[数据可视化之一]Pandas单变量画图
Pandas单变量画图
 |
 |
 |
 |
| Bar Chat | Line Chart | Area Chart | Histogram |
| df.plot.bar() | df.plot.line() | df.plot.area() | df.plot.hist() |
| 适合定类数据和小范围取值的定序数据 | 适合定序数据和定距数据 | 适合定序数据和定距数据 | 适合定距数据 |
pandas库是Python数据分析最核心的一个工具库：“杀手级特征”，使整个生态系统融合在一起。除了数据读取、转换之外，也可以进行数据可视化。易于使用和富有表现力的pandas绘图API是pandas流行的重要组成部分。
在本节中，我们将学习基本的“pandas”绘图工具，从最简单的可视化类型开始：单变量或“单变量”可视化。这包括条形图和折线图等基本工具。通过这些，我们将了解pandas绘制库结构，并花一些时间检查数据类型。
数据分类：
- Norminal Data 定类变量：变量的不同取值仅仅代表了不同类的事物。问卷的人口特征中最常使用的问题，而调查被访对象的“性别”，就是 定类变量。对于定类变量，加减乘除等运算是没有实际意义的；
- Ordinal Data定序变量：变量的值不仅能够代表事物的分类，还能代表事物按某种特性的排序，这样的变量叫定序变量。问卷的人口特征中最常使用的问题“教育程度“，以及态度量表题目等都是定序变量，定序变量的值之间可以比较大小，或者有强弱顺序，但两个值的差一般没有什么实际意义。
- Interval Data 定距变量：变量的值之间可以比较大小，两个值的差有实际意义，这样的变量叫定距变量。有时问卷在调查被访者的“年龄”和“每月平均收入”，都是定距变量。
- Ratio Data 定比变量, 有绝对0点，如质量，高度。定比变量与定距变量在市场调查中一般不加以区分，它们的差别在于，定距变量取值为“0”时，不表示“没有”，仅仅是取值为0。定比变量取值为“0”时，则表示“没有”。
import pandas as pd
reviews = pd.read_csv("../input/wine-reviews/winemag-data_first150k.csv", index_col=0)
reviews.head(3)
结果：
条形图可以说是最简单的数据可视化。他们将类别映射到数字：例如，早餐(一类)消费的鸡蛋数量；或者，世界葡萄酒产区（类别）与其生产的葡萄酒标签数量（数量）：
#取数据province特征下前10个最常出现的类别：province省份--->出现次数；
reviews['province'].value_counts().head(10).plot.bar()
这个图表告诉我们什么？它说加州生产的葡萄酒远远超过世界上任何其他省份！我们可能会问，加州葡萄酒总量的百分之几是多少？这个条形图告诉了我们绝对数字，但知道相对比例会更有用：
#取province特征，统计，取前10，计算比例，画图bar plot
(reviews['province'].value_counts().head(10)/len(reviews)).plot.bar()
加州生产葡萄酒占杂志评选到的葡萄酒的几乎三分之一！
条形图非常灵活：高度可以代表任何东西，只要它是一个数字。每个栏都可以代表任何东西，只要它是一个类别。
在这种情况下，类别是标称类别nominal categories：“纯”类别，类别排序没有多大意义。标称分类变量包括国家，邮政编码，奶酪类型等。另一种是序数类别ordinal categories：类别见的排序是有意义，如地震震级，有一定数量公寓的住宅小区，以及当地熟食店的薯条大小。
或者，在我们的案例中，Wine Magazine分配的某个评分的评论数量[ordinal categories]：
#统计各个得分的数目,直接显示：可以发现，第一个bar是87，第二个是88；按照数目多少排序的
reviews['points'].value_counts().plot.bar()
reviews['points'].value_counts().sort_index().plot.bar()
正如你所看到的，每个酿出的酒总分都在80到100之间。而且，如果我们相信葡萄酒杂志是一个品味良好的仲裁者，那么类别92就会比类别91更有意义地“更好”。
折线图Line charts
葡萄酒评论记分卡有20个不同的独特值可供填写，我们的条形图几乎不够。如果杂志评价0-100的话，有100个不同的类别，该怎么办？类别太多了，不适合用条形图处理！
在这种情况下，我们可以使用折线图代替条形图：
#统计各个得分的数目，将index排序-从小到大(显示更合理)
reviews['points'].value_counts().sort_index().plot.line()
折线图可以传递任意数量的单个取值[100类，1000类]，使其成为具有许多唯一值或类别的分布的首选工具[类别性数据，但是有许多许多可能值]。
但是，折线图有一个重要的缺点：与条形图不同，它们不适合名义分类数据。虽然条形图区分了点线图的每个“类型”，但它们将它们组合在一起。因此，折线图断言水平轴上的值的顺序，并且对于某些数据，顺序将没有意义。毕竟，从加利福尼亚到华盛顿到托斯卡纳的“下降”并不意味着什么！[折线图更适合于ordinal数据，具有一定的连续性，类别间的大小是有关系的，变化趋势也有一定的意义]。
折线图也使得区分单个值变得更加困难[连线]。
通常，如果你的数据可以放入条形图中，只需使用条形图！
面积图Area charts
面积图就是底部有阴影的折线图。
reviews['points'].value_counts().sort_index().plot.area()
当仅绘制一个变量时，面积图和折线图之间的差异主要是视觉方面上：一个底部有阴影，一个没有。在这种情况下，它们可以互换使用。
定距数据Interval data
定距变量的例子是太阳的温度。定距变量超出了序数分类变量：它具有有意义的顺序，在某种意义上我们可以量化两个条目之间的差异本身就是定距变量。
例如，如果我说这个样本的水是-20摄氏度，而另一个样本是120摄氏度，那么我可以量化它们之间的差异：140度“值”的热量。
有时差异可能是定性的。至少，能够如此清楚地陈述某些东西感觉比说“测量”要多得多，比如说，你会买这种酒而不是那种，因为这个在一些口味测试中得了92分而且只有一个得到了更确切地说，任何具有无限多个可能值的变量肯定是区间变量。
折线图适用于定距数据。条形图不行 - 除非你的测量能力非常有限，定距数据自然会有很大变化[取值太多]。
将一个新工具直方图应用到我们的数据集中的定距变量价格上（我们将价格降低到200美元一瓶一下）。
直方图Histograms
reviews[reviews['price'] < 200]['price'].plot.hist()
直方图看起来很简单，就像一个条形图。它基本上是！实际上，直方图是一种特殊的条形图，它将您的数据拆分为均匀间隔，并显示每个条形区域中有多少行。唯一的分析差异是，每个条形代表不是代表单个值，而是代表一个区间取值范围。
然而，直方图有一个主要缺点（之前我们筛选小于200美元的原因）。因为它们将空间分成均匀间隔[在变量price的取值范围内均匀划分成几个范围相同的区间，然后再进行统计画图]，所以它们不能很好地处理偏斜的数据：
reviews['price'].plot.hist()
这是之前排除大于200美元葡萄酒的真正原因;其中一些葡萄酒真的很贵！图表将“增长”以包含它们[扩大取值范围]，从而损害所显示的其余数据。
reviews[reviews['price'] > 1500]
从上面显示结果可以看出，葡萄酒价格高于1500美元的只有3个，数据严重倾斜。
有许多方法可以处理偏斜的数据问题;但这些超出了本教程的范围。最简单的方法就是：在合理的范围内筛选数据，删除不合理的数据。
这种现象在统计学上称为偏斜，并且是区间变量中相当常见的现象。
直方图最适用于没有偏斜的区间变量。它们对于像“points”这样的序数分类变量也很有效：
reviews['points'].plot.hist()
但是图表中出现了数据中不存在的取值，它只是表示一个范围区间。
原文链接：Click me
