摘要：本文介绍了Python中常用的数据可视化方法，包括直方图、密度图、箱型图、相关矩阵图和散点矩阵图。以乳腺癌和鸢尾花数据集为例，详细展示了如何使用Matplotlib和Seaborn库实现这些可视化工具。直方图和密度图用于展示数据分布特征，箱型图显示数据五数概括，相关矩阵图分析变量间相关性，散点矩阵图则展示多变量关系。这些可视化方法能有效帮助数据分析人员识别数据模式、异常值和变量间关系，为机器学习任务提供直观的数据探索手段。

目录

Python 直方图的实现

示例

多数据集直方图

示例

Python密度图的实现

示例

多数据集密度图

示例

Python 实现的方框图和胡须图

示例

Python 相关矩阵图的实现

示例

Python散点矩阵图的实现

示例

---

直方图是一种条形图状的变量分布表示。它显示了该变量每个值出现的频率。横轴表示变量值的范围，纵轴表示每个值的频率或计数。每条条的高度代表落在该值范围内的数据点数量。

直方图有助于识别数据中的模式，如偏态、模态和离群值。偏态指的是变量分布的不对称程度。模态指的是分布中峰的数量。离群值是指超出该变量典型值范围的数据点。

Python 直方图的实现

Python 提供了多个用于数据可视化的库，如 Matplotlib、Seaborn、Plotly 和 Bokeh。以下示例中，我们将使用 Matplotlib 实现直方图。

我们将使用Sklearn库中的乳腺癌数据集作为示例。乳腺癌数据集包含乳腺癌细胞的特征信息，以及它们是恶性还是良性。该数据集包含30个特征和569个样本。

示例

我们先导入必要的库并加载数据集 −

import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()

接下来，我们将创建数据集平均半径特征的直方图 −

plt.figure(figsize=(7.2, 3.5))
plt.hist(data.data[:,0], bins=20)
plt.xlabel('Mean Radius')
plt.ylabel('Frequency')
plt.show()

在本代码中，我们使用 Matplotlib 中的 hist（） 函数创建了数据集平均半径特征的直方图。我们已将箱数设置为20，以将数据范围划分为20个区间。我们还通过 xlabel（） 和 ylabel（） 函数在 x 轴和 y 轴上添加了标签。

输出

所得直方图显示了数据集中平均半径值的分布。我们可以看到数据大致呈正态分布，峰值大约在12-14之间。

多数据集直方图

我们还可以创建一个包含多个数据集的直方图，以比较它们的分布。我们为恶性和良性样本创建平均半径特征的直方图 −

示例

plt.figure(figsize=(7.2, 3.5))
plt.hist(data.data[data.target==0,0], bins=20, alpha=0.5, label='Malignant')
plt.hist(data.data[data.target==1,0], bins=20, alpha=0.5, label='Benign')
plt.xlabel('Mean Radius')
plt.ylabel('Frequency')
plt.legend()
plt.show()

在本代码中，我们两次使用hist（）函数创建了平均半径特征的两个直方图，一个针对恶性样本，一个针对良性样本。我们用alpha参数将条形的透明度设置为0.5，这样它们不会完全重叠。我们还用legend（）函数为图例添加了图例。

输出

执行该代码后，输出为如下图 −

所得直方图显示了恶性和良性样本的平均半径分布。我们可以看到分布不同，恶性样本的频率更高，平均半径也更高。

密度图是一种显示连续变量概率密度函数的图。它类似于直方图，但不是用条表示每个值的频率，而是用平滑曲线表示概率密度函数。x轴表示变量的值范围，y轴表示概率密度。

密度图有助于识别数据中的模式，如偏态、模态和异常值。偏态指的是变量分布的不对称程度。模态指的是分布中峰的数量。离群值是指超出该变量典型值范围的数据点。

Python密度图的实现

Python 提供了多个用于数据可视化的库，如 Matplotlib、Seaborn、Plotly 和 Bokeh。在下面的示例中，我们将使用 Seaborn 来实现密度图。

我们将使用Sklearn库中的乳腺癌数据集作为示例。乳腺癌数据集包含乳腺癌细胞的特征信息，以及它们是恶性还是良性。该数据集包含30个特征和569个样本。

示例

我们先导入必要的库并加载数据集 −

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()

接下来，我们将绘制数据集平均半径特征的密度图 −

plt.figure(figsize=(7.2, 3.5))
sns.kdeplot(data.data[:,0], shade=True)
plt.xlabel('Mean Radius')
plt.ylabel('Density')
plt.show()

在本代码中，我们使用Seaborn的kdeplot（）函数创建了数据集平均半径特征的密度图。我们已将shade参数设置为True，以对曲线下方的区域进行阴影。我们还通过 xlabel（） 和 ylabel（） 函数在 x 轴和 y 轴上添加了标签。

输出

所得密度图显示了数据集中平均半径值的概率密度函数。我们可以看到数据大致呈正态分布，峰值大约在12-14之间。

多数据集密度图

我们也可以用多个数据集绘制密度图，比较它们的概率密度函数。我们为恶性和良性样本均绘制平均半径特征的密度图 −

示例

plt.figure(figsize=(7.5, 3.5))
sns.kdeplot(data.data[data.target==0,0], shade=True, label='Malignant')
sns.kdeplot(data.data[data.target==1,0], shade=True, label='Benign')
plt.xlabel('Mean Radius')
plt.ylabel('Density')
plt.legend()
plt.show()

在本代码中，我们两次使用kdeplot（）函数创建了平均半径特征的两个密度图，一个为恶性样本，一个为良性样本。我们已将shade参数设置为True，以对曲线下方区域进行阴影，并且使用label参数在图上添加了标签。我们还用legend（）函数为图例添加了图例。

输出

执行该代码后，输出为如下图 −

所得密度图显示了恶性和良性样本平均半径值的概率密度函数。我们可以看到恶性样本的概率密度函数向右移动，表明平均半径值更高。

箱型图是一种数据集的图形表示，显示数据的五个数字汇总——最小值、第一四分位数、中位数、第三四分位数和最大值。

盒图由一个盒子组成，盒子上下都有胡须。

• 该框代表数据的四分位数间距（IQR），即第一四分位数与第三四分位数之间的区间。

• 胡须从盒子的上下延伸到最大和最低的数值，这些数值在1.5倍的IQR范围内。

任何超出该范围的值被视为离群值，并表示为胡须之外的点。

Python 实现的方框图和胡须图

既然我们对箱型图有了基本了解，接下来用 Python 实现它们。以我们的例子为例，我们将使用Sklearn的鸢尾数据集，其中包含了150朵鸢尾花的萼片长度、宽度、花瓣长度和花瓣宽度，这些花属于三种不同物种——Setosa、Versicolor和Virginica。

首先，我们需要导入必要的库并加载数据集。

示例

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_iris
iris = load_iris()
data = iris.data
target = iris.target

接下来，我们可以利用Seaborn库为三种鸢尾花种种绘制萼片长度的箱形图。

plt.figure(figsize=(7.5, 3.5))
sns.boxplot(x=target, y=data[:, 0])
plt.xlabel('Species')
plt.ylabel('Sepal Length (cm)')
plt.show()

输出

该编码将生成三种鸢尾花种种的萼片长度箱形图，x轴表示物种，y轴代表萼片长度（厘米）。

从这张箱形图中，我们可以看到，setosa属的萼片长度比versicolor和virginica属短，后者在萼片长度的中位数和范围上都相似。此外，我们可以看到setosa物种中没有异常值，但在versicolor和virginica物种中有一些例外。

相关矩阵图是数据集中变量间两两相关性的图形表示。该图由散点图和相关系数矩阵组成，每个散点图代表两个变量之间的关系，相关系数表示关系的强度。矩阵的对角线通常显示每个变量的分布。

相关系数是两个变量之间的线性关系度量，范围为-1到1。系数为1表示完全正相关，其中一个变量的增加与另一个变量的增加相关。系数为-1表示完全负相关，其中一个变量的增加与另一个变量的下降相关。系数为0表示变量之间无相关性。

Python 相关矩阵图的实现

现在我们对相关矩阵图有了基本的理解，接下来用Python实现它们。在我们的例子中，我们将使用Sklearn的鸢尾花数据集，其中包含了150朵鸢尾花的长度、宽度、花瓣长度和花瓣宽度，这些花属于三种不同物种——Setosa、Versicolor和Virginica。

示例

import numpy as np
import pandas as pd
import seaborn as sns
from sklearn.datasets import load_iris

iris = load_iris()
data = pd.DataFrame(iris.data, columns=iris.feature_names)
target = iris.target

plt.figure(figsize=(7.5, 3.5))

corr = data.corr()
sns.set(style='white')
mask = np.zeros_like(corr, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True
f, ax = plt.subplots(figsize=(11, 9))
cmap = sns.diverging_palette(220, 10, as_cmap=True)
sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
   square=True, linewidths=.5, cbar_kws={"shrink": .5})
plt.show()

输出

该代码将生成 Iris 数据集的相关系数矩阵图，每个方格代表两个变量之间的相关系数。

从图中可见，“萼片宽度（cm）”和“花瓣长度（cm）”的负相关性为中等（-0.37），而“花瓣长度（cm）”和“花瓣宽度（cm）”则呈强正相关（0.96）。我们还可以看到变量“萼片长度（cm）”与变量“花瓣长度（cm）”有弱正相关（0.87）。

散点矩阵图是一种多变量关系的图形表示。它是机器学习中可视化数据集中特征相关性的有用工具。该图也称为配对图，用于识别数据集中两个或多个变量之间的相关性。

散点矩阵图显示数据集中每对特征的散点图。每个散点图代表两个变量之间的关系。也可以在图中添加一条斜线，显示每个变量的分布。

Python散点矩阵图的实现

在这里，我们将用 Python 实现散点矩阵图。在下面的示例中，我们将使用Sklearn的Iris数据集。

Iris数据集是机器学习中的经典数据集。它包含四个特征：萼片长度、萼片宽度、花瓣长度和花瓣宽度。该数据集包含150个样本，每个样本被标记为三种物种之一：Setosa、Versicolor或Virginica。

我们将使用 Seaborn 库来实现散点矩阵图。Seaborn 是一个基于 Matplotlib 库构建的 Python 数据可视化库。

示例

以下是实现散射矩阵图的Python代码 −

import seaborn as sns
import pandas as pd

# load iris dataset
iris = sns.load_dataset('iris')

# create scatter matrix plot
sns.pairplot(iris, hue='species')

# show plot
plt.show()

在这段代码中，我们首先导入必要的库，Seaborn 和 Pandas。然后，我们使用 sns.load_dataset（） 函数加载 Iris 数据集。该函数从Seaborn库加载Iris数据集。

接下来，我们使用 sns.pairplot（） 函数创建散点矩阵图。色相参数用于指定数据集中应用于色彩编码的列。在这种情况下，我们使用物种列根据每个样本的物种来给点着色。

最后，我们使用 plt.show（） 函数来显示该图。

输出

该代码的输出将是一个散布矩阵图，显示Iris数据集中每对特征的散点图。

注意每个散点图根据每个样本的物种进行颜色编码。