可視化令數據一目了然。然而，成功的數據可視化往往很難實現。此外，向更多受眾呈現這些可視化的數據，也需要耗費更多時間和精力。

大家都知道如何制作條形圖、散點圖和直方圖，但卻不注重美化它們。這在無形中會損害我們在同行和上級心中的可靠性。

此外，代碼重用也很重要。你該不會想每次訪問數據集都從頭開始吧?利用一些可重用的圖形能更快地找到你想要的信息。

[[265626]]

本文涉及三個實用的可視化工具：

• 圖形分類相關性
• 散點圖矩陣
• 使用Seaborn的分類散點圖注釋和圖注釋

總的來說，本文會教大家制作一些好看又中用的圖表。

本文將使用kaggle上的國際足聯2019年完整的球員數據集，其***版數據庫包括了每個注冊在內的球員的詳細信息。

由于該數據集有許多列，因此我們只關注分類列和連續列的子集。

import numpy as np 
import pandas as pd 
import seaborn as sns 
import matplotlib.pyplot as plt 
%matplotlib inline 
# We dont Probably need the Gridlines. Do we? If yes comment this line 
sns.set(style="ticks") 
player_df = pd.read_csv("../input/data.csv") 
numcols = [ 
 'Overall', 
 'Potential', 
'Crossing','Finishing',  'ShortPassing',  'Dribbling','LongPassing', 'BallControl', 'Acceleration', 
       'SprintSpeed', 'Agility',  'Stamina', 
 'Value','Wage'] 
catcols = ['Name','Club','Nationality','Preferred Foot','Position','Body Type'] 
# Subset the columns 
player_dfplayer_df = player_df[numcols+ catcols] 
# Few rows of data 
player_df.head(5) 

球員數據

雖然該數據格式良好，但是因為工資和值列是以歐元為單位，并包含字符串，需要進行一些預處理，才能使它們為后續分析提供數值。

def wage_split(x): 
    try: 
        return int(x.split("K")[0][1:]) 
    except: 
        return 0 
player_df['Wage'] = player_df['Wage'].apply(lambda x : wage_split(x)) 
def value_split(x): 
    try: 
        if 'M' in x: 
            return float(x.split("M")[0][1:]) 
        elif 'K' in x: 
            return float(x.split("K")[0][1:])/1000 
    except: 
        return 0 
player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x)) 

圖形分類相關性

簡單來說，相關性是衡量兩個變量如何一起運動的指標。

例如，在現實生活中，收入與支出呈正相關，其中一個變量隨著另一個變量的增加而增加。

學習成績和電子游戲的使用呈負相關，其中一個變量的增加意味著另一個變量的減少。

因此如果預測變量與目標變量呈正相關或負相關，那么該變量就有研究價值。

研究不同變量之間的相關性對于理解數據非常有意義。

使用Seaborn即可輕松創建出相當不錯的關系圖。

corr = player_df.corr() 
g = sns.heatmap(corr,  vmax=.3, center=0, 
            square=True, linewidths=.5, cbar_kws={"shrink": .5}, annot=True, fmt='.2f', cmap='coolwarm') 
sns.despine() 
g.figure.set_size_inches(14,10) 
 
plt.show() 

所有的分類變量都去哪了?

你有注意到什么問題嗎?

有問題，因為該圖僅計算了數值列之間的相關性。

如果目標變量是club或position，會出現什么情況?

如果想得到三種不同情況之間的相關性，可使用以下相關性度量來計算。

1. 數值變量

該變量可通過Pearson相關性的方式得到，用于度量兩個變量如何一起運動，范圍為[-1，1]。

2. 分類變量

使用克萊姆V系數來分類案例。該系數是兩個離散變量之間的相互關聯，并與具有兩個或多層次的變量一起使用。它也是一個對稱的度量，因為變量的順序無關緊要，即克萊姆(A,B)==克萊姆(B，A)。

例如，在數據集中，Club和Nationality一定有某種關聯。

可用堆疊圖來驗證這一點，這是理解分類變量和分類變量間分布的一個***方法，因為在該數據中有很多國籍和俱樂部，所以使用數據的子集。

只保留***的球隊(保留波爾圖足球俱樂部只是為了讓樣本更加多樣化)和最常見的國籍。

俱樂部偏好在很大程度上反映了“國籍”：了解前者有助于預測后者。

由圖可知，英國球員更可能效力于切爾西隊或曼聯隊，而不是在巴塞羅那隊、拜仁慕尼黑隊或波爾圖隊。

同理，克萊姆V系數也也捕獲到了同樣的信息。

如果所有俱樂部擁有的球員的國籍比例相同，那么克萊姆V系數則為0。

如果每個俱樂部偏好單一國籍的球員，則克萊姆系數V==1，例如，所有的英國球員在曼聯隊效力，所有的德國球員在拜仁慕尼黑隊效力等等。

在所有其他情況下，范圍則為[0,1]。

3. 數值變量和分類變量

對連續分類案例使用相關比率。

在不涉及太多數學的情況下，該變量用于離散程度的衡量。

如果給定一個數字，就能找出它的類別嗎?

例如，假設數據集中有“SprintSpeed”和“Position”兩列分類，那么：

• 守門員：58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)
• 中后衛：68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)
• 前鋒：91(C.Ronaldo)、94(G. Bale)、80(S.Aguero)、 76(R. Lewandowski)

由上可知，這些數字很好地預測了他們所處的位置，因此相關性很高。

如果某球員沖刺速度超過85，那么該球員肯定是前鋒。

這個比率也在[0,1]之間。

執行此操作的代碼取自dython包，代碼不會很多，最終結果如下：

player_dfplayer_df = player_df.fillna(0) 
results = associations(player_df,nominal_columns=catcols,return_results=True) 

分類vs.分類、分類vs.數值、數值vs.數值，這些使圖表更為有趣。

很美，不是嗎?

只要看看數據，就能對足球有如此多的了解，例如：

• 球員的位置與運球能力高度相關?？偛荒茏屆肺魈吆笮l吧!
• 值與傳球和控球的相關性比運球更高。規則是永遠傳球，正如內馬爾的傳球。
• “俱樂部”和“收入”有很高的相關性并且可預測。
• “體型”與“踢球偏好的腳”高度相關。這是否意味著如果某球員是瘦子，就很可能喜歡用左腳踢球?這可能沒啥實際意義，需要進一步調查。

此外，通過這個簡單的圖表，就能找到上述這么多信息，這在沒有分類變量的典型相關圖中是見不到的。

大家可深入研究這張圖表，得到更多有意義的結果，但關鍵是圖表能讓大家在現實生活中更容易找到某種規律。

散點圖矩陣

雖然前文談到了很多相關性，但它是一個變幻無常的指標，為了讓大家理解，我們來看一個例子。

“Anscombe四重奏”由四個相關性幾乎近似于1的數據集組成，但具有非常不同的數據分布，并且在繪制時呈現出非常不同的效果。

Anscombe四重奏：相關性變化無常

因此，有時繪制相關數據變得至關重要，并且需要單獨查看分布。

現在數據集中有很多列，把它們全都繪制成圖形會很費力。

其實只需幾行代碼就可以解決。

filtered_player_df = player_df[(player_df['Club'].isin(['FC Barcelona', 'Paris Saint-Germain', 
       'Manchester United', 'Manchester City', 'Chelsea', 'Real Madrid','FC Porto','FC Bayern München'])) &  
                      (player_df['Nationality'].isin(['England', 'Brazil', 'Argentina', 
       'Brazil', 'Italy','Spain','Germany']))  
                     ] 
# Single line to create pairplot 
g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']]) 

非常好，在該圖中可看到很多信息。

• 工資和價值高度相關。
• 大多數其它值也是相關的，然而“潛力”與“價值”的比的趨勢是不尋常的。可以看到，當到達特定的潛在閥值時，價值如何呈指數增長。這些信息對建模很有幫助，可以對“潛力”進行轉換使其更具有相關性嗎?

警告：沒有分類列!

在此基礎上能做得更好嗎?總能做到。

g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club') 

圖上的信息很多，只需添加“hue”參數到分類變量“club”中即可。

• 波爾圖隊的工資分配趨向于工資少的那一端。
• 該圖無法看出波爾圖隊球員價值的急劇分布，波爾圖隊的球員們總是在尋求機會。
• 許多粉紅點(代表切爾西隊)在“潛力”和“工資”圖上形成了一個集群。切爾西隊有很多工資較低的高潛力球員，需要更多關注。

還可從工資/價值子圖中獲取一些信息。

年薪50萬的藍點是梅西。此外，比梅西更有價值的橙點是內馬爾。

盡管該技巧仍然不能解決分類問題，但還有一些其它方法來研究分類變量分布，雖然是個例。

分類散點圖

如何查看分類數據和數字數據之間的關系?

就像輸入名字一樣，輸入分類散點圖的圖片。為每個類別繪制一組點，在y軸上稍微分散，以便于查看。

這是我們目前繪制這種關系的***方法。

g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7) 
# remove the top and right line in graph 
sns.despine() 
g.figure.set_size_inches(14,10) 
plt.show() 

分類散點圖

為什么不用箱形圖呢?中位數在哪?可以繪制出來嗎?當然可以。在頂部覆蓋一個條形圖，就得到了一個好看的圖形。

g = sns.boxplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, whis=np.inf) 
g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7,color = 'black') 
# remove the top and right line in graph 
sns.despine() 
g.figure.set_size_inches(12,8) 
plt.show() 

有趣的分類散點圖+箱形圖

很好，在圖表上可看出各個點的分布和一些統計數據，并能明確地了解工資差異。

圖中最右邊的點是梅西，這樣一來，就不用通過圖表下方的文字來說明。

該圖可用來做演示，如果老板要求把梅西寫在這張圖上，那么就可加上圖片注釋。

max_wage = filtered_player_df.Wage.max() 
max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0] 
g = sns.boxplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, whis=np.inf) 
g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7,color='black') 
# remove the top and right line in graph 
sns.despine() 
# Annotate. xy for coordinate. max_wage is x and 0 is y. In this plot y ranges from 0 to 7 for each level 
# xytext for coordinates of where I want to put my text 
plt.annotate(s = max_wage_player, 
             xy = (max_wage,0), 
             xytext = (500,1),  
             # Shrink the arrow to avoid occlusion 
             arrowprops = {'facecolor':'gray', 'width': 3, 'shrink': 0.03}, 
             backgroundcolor = 'white') 
g.figure.set_size_inches(12,8) 
plt.show() 

 

帶注釋的統計信息和點群，可用于演講中。

• 看看該圖下方的波爾圖隊，工資預算如此之小，難以和其它高收入的球隊們競爭。
• 皇馬和巴塞羅那有許多高薪球員。
• 曼聯的工資中位數***。
• 曼聯和切爾西注重平等，許多球員的工資水平都差不多。
• 雖然內馬爾比梅西更受重視，但梅西和內馬爾的工資差距巨大。

由此可知，在這個瘋狂的世界中，有些正常只是表面的。

本文討論了計算和讀取不同變量類型之間的相關性、繪制數值數據之間的相關性、以及使用分類散點圖繪制分類數據和數值數據之間的相關性。十分有趣的是，可以在Seaborn 中將圖表元素疊加在一起。