条形图
条状图的创建:
条形图(也被称为柱形图、柱状图等)用于展示分类变量的分布情况。在条形图中,分类变量的每个类别用长条表示,高度表示数据该类别的出现频率。我们可以通过 seaborn 的 countplot
函数创建基本的频率条形图:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
%matplotlib inline
其中%matplotlib inline
,就可以在Note中直接画图表了
sb.countplot(data = df, x = 'cat_var')//若加分号,则图表绘制对象的信息就不会显示出来了
对于给出的示例,可以看出,Beta 类别频率最高,超过 100 次,然后是 Gamma 和 Alpha,Delta 的频率最低,大约为 50。默认情况下,每个类别都用不同的颜色标注。当我们探索更多变量时,添加颜色标注可能会对建立这些类别之间的关联性有帮助。其他情况下,建议简化图表,将所有长条都用相同的颜色标注,可以减少不必要的干扰。我们可以使用 “color” 参数设置长条颜色:
base_color = sb.color_palette()[0]
sb.countplot(data = df, x = 'cat_var', color = base_color)
color_palette
返回一个 RGB 元组列表,每个元组由三个数字组成,分别对应红绿蓝通道值,这三个值确定一个颜色。在没有任何参数的情况下调用此函数会返回当前/默认的调色板,我们将默认调色板的第一个颜色设为所有长条的颜色。
对于条形图,我们可能想要执行的一个操作是以某种方式对数据进行排序。对于无序分类数据,一种常见操作是按照频率对数据排序。我们的数据是 pandas DataFrame 类型,因此我们可以使用各种 DataFrame 的方法来计算和得出排序方式,然后使用 “order” 参数设置排序方式:
base_color = sb.color_palette()[0]
cat_order = df['cat_var'].value_counts().index
sb.countplot(data = df, x = 'cat_var', color = base_color, order = cat_order)
对于有序分类数据,我们可能需要根据固有的变量顺序对长条排序。虽然我们也可以像上面的示例一样按照频率对各级别进行排序,但是我们通常更关心的是高频率的数值属于较高级别还是较低级别。在这种情况下,最佳的做法是将该列转换为有序类别(ordered category)数据类型。默认情况下,pandas 会将字符串数据读取为 object 类型,并按照看到唯一值的先后顺序绘制长条。通过将数据转换为 ordered 类型,类别的顺序将变成该特征的固有排序,不用在每次需要绘图时都指定 “order” 参数。
# 本方法要求 pandas 0.21 或更高版本
level_order = ['Alpha', 'Beta', 'Gamma', 'Delta']
ordered_cat = pd.api.types.CategoricalDtype(ordered = True, categories = level_order)
df['cat_var'] = df['cat_var'].astype(ordered_cat)
## 如果你的 pandas 为 0.20.3 或更低版本,请使用这种方法:
# df['cat_var'] = df['cat_var'].astype('category', ordered = True,
# categories = level_order)
base_color = sb.color_palette()[0]
sb.countplot(data = df, x = 'cat_var', color = base_color)
如果你发现需要按照不同的顺序对有序分类数据排序,则可以通过设置 “order” 参数临时覆盖数据类型,如上所示。
#补充
如果数据是 pandas Series、一维 NumPy 数组或列表形式,你可以将其设为 countplot 函数的第一个参数,比如 Series 数据 data_var,就可以像下面这样绘制:
sb.countplot(data_var)
如果有很多个分类级别,或者类别名称很长,那么刻度标记可能会紧挨在一起。一种解决方式是创建横向条形图。在横向条形图中,每个长条的长度(而不是高度)表示频率。在代码中,你可以在参数 "y" 上设置变量,而不是在参数 "x" 上设置变量:
base_color = sb.color_palette()[0]
sb.countplot(data = df, y = 'cat_var', color = base_color)
此外,你还可以使用 matplotlib 的 xticks 函数及其 "rotation" 参数更改绘制刻度标记的方向(与水平方向的逆时针夹角度数):
base_color = sb.color_palette()[0]
sb.countplot(data = df, x = 'cat_var', color = base_color)
plt.xticks(rotation = 90)
绝对频率与相对频率:
默认情况下,seaborn 的 countplot
函数将以绝对频率(即纯粹计数)汇总 和绘制数据。在某些情形下,你可能想要了解数据分布或者用在总体中所占的比例比较类别。在这种情形下,你需要用相对频率绘制数据,这时条形的高度表示数据在每个类别的占比,而不是绝对计数。
在条形图中用相对频率绘制数据的一种方式是:将坐标轴的刻度标签修改为比例的形式。底层数据不变,只是轴刻度会发生变化。
# get proportion taken by most common group for derivation
# of tick marks
n_points = df.shape[0]
max_count = df['cat_var'].value_counts().max()
max_prop = max_count / n_points
# generate tick mark locations and names
tick_props = np.arange(0, max_prop, 0.05)
tick_names = ['{:0.2f}'.format(v) for v in tick_props]
# create the plot
base_color = sb.color_palette()[0]
sb.countplot(data = df, x = 'cat_var', color = base_color)
plt.yticks(tick_props * n_points, tick_names)
plt.ylabel('proportion')
==注代码中tick_props * n_points是为了获取正确的刻度位置==
xticks
和 yticks
函数不仅仅会旋转刻度标签的方向。你还可以获取和设置它们的位置及文字标签。第一个参数表示刻度位置:在此例中,刻度比例翻倍后变回计数比例。第二个参数表示刻度名称:在此例中,刻度比例的格式为精确到两位小数的字符串。
我还添加了 ylabel
“proportion”,表明我们不再使用绝对计数 。
另外:你还可以在长条上使用文本注释标记相对频率,而不是以相对频率标尺绘制数据。这需要编写一个循环来遍历刻度位置和标签,并为每个长条添加一个文本元素。
# create the plot
base_color = sb.color_palette()[0]
sb.countplot(data = df, x = 'cat_var', color = base_color)
# add annotations
n_points = df.shape[0]
cat_counts = df['cat_var'].value_counts()
locs, labels = plt.xticks() # get the current tick locations and labels
# loop through each pair of locations and labels
for loc, label in zip(locs, labels):
# get the text property for the label to get the correct count
count = cat_counts[label.get_text()]
pct_string = '{:0.1f}%'.format(100*count/n_points)
# print the annotation just below the top of the bar
plt.text(loc, count-8, pct_string, ha = 'center', color = 'w')
我使用 .get_text()
方法获取类别名称,从而获取每个分类级别的计数。最后,我使用 text
函数,将 x 坐标、y 坐标和字符串作为该函数的三个主要参数传入, 打印出每个百分比 。
缺失值统计:
条形图的一种有趣应用是可视化缺失数据。我们可以使用 pandas 的函数创建一个数据,其中包含每列缺失值的数量。
df.isna().sum()
如果我们想可视化这些缺失值的计数,应该如何做呢?我们可以将变量名当做一个分类变量的各个类别,创建条形图。然而,由于这些数据属于汇总统计后的形式, 我们需要使用另一个绘制函数。Seaborn 的 barplot
函数旨在描述一个数值变量相对于另一个分类变量的直观比较,可用在此处。
na_counts = df.isna().sum()
base_color = sb.color_palette()[0]
sb.barplot(na_counts.index.values, na_counts, color = base_color)
该函数的第一个参数为 x 值(列名称),第二个参数为 y 值(计数)。
一般而言,如果你的数据经过了汇总统计,但你依然想要绘制条形图,那么就可以用这个函数。但是如果数据尚未汇总,则使用 countplot
函数,这样就不需要进行额外的汇总统计工作。此外,在下节课讨论如何调整单变量图以绘制双变量数据时,你将在了解 barplot
的主要作用。