8 探索性数据分析之可视化技术

查看大图

数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「可视化的目的 -> 常见可视化技术 -> 直方图 -> 箱线图」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「可视化的目的」，再查「常见可视化技术」。

在前一篇中，我们讨论了探索性数据分析中的描述性分析，确定了数据集的基本特征和分布情况。在本篇中，我们将进一步探讨可视化技术，这是探索性数据分析中至关重要的组成部分。通过可视化，我们能够直观地理解数据，发掘潜在的模式和异常，从而为后续的分析打下坚实的基础。

可视化的目的

可视化的主要目的是通过图形化方式将数据呈现出来，以便于快速理解数据的分布、趋势、关系等特征。以下是一些常见的可视化目的：

• 理解分布：识别数据集中各变量的分布特征。
• 发现关系：探讨不同变量之间的潜在关系或相关性。
• 识别异常：发现偏离正常范围的异常值。
• 总结信息：通过整合数据信息传达给受众。

常见可视化技术

1. 直方图

直方图是一种用于展示数值型变量分布的图形。它通过将数据划分为多个区间（或称桶），并计算每个区间内数据点的数量来表示数值的分布情况。

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# 示例数据
data = pd.DataFrame({
    '年龄': [22, 25, 29, 30, 31, 34, 28, 25, 29, 35, 40, 45, 30, 22, 37]
})

plt.figure(figsize=(10, 6))
sns.histplot(data['年龄'], bins=5, kde=True)
plt.title('年龄直方图')
plt.xlabel('年龄')
plt.ylabel('频数')
plt.show()

在这个示例中，我们使用seaborn库创建了年龄的直方图，包含了KDE（核密度估计）曲线，帮助我们更好地理解年龄的分布情况。

2. 箱线图

箱线图（Box Plot）用于显示数值型数据的分布情况，包括四分位数、最大值、最小值以及异常值。它能够有效地比较不同组数据的分布。

# 示例数据
data = pd.DataFrame({
    '组别': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
    '成绩': [85, 87, 90, 75, 91, 88, 92, 84]
})

plt.figure(figsize=(10, 6))
sns.boxplot(x='组别', y='成绩', data=data)
plt.title('成绩箱线图')
plt.xlabel('组别')
plt.ylabel('成绩')
plt.show()

在这个例子中，我们比较了两个组别（A组和B组）的成绩分布情况，通过箱线图可以很清晰地看到两组的中位数及异常值。

3. 散点图

散点图是用于显示两个数值型变量之间关系的工具。通过在二维坐标系中绘制数据点，可以直观地查看它们之间的关系。

查看大图

做探索性可视化时，先判断要看分布、趋势、相关性还是异常点，再选择柱状图、折线图、散点图或箱线图。

# 示例数据
data = pd.DataFrame({
    '身高': [160, 165, 170, 175, 180, 185],
    '体重': [50, 65, 70, 75, 80, 85]
})

plt.figure(figsize=(10, 6))
sns.scatterplot(x='身高', y='体重', data=data)
plt.title('身高与体重散点图')
plt.xlabel('身高 (cm)')
plt.ylabel('体重 (kg)')
plt.show()

在这个例子中，散点图能够帮助我们判断身高与体重之间的关系，是否存在正相关的趋势。

4. 热力图

热力图用于展示变量之间的相关性，通常用于可视化相关系数矩阵。通过颜色深浅，能够直观地评估各变量之间的相关程度。

查看大图

《探索性数据分析之可视化技术》读到最后，可以把图里的流程当成检查表：问题是否明确，操作是否落地，判断标准是否能复用。

# 示例数据
import numpy as np

# 随机生成一些数据
data = pd.DataFrame(np.random.rand(10, 10), columns=[f'特征{i}' for i in range(10)])

plt.figure(figsize=(10, 8))
correlation_matrix = data.corr()
sns.heatmap(correlation_matrix, annot=True, fmt=".2f", cmap='coolwarm')
plt.title('特征相关性热力图')
plt.show()

该示例中我们随机生成了10个特征数据，使用热力图可视化它们之间的相关性，从而便于识别哪些特征是强相关的。

查看大图

读到这里，可以把《探索性数据分析之可视化技术》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《探索性数据分析之可视化技术》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

总结

在探索性数据分析中，可视化技术是不可或缺的工具，它使得数据的洞察变得直观和易于理解。在选择合适的可视化方法时，我们需要考虑数据的性质和分析的目标。在接下来的篇章中，我们将深入探讨统计分析方法，以便于对数据进行更深入的解读和分析。通过结合描述性分析、可视化技术和统计分析方法，我们将可以全面地理解和利用数据。