上一篇学习了基于单变量的基础图表的应用，这篇继续学习使用双变量作图。
变量之间没有关系的数据在数据科学上相当于空白画布。为了绘制出有用的图表，我们需要理解两个变量之间是如何相互作用的。 是否同时增减，是否存在线性关系，为了更好的绘制图表最好的方式是使用能够实现这些可能性的数据点。
数据源同上一篇文章。
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
reviews = pd.read_csv("kaggle/winemag-data_first150k.csv", index_col=0)
head = reviews.head(3)
Scatter plot 散点图
散点图是以一个变量为横坐标，另一个变量为纵坐标，利用散点(坐标点)的分布形态反映变量关系的一种图形。
下面查看一下葡萄酒价格和评分之间的关系：
reviews[reviews['price'] < 200].plot.scatter(x='price', y='points')
评分与价格1.png
看到图中全是点，基本看不出来葡萄酒价格和评分之间的关系。由于散点图不能有效的处理映射相同位置的点，为了更好的表示两者之间的关系，我们需要对数据进行抽样，抽取100个点重新进行展示：
reviews[reviews['price'] < 200].sample(100).plot.scatter(x='price', y='points')
评分与价格2.png
从上图可以看出价格更高的葡萄酒在评论时会获得更高的评分。由此可见散点图对于相对较小的数据集和具有大量惟一值的变量最有效。
处理多重复数据点导致的覆盖绘制，除了抽样数据，还可以使用Hexplot。
Hexplot 六边形图
六边形图将空间中的点聚合成六边形，然后根据六边形内部的值为这些六边形上色。
reviews[reviews['price'] < 100].plot.hexbin(x='price', y='points', gridsize=15)
有测试price<200 的情况，发现图形集中在0-100价格区间(此处未展示图片),故调整过滤条件为price<100。
评分与价格3.png
从上图中，看到了散点图未告知的信息，我们可以看到葡萄酒杂志上评论的葡萄酒的价格集中在87.5分左右，在20美元左右。
Stacked plots
堆积图是一种把变量一个放在另一个上面的图表。
回顾一下上一篇文章中的单变量柱形图,这里可以简单使用一个stacked 参数，达到多个柱形的叠加。
原文是引入新的数据集，这里我们在源数据上进行一下处理，获得top5葡萄酒不同评价分数的次数数据：
# top5酒厂
winery = reviews['winery'].value_counts().head(5)
wine_counts = pd.DataFrame({'points': range(80, 101)})
for name in winery.index:
winery_grouped = reviews[reviews['winery'] == name]
points_series = winery_grouped['points'].value_counts().sort_index()
df = pd.DataFrame({'points': points_series.index, name: list(points_series)})
wine_counts = wine_counts.merge(df, on='points',how='left').fillna(0)
wine_counts.set_index('points', inplace=True)
image.png
wine_counts.plot.bar(stacked=True)
5种葡萄酒不同评分的次数分布.png
堆积条形图具有单变量条形图的优点和缺点。它们最适用于定类数据或少量定序数据。
另一个简单的例子是堆积面积图。
wine_counts.plot.area()
image.png
与单变量面积图一样，多变量面积适用于展示定类数据或区间数据。
堆积图在视觉上非常漂亮。但是它们有两个主要局限性。
第一个局限性： 堆积图的第二个变量必须是一个可能值数量非常有限的变量。8有时被称为建议的上限。有许多数据集字段不符合这个准则，需要进一步进行数据处理。
第二个局限性：可读性差，难以区分具体的值。例如，看上面的图，你能告诉我在得分值为87.5的时候，哪一种葡萄酒得分更高:Testarossa(橙色)，williams(蓝色)，还是DFJ(绿色)? 这真的很难讲!
Bivariate line chart 多变量折线图
wine_counts.plot.line()
image.png
这种方式使用折线图弥补了堆积图可读性的局限。在这个图表中，我们可以很容易地回答上一个例子中的问题:分值为87.5的时候，哪一种葡萄酒得分更高？我们可以看到Columbia Crest最高。
总结
| Scatter Plot | Hex Plot | Stacked Bar Chart | Bivariate Line Chart |
|---|---|---|---|
| df.plot.scatter(x, y) | df.plot.hexbin(x, y,gridsize) | df.plot.bar(stacked=True) | df.plot.line() |
| 适用于区间数据和少量定类数据。 | 适用于区间数据和少量定类数据 | 适用于定类数据和有序数据 | 适用于有序数据和区间数据 |
参考资料
https://www.kaggle.com/residentmario/bivariate-plotting-with-pandas
网友评论