10个数据可视化技巧，让你一看就懂 _数据可视化

来源:数据分析1480
ID:lsxxx2011
作者：数据分析1480

文章插图

我必须对你说实话：当我学习数据科学时，我完全低估了绘图的重要性。没错，那时一切都一团糟：我从头开始学习 Python、熟悉了所有可能的算法、理解了所有东西背后的数学原理，但是我的绘图技巧很糟糕。

为什么会这样?我们总是在做同样的事情。你知道的：pairplots，distplots，qqplots…你在可视化数据时使用图表是理解数据的唯一方法。这些都是非常有用、通用和默认的图表。所以，复制和粘贴一堆代码成了我时最常做的事情。

文章插图

对于我的项目来说，可交付结果总是一个模型。由于数小时的数据清洗和特征工程，很可能会有一个不错的分数。我是我项目的唯一参与者，我的教授们在他们给我这些数据时就已经知道关于数据的一切。那我作图是为了给谁看?我自己？好吧…没必要!对不?我比任何人都清楚每一步在实现什么，我不需要向任何人解释。

我相信这可能是我在数据科学中的最大失败：没有充分考虑可解释性和可解释性的重要性。你可能是个天才，但如果你不能向第三方解释你是如何得到这些美妙的结论，以及为什么得到这些结论，那么你可能什么都不是。

例如，在 Ravelin Technology，我们提供基于机器学习的欺诈预防解决方案。想象一下，你告诉一个客户，你封锁了 x% 的交易，只是因为机器学习模型是这样说的，但你根本不知道为什么要这样做会怎样?当然，对于任何试图最大化环化率和销售情况的电子商务来说，这都不是很有吸引力，对吧?想象一下，在医疗保健等其他敏感领域出现同样的情况……那简直是灾难即将来临的千兆。

现在，除了与业务相关的问题，甚至从法律的角度或者从你的业务只关心预测的结果来看——不管你如何得到它们，理解一个算法实际上是如何工作的对你会有帮助。你不仅能更好地向客户解释输出的原因，还能更好地协调数据科学家和分析师的工作。

能够向人们解释你的思维过程是任何数据相关工作的关键部分。在这种情况下，复制和粘贴图表是不够的，图表的个性化变得非常重要。

在这篇文章的剩余部分，我想和大家分享 10 个基本的中级和高级的绘图工具。我发现在现实生活中，当涉及到绘图解释你的数据时，这些工具非常有用。

我将在下面几行中引用的库：
Seaborn：import seaborn as snsmatplotlib：matplotlib.pyplot as plt
此外，如果需要，可以设置样式和你喜欢的格式，例如：

???plt.style.use('fivethirtyEight')%config inlinebackend.figureformat='retina'%matplotlib inline
说到这里，让我们直接跳到这些工具：

绘制符合图

有时，你会想在一个图表中绘制出不同的东西。但有时，你会希望在同一行或列中抛出不同的图表，相互补充和/或显示不同的信息片段。

为此，这里给出一个非常基本但必不可少的工具：subplots 。如何使用它?很简单。matplotlib 中的图表是一种结构，可以这样使用：

图形：绘制图表的背景或画布
轴：我们的图表

通常，这些东西是在代码后台自动设置的，但是如果要绘制多个图形，我们只需要按照以下方式创建图形和轴对象：
fig, ax = plt.subplots(ncols=number_of_cols, nrows=number_of_rows, figsize=(x,y)
例如，如果设置 ncols=1 和 nrows=2，我们将创建一个由 x，y 轴组成的图形，其中只有两个图表，分布在两个不同的行中。剩下的唯一事情是从 0 开始使用'ax'参数指定不同绘图的顺序。例如：

???????sns.scatterplot(x=horizontal_data_1, y=vertical_data_1, ax=ax[0]);sns.scatterplot(x=horizontal_data_2, y=vertical_data_2, ax=ax[1]);
轴标签

这可能看起来没有必要，或者不是很有帮助，但是你无法想象，如果你的图表有点混乱，或者看到数据的人对此不是很熟悉，你会被问多少次 x/y 轴代表的是什么。按照前面的两个绘图示例，如果要为轴设置特定名称，则必须使用以下代码行：
???????ax[0].set(x label='My X Label'，ylabel='My Y Label')ax[1].set(xlabel='My Second X Label'，ylabel='My Second and Very Creative Y Label')