python數(shù)據(jù)可視化Seaborn繪制山脊圖
1. 引言
山脊圖一般由垂直堆疊的折線圖組成，這些折線圖中的折線區(qū)域間彼此重疊，此外它們還共享相同的x軸.
山脊圖經(jīng)常以一種相對不常見且非常適合吸引大家注意力的緊湊圖的形式表現(xiàn)。觀察上圖,我們給其起名叫Ridge plot是非常恰當(dāng)?shù)?因為上述圖表看起來確實很像山的脊背.此外,上述圖像還有另一個稱呼叫做Joy Plots–這主要是因為Joy Division樂隊在如下專輯封面上采用了這種可視化形式.
2. 舉個栗子
在介紹完山脊圖的由來背景后,現(xiàn)在讓我們來舉個例子。我們使用以下數(shù)據(jù)集，主要包含 Netflix 的作品及對應(yīng)的 IMDB 分?jǐn)?shù)。
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df = pd.read_csv('./data/film.csv')
languages = ['English', 'Hindi', 'Spanish',?
? ? ? ? ? ? ?'French', 'Italian', 'Portuguese']
df_filtered = df[df['Language'].isin(languages)]
df_filtered運行結(jié)果如下:
上表中從左往右,依次為ID,電影名稱,電影類型,首映日期,電影長度,IMDB評分,以及電影語種.
接下來我們首先使用 Seaborns FacetGrid庫來為每個語言類別的電影創(chuàng)建不同IMDB下的概率密度分布曲線圖。實現(xiàn)這個功能很簡單,僅需要對數(shù)據(jù)表中相應(yīng)名稱字段來按值進(jìn)行分組統(tǒng)計即可。
代碼如下:
sns.set_theme(style="white") g = sns.FacetGrid(df_filtered, row="Language") g.map_dataframe(sns.kdeplot, x="IMDB Score") g.set(ylabel="")
結(jié)果如下:
上述實現(xiàn)采用的為默認(rèn)的參數(shù)配置，橫軸表示IMDB分?jǐn)?shù),縱軸表示對應(yīng)不同語種電影在不同IMDB得分下的概率. 從上述圖例中可以看出單個語種電影評分的概率密度分布,但是很難查看不同語種間的對比分布。
接著我們嘗試來改進(jìn)顯示效果,我們通過設(shè)置FacetGrid函數(shù)中相應(yīng)的參數(shù)來讓圖表變得更寬更短。
代碼如下:
sns.set_theme(style="white") g = sns.FacetGrid(df_filtered, row="Language", aspect=9, height=1.2) g.map_dataframe(sns.kdeplot, x="IMDB Score") g.set(ylabel="")
結(jié)果如下:
上述改進(jìn)雖然可以讓數(shù)據(jù)間的對比變得明顯一些,但是這個可視化從視覺效果上看并沒有太大的吸引力。
觀察上圖,我們其實并沒有多少人去關(guān)注左側(cè)的Y軸信息,我們更關(guān)注的是數(shù)據(jù)的形狀.這就意味著我們這里可以刪除Y軸.
代碼如下:
sns.set_theme(style="white")
g = sns.FacetGrid(df_filtered, row="Language", aspect=9, height=1.2)
g.map_dataframe(sns.kdeplot, x="IMDB Score")
g.set_titles("")
g.set(yticks=[],ylabel="")
g.despine(left=True)運行結(jié)果如下:
3.山脊圖
經(jīng)過我們的優(yōu)化,上述不同語種電影的IMDB得分概率密度分布還是不夠直觀.
接下來我們一步一步來介紹我們的終結(jié)法寶–山脊圖.
首先，我們需要確保背景是透明的。
sns.set_theme(style="white", rc={"axes.facecolor": (0, 0, 0, 0)})接著，我們需要填充線條的內(nèi)部區(qū)域。
g.map_dataframe(sns.kdeplot, x="IMDB Score", fill=True, alpha=1)
上述操作后,不同語種間的區(qū)域會出現(xiàn)重疊，這時我們還需要區(qū)分重疊部分。
我們通過以下代碼進(jìn)行區(qū)分:
sns.set_theme(style="white", rc={"axes.facecolor": (0, 0, 0, 0)})
g = sns.FacetGrid(df_filtered, row="Language", aspect=9, height=1.2)
g.map_dataframe(sns.kdeplot, x="IMDB Score", fill=True, alpha=1)
g.map_dataframe(sns.kdeplot, x="IMDB Score", color='black')
g.fig.subplots_adjust(hspace=-.5)
g.set_titles("")
g.set(yticks=[])
g.despine(left=True)運行結(jié)果如下:
到目前位置,我們實現(xiàn)了我們第一版的山脊圖,接著我們可以根據(jù)需要來自定義擴展它。FacetGrid函數(shù)非常適合創(chuàng)建多個可視化圖例，并且 .map 和 .map_dataframe 方法可以讓我們與所有子圖進(jìn)行交互。
代碼如下:
sns.set_theme(style="white", rc={"axes.facecolor": (0, 0, 0, 0), 'axes.linewidth':2})
palette = sns.color_palette("Set2", 12)
g = sns.FacetGrid(df_filtered, palette=palette, row="Language", hue="Language", aspect=9, height=1.2)
g.map_dataframe(sns.kdeplot, x="IMDB Score", fill=True, alpha=1)
g.map_dataframe(sns.kdeplot, x="IMDB Score", color='black')
def label(x, color, label):
? ? ax = plt.gca()
? ? ax.text(0, .2, label, color='black', fontsize=13,
? ? ? ? ? ? ha="left", va="center", transform=ax.transAxes)
? ??
g.map(label, "Language")
g.fig.subplots_adjust(hspace=-.5)
g.set_titles("")
g.set(yticks=[], xlabel="IMDB Score")
g.despine( left=True)
plt.suptitle('Netflix Originals - IMDB Scores by Language', y=0.98)運行結(jié)果如下:
4.擴展
最后,我們可以使用下面代碼來復(fù)制Joy Division 專輯封面的可視化效果。
代碼如下:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
if __name__ == "__main__":
? ? url = "./data/pulsar.csv"
? ? df = pd.read_csv(url, header=None)
? ? df = df.stack().reset_index()
? ? df.columns = ['idx', 'x', 'y']
? ? sns.set_theme(rc={"axes.facecolor": (0, 0, 0, 0), 'figure.facecolor':'#000000', 'axes.grid':False})
? ? g = sns.FacetGrid(df, row='idx', aspect=50, height=0.4)
? ? # Draw the densities in a few steps
? ? g.map(sns.lineplot, 'x', 'y', clip_on=False, alpha=1, linewidth=1.5)
? ? g.map(plt.fill_between, 'x', 'y', color='#000000')
? ? g.map(sns.lineplot, 'x', 'y', clip_on=False, color='#ffffff', lw=2)
? ? # Set the subplots to overlap
? ? g.fig.subplots_adjust(hspace=-0.95)
? ? g.set_titles("")
? ? g.set(yticks=[], xticks=[], ylabel="", xlabel="")
? ? g.despine(bottom=True, left=True)
? ? plt.savefig('joy.png', facecolor='#000000')運行結(jié)果如下:
5.結(jié)論
總的來說，山脊圖非常適合關(guān)注數(shù)據(jù)的分布對比。山脊圖以吸引人的美學(xué)可以引起觀眾的共鳴，使它們成為向用戶介紹數(shù)據(jù)分布對比分析時的絕佳選擇。
到此這篇關(guān)于python數(shù)據(jù)可視化Seaborn繪制山脊圖的文章就介紹到這了,更多相關(guān)Seaborn繪制山脊圖內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Django中多用戶角色和權(quán)限管理的實現(xiàn)步驟
定義用戶角色模型：首先,定義一個用戶角色模型,該模型表示不同的用戶角色,例如管理員、普通用戶、編輯等,這篇文章主要介紹了Django中多用戶角色和權(quán)限管理的實現(xiàn)步驟,需要的朋友可以參考下2024-05-05
Python完全新手教程...2007-02-02
本文主要介紹了Django路由Path方法的實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-07-07
python百行代碼自制電腦端網(wǎng)速懸浮窗的實現(xiàn)
這篇文章主要介紹了python百行代碼自制電腦端網(wǎng)速懸浮窗的實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-05-05
python中struct模塊之字節(jié)型數(shù)據(jù)的處理方法
今天小編就為大家分享一篇python中struct模塊之字節(jié)型數(shù)據(jù)的處理方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08
這篇文章主要介紹了python中模塊的__all__屬性詳解，具有一定參考價值，需要的朋友可以了解下。2017-10-10
這篇文章主要介紹了通過python連接Linux命令行代碼實例,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-02-02
在Python編程中,布爾運算符有明確的優(yōu)先級順序,影響代碼邏輯判斷,從高到低依次是:括號()、not、and、or,括號用于明確運算順序,not具有次高優(yōu)先級,影響單個布爾值,and和or則根據(jù)優(yōu)先級順序結(jié)合布爾值,正確理解和應(yīng)用這些優(yōu)先級對于編寫有效和準(zhǔn)確的條件語句至關(guān)重要2024-10-10
輸入開始排列數(shù)字和結(jié)束排列數(shù)字， 就會一個字典序輸出所以的排列情況2013-08-08
今天小編就為大家分享一篇使用Python實現(xiàn)分別輸出每個數(shù)組，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12