条线代表数据集的中位数（Q2，第 50 个百分位数）。

晶须：从方框延伸出来的线（称为“晶须”）显示 Q1 和 Q3 IQR 1.5 倍以内的数据范围。它们通常会扩展到此范围内的最小值和最大值。

离群值：任何超出 IQR 1.5 倍的数据点都被视为离群值，通常由胡须之外的单个点或标记表示。

组合小提琴图和箱线图

小提琴图显示不同类别的密度，箱线图提供汇总统计数据

刻面

• 数据被划分为不相交的子集，最常见的是按分类变量的不同级别划分。对于数据的每个子集，在其他变量上呈现相同的绘图类型，即具有不同分类值的彼此相邻的更多直方图。

线图

• 用于绘制一个数字变量相对于第二个变量的趋势。

分位数-分位数 (Q-Q) 图

• 是一种绘图，用于将数据集的分布与理论分布（如正态分布）进行比较，或比较两个数据集以检查它们是否遵循相同的分布。

群体图

• 与散点图一样，每个数据点根据其在绘制的两个变量上的值绘制位置。与普通散点图中的随机抖动点不同，点的放置尽可能接近其实际值，而不允许任何重叠。

蜘蛛情节

• 比较径向网格上不同类别的多个变量。也称为雷达图。

有用的链接

我的样本笔记本

示例代码

用于示例图的库：

• Matplotlib：一个用于可视化的多功能库，但可能需要一些代码工作才能将常见的可视化组合在一起。
• Seaborn：建立在 matplotlib 之上，添加了许多函数，使常见的统计可视化更容易生成。
• pandas：虽然这个库包含一些方便的方法来可视化连接到 matplotlib 的数据，但我们主要将其用作处理数据的通用工具（https://pandas.pydata.org/Pandas_Cheat_Sheet.pdf ).

进一步阅读：

• Anscombes Quartett：数据统计相同，但分布不同：https://en.wikipedia.org/wiki/Anscombe%27s_quartet
• Chartchunk：https://en.wikipedia.org/wiki/Chartjunk
• 数据墨水比率：https://infovis-wiki.net/wiki/Data-Ink_Ratio
• 谎言因素：https://infovis-wiki.net/wiki/Lie_Factor
• 整洁的数据：https://cran.r-project.org/web/packages/tidyr/vignettes/tidy-data.html
• 色盲友好的可视化：https://www.tableau.com/blog/examining-data-viz-rules-dont-use-red-green-together

以上是数据可视化基础知识的详细内容。更多信息请关注PHP中文网其他相关文章！