Python可視化教程（下）-實(shí)踐篇
本篇文章在基礎(chǔ)篇的基礎(chǔ)上，選擇實(shí)際案例進(jìn)行了練習(xí)。
再明確一次三個(gè)步驟：
確定問(wèn)題，選擇圖形
轉(zhuǎn)換數(shù)據(jù)，應(yīng)用函數(shù)
參數(shù)設(shè)置，一目了然
下面，我們通過(guò)案例來(lái)進(jìn)行演示：
%matplotlib inline
import?numpy as?np
import?pandas as?pd
import?matplotlib.pyplot as?plt #導(dǎo)入plt
import?seaborn as?sns
import?warnings
warnings.filterwarnings('ignore')#忽略警告?加載數(shù)據(jù)?
數(shù)據(jù)采用kaggle中的共享單車項(xiàng)目，比賽提供了跨越兩年的每小時(shí)共享單車租賃數(shù)據(jù)，包含天氣信息和日期信息。
?字段說(shuō)明?
datetime（日期） - hourly date + timestamp
season（季節(jié)） - 1 = spring, 2 = summer, 3 = fall, 4 = winter
holiday（是否假日） - whether the day is considered a holiday
workingday（是否工作日） - whether the day is neither a weekend nor holiday
weather（天氣等級(jí)）
Clear, Few clouds, Partly cloudy 清澈，少云，多云。
Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist 霧+陰天，霧+碎云、霧+少云、霧
Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds 小雪、小雨+雷暴+散云，小雨+云
Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog 暴雨+冰雹+雷暴+霧，雪+霧
temp（溫度） - temperature in Celsius
atemp（體感溫度） - "feels like" temperature in Celsius
humidity（相對(duì)濕度） - relative humidity
windspeed（風(fēng)速） - wind speed
casual（臨時(shí)租賃數(shù)量） - number of non-registered user rentals initiated
registered（會(huì)員租賃數(shù)量） - number of registered user rentals initiated
count（總租賃數(shù)量） - number of total rentals
date(日期) - 由datetime拆分得到
hour（小時(shí)）-由datetime拆分得到
year（年份）-由datetime拆分得到
month（月份）-由datetime拆分得到
weeekday（周幾）-由datetime拆分得到
windspeed_rfr（經(jīng)過(guò)隨機(jī)森林樹(shù)填充0值得到的風(fēng)速）
#讀取數(shù)據(jù)
#Bikedata = pd.read_csv('./Bike.csv')
Bikedata.head()
#查看描述統(tǒng)計(jì)
Bikedata.describe()
#對(duì)于整體數(shù)據(jù)，我們希望查看與三個(gè)租賃數(shù)量相關(guān)的其他特征值的關(guān)系，可以選用seaborn包的pairplot函數(shù)（多變量圖）
sns.pairplot(Bikedata,x_vars=['holiday','workingday','season','weather','hour','windspeed_rfr','atemp','humidity','temp'],y_vars=['count','registered','casual'],plot_kws={'alpha': 0.1})
0xadcef98> 
大致可以看出：會(huì)員在工作日出行較多，節(jié)假日次數(shù)減少，而臨時(shí)用戶相反，第一季度出行人數(shù)總體偏低，出行人數(shù)受天氣影響較大，會(huì)員在每天早晚有兩個(gè)高峰期，對(duì)應(yīng)上下班時(shí)間；非會(huì)員在下午出行較密集 風(fēng)速對(duì)出行人數(shù)有較大的影響 相對(duì)濕度，溫度和體感溫度對(duì)非會(huì)員出行影響較大，對(duì)會(huì)員出行影響較小。
#接下來(lái)，我們通過(guò)相關(guān)系數(shù)的大小來(lái)依次對(duì)特征進(jìn)行可視化分析
#首先，列出相關(guān)系數(shù)矩陣：df.corr()
corrdf = Bikedata.corr()
corrdf
#各特征按照與租賃總量count的相關(guān)系數(shù)大小進(jìn)行排序
corrdf['count'].sort_values(ascending=False)
count????????????1.000000
registered 0.966209
casual 0.704764
hour 0.405437
temp 0.385954
atemp 0.381967
year 0.234959
month 0.164673
season 0.159801
windspeed_rfr 0.111783
windspeed 0.106074
weekday 0.022602
holiday 0.002978
workingday -0.020764
weather -0.127519
humidity -0.317028
Name: count, dtype: float64可見(jiàn)，特征對(duì)租賃總量的影響力為：
時(shí)段>溫度>濕度>年份>月份>季節(jié)>天氣>風(fēng)速>工作日>節(jié)假日
?對(duì)特征逐項(xiàng)分析?
1
首先對(duì)時(shí)段進(jìn)行分析
第一步
提出問(wèn)題：租賃總量對(duì)應(yīng)濕度的變化趨勢(shì)
適合圖形：因?yàn)闈穸葘儆谶B續(xù)性數(shù)值變量，我們可以選擇折線圖反應(yīng)變化趨勢(shì)
第二步
轉(zhuǎn)換數(shù)據(jù)：我們需要一個(gè)二維數(shù)據(jù)框，按照溫度變化排序，取對(duì)應(yīng)的三個(gè)租賃數(shù)的平均值
應(yīng)用函數(shù)：直接應(yīng)用plt的plot函數(shù)即可完成折線圖
workingday_df = Bikedata[Bikedata['workingday']==1]#t
workingday_df = workingday_df.groupby(['hour'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})
nworkingday_df = Bikedata[Bikedata['workingday']==0]
nworkingday_df = nworkingday_df.groupby(['hour'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})
nworkingday_df.head()第三步：設(shè)置參數(shù)
figure,axes = plt.subplots(1,2,sharey=True)#設(shè)置一個(gè)1*2的畫布，且共享y軸
workingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the working day',ax=axes[0])
nworkingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the nworking day',ax=axes[1])
0xe452940> 可以看出：
在工作日，會(huì)員出行對(duì)應(yīng)兩個(gè)很明顯的早晚高峰期，并且在中午會(huì)有一個(gè)小的高峰，可能對(duì)應(yīng)中午外出就餐需求；?
工作日非會(huì)員用戶出行高峰大概在下午三點(diǎn)；
工作日會(huì)員出行次數(shù)遠(yuǎn)多于非會(huì)員用戶；
在周末，總體出行趨勢(shì)一致，大部分用車發(fā)生在11-5點(diǎn)這段時(shí)間，早上五點(diǎn)為用車之最。
2
對(duì)溫度進(jìn)行分析
第一步
提出問(wèn)題：租賃總量對(duì)應(yīng)濕度的變化趨勢(shì)
適合圖形：因?yàn)闈穸葘儆谶B續(xù)性數(shù)值變量，我們可以選擇折線圖反應(yīng)變化趨勢(shì)
第二步
轉(zhuǎn)換數(shù)據(jù)：我們需要一個(gè)二維數(shù)據(jù)框，按照溫度變化排序，取對(duì)應(yīng)的三個(gè)租賃數(shù)的平均值
應(yīng)用函數(shù)：直接應(yīng)用plt的plot函數(shù)即可完成折線圖
第三步
參數(shù)設(shè)置：只需要設(shè)置折線圖的標(biāo)題，其他參數(shù)默認(rèn)
temp_df = Bikedata.groupby(['temp'],as_index='True').agg({'count':'mean','registered':'mean','casual':'mean'})
temp_df.plot(title = 'The average number of rentals initiated per hour changes with the temperature')
0xe57d7f0> 
隨著溫度的升高，租賃數(shù)量呈上升趨勢(shì)；
在溫度達(dá)到35度時(shí)，因天氣炎熱，總體數(shù)量開(kāi)始下降；
在溫度在4度時(shí)，租賃數(shù)達(dá)到最低點(diǎn)；
3
濕度對(duì)租賃數(shù)量的影響
第一步
提出問(wèn)題：租賃總量對(duì)應(yīng)濕度的變化趨勢(shì)
適合圖形：因?yàn)闈穸葘儆谶B續(xù)性數(shù)值變量，我們可以選擇折線圖反應(yīng)變化趨勢(shì)
第二步
轉(zhuǎn)換數(shù)據(jù)：我們需要一個(gè)二維數(shù)據(jù)框，按照溫度變化排序，取對(duì)應(yīng)的三個(gè)租賃數(shù)的平均值
應(yīng)用函數(shù)：直接應(yīng)用plt的plot函數(shù)即可完成折線圖
第三步
參數(shù)設(shè)置：只需要設(shè)置折線圖的標(biāo)題，其他參數(shù)默認(rèn)
humidity_df = Bikedata.groupby(['humidity'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})
humidity_df.plot(title='Average number of rentals initiated per hour in different humidity')
0xe582400> 
可以觀察到在濕度20左右租賃數(shù)量迅速達(dá)到高峰值，此后緩慢遞減。
年份，月份和季節(jié)作圖方法類似，都采用折線圖繪制，這里省略。
4
查看不同天氣對(duì)出行情況的影響
第一步
提出問(wèn)題：租賃總量對(duì)應(yīng)濕度的變化趨勢(shì)
適合圖形：因?yàn)樘鞖馇闆r屬于數(shù)值型分類變量，我們可以選擇柱形圖觀察數(shù)量分布
第二步
轉(zhuǎn)換數(shù)據(jù)：我們需要一個(gè)二維數(shù)據(jù)框，按照天氣情況對(duì)租賃數(shù)量取平均值
應(yīng)用函數(shù)：應(yīng)用plt的plot.bar函數(shù)繪制組合柱形圖
第三步
參數(shù)設(shè)置：只需要設(shè)置折線圖的標(biāo)題，其他參數(shù)默認(rèn)
weather_df = Bikedata.groupby(['weather'],as_index=True).agg({'registered':'mean','casual':'mean'})
weather_df.plot.bar(stacked=True,title='Average number of rentals initiated per hour in different weather')
0xe7e0a90> 
觀察到天氣等級(jí)為4時(shí)，平均出行人數(shù)比天氣等級(jí)為2是還要高，這不符合常理
我們查看一下天氣等級(jí)為4的詳細(xì)情況
count_weather = Bikedata.groupby('weather')
count_weather[['casual','registered','count']].count()
天氣狀況為4級(jí)的只有一天，我們把數(shù)據(jù)打印出來(lái)查看一下
Bikedata[Bikedata['weather']==4]
時(shí)間為工作日的下午六點(diǎn)鐘，屬于晚高峰異常數(shù)據(jù)，不具有代表性。
5
會(huì)員用戶和臨時(shí)用戶在整體用戶中占比
第一步
提出問(wèn)題：查看會(huì)員用戶和臨時(shí)用戶在整體用戶中的比例
適合圖形：查看占比，適合用餅圖pie
第二步
轉(zhuǎn)換數(shù)據(jù)：需要一個(gè)二維數(shù)據(jù)框，按天數(shù)取兩種用戶的平均值
應(yīng)用函數(shù)：應(yīng)用plt的plot.pie函數(shù)繪制餅圖
第三步
參數(shù)設(shè)置：這是數(shù)據(jù)標(biāo)簽和類別標(biāo)簽
#考慮到相同日期是否工作日，星期幾，以及所屬年份等信息是一樣的，把租賃數(shù)據(jù)按天求和，其它日期類數(shù)據(jù)取平均值
day_df = Bikedata.groupby(['date'], as_index=False).agg({'casual':'sum','registered':'sum','count':'sum', 'workingday':'mean','weekday':'mean','holiday':'mean','year':'mean'})
day_df.head()#按天取兩種類型用戶平均值
number_pei=day_df[['casual','registered']].mean()
number_pei
casual 517.411765
registered 2171.067031
dtype: float64
#繪制餅圖
plt.axes(aspect='equal')
plt.pie(number_pei, labels=['casual','registered'], autopct='%1.1f%%', pctdistance=0.6 , labeldistance=1.05 , radius=1 )
plt.title('Casual or registered in the total lease')
Text(0.5,1,'Casual or registered in the total lease')
python作圖的簡(jiǎn)單案例
6
總結(jié)
要清楚自己想表達(dá)什么，有了明確的問(wèn)題，選擇合適的圖形，然后按照需求從整體數(shù)據(jù)中選擇自己需要的數(shù)據(jù)，查閱資料了解函數(shù)的參數(shù)設(shè)置，最后完成圖形的繪制
matplotlib是python繪圖的基礎(chǔ)，也是其他拓展包的基礎(chǔ)，認(rèn)真學(xué)習(xí)matplotlib的常用圖形和參數(shù)是很有必要的
學(xué)習(xí)期間思考為什么要加載matplotlib.pyplot？來(lái)進(jìn)行繪圖
-?END -
本文為轉(zhuǎn)載分享&推薦閱讀，若侵權(quán)請(qǐng)聯(lián)系后臺(tái)刪除
零基礎(chǔ)學(xué) Python，請(qǐng)往看下嘛 送價(jià)值 109 經(jīng)典 配套視頻課
