九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

作者：lemonbit

from Unsplash by @Mike Enerio

翻譯 | Lemon

來源 | Machine Learning Plus

23 直方密度線圖 （Density Curves with Histogram）

帶有直方圖的密度曲線匯集了兩個(gè)圖所傳達(dá)的集體信息，因此您可以將它們放在一個(gè)圖中而不是兩個(gè)圖中。

圖23

24 Joy Plot

Joy Plot允許不同組的密度曲線重疊，這是一種可視化大量分組數(shù)據(jù)的彼此關(guān)系分布的好方法。 它看起來很悅目，并清楚地傳達(dá)了正確的信息。 它可以使用基于 matplotlib 的 joypy 包輕松構(gòu)建。 （『Python數(shù)據(jù)之道』注：需要安裝 joypy 庫(kù)）

# !pip install joypy
# Python數(shù)據(jù)之道 備注
import joypy

# Import Data
mpg = pd.read_csv('https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv')

# Draw Plot
plt.figure(figsize=(16,10), dpi= 80)
fig, axes = joypy.joyplot(mpg, column=['hwy', 'cty'], by='class', ylim='own', figsize=(14,10))

# Decoration
plt.title('Joy Plot of City and Highway Mileage by Class', fontsize=22)
plt.show()

圖24

25 分布式包點(diǎn)圖 （Distributed Dot Plot）

分布式包點(diǎn)圖顯示按組分割的點(diǎn)的單變量分布。 點(diǎn)數(shù)越暗，該區(qū)域的數(shù)據(jù)點(diǎn)集中度越高。 通過對(duì)中位數(shù)進(jìn)行不同著色，組的真實(shí)定位立即變得明顯。

圖25

26 箱形圖 （Box Plot）

箱形圖是一種可視化分布的好方法，記住中位數(shù)、第25個(gè)第45個(gè)四分位數(shù)和異常值。 但是，您需要注意解釋可能會(huì)扭曲該組中包含的點(diǎn)數(shù)的框的大小。 因此，手動(dòng)提供每個(gè)框中的觀察數(shù)量可以幫助克服這個(gè)缺點(diǎn)。

例如，左邊的前兩個(gè)框具有相同大小的框，即使它們的值分別是5和47。 因此，寫入該組中的觀察數(shù)量是必要的。

圖26

27 包點(diǎn)+箱形圖 （Dot + Box Plot）

包點(diǎn)+箱形圖 （Dot + Box Plot）傳達(dá)類似于分組的箱形圖信息。 此外，這些點(diǎn)可以了解每組中有多少數(shù)據(jù)點(diǎn)。

# Import Data
df = pd.read_csv('https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv')

# Draw Plot
plt.figure(figsize=(13,10), dpi= 80)
sns.boxplot(x='class', y='hwy', data=df, hue='cyl')
sns.stripplot(x='class', y='hwy', data=df, color='black', size=3, jitter=1)

for i in range(len(df['class'].unique())-1):
    plt.vlines(i+.5, 10, 45, linestyles='solid', colors='gray', alpha=0.2)

# Decoration
plt.title('Box Plot of Highway Mileage by Vehicle Class', fontsize=22)
plt.legend(title='Cylinders')
plt.show()

圖27

28 小提琴圖 （Violin Plot）

小提琴圖是箱形圖在視覺上令人愉悅的替代品。 小提琴的形狀或面積取決于它所持有的觀察次數(shù)。 但是，小提琴圖可能更難以閱讀，并且在專業(yè)設(shè)置中不常用。

圖28

29 人口金字塔 （Population Pyramid）

人口金字塔可用于顯示由數(shù)量排序的組的分布。 或者它也可以用于顯示人口的逐級(jí)過濾，因?yàn)樗谙旅嬗糜陲@示有多少人通過營(yíng)銷渠道的每個(gè)階段。

# Read data
df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/email_campaign_funnel.csv')

# Draw Plot
plt.figure(figsize=(13,10), dpi= 80)
group_col = 'Gender'
order_of_bars = df.Stage.unique()[::-1]
colors = [plt.cm.Spectral(i/float(len(df[group_col].unique())-1)) for i in range(len(df[group_col].unique()))]

for c, group in zip(colors, df[group_col].unique()):
    sns.barplot(x='Users', y='Stage', data=df.loc[df[group_col]==group, :], order=order_of_bars, color=c, label=group)

# Decorations    
plt.xlabel('$Users$')
plt.ylabel('Stage of Purchase')
plt.yticks(fontsize=12)
plt.title('Population Pyramid of the Marketing Funnel', fontsize=22)
plt.legend()
plt.show()

圖29

30 分類圖 （Categorical Plots）

由 seaborn庫(kù) 提供的分類圖可用于可視化彼此相關(guān)的2個(gè)或更多分類變量的計(jì)數(shù)分布。

圖30

# Load Dataset
titanic = sns.load_dataset('titanic')

# Plot
sns.catplot(x='age', y='embark_town',
            hue='sex', col='class',
            data=titanic[titanic.embark_town.notnull()],
            orient='h', height=5, aspect=1, palette='tab10',
            kind='violin', dodge=True, cut=0, bw=.2)

圖30-2

五、組成 （Composition）

31 華夫餅圖 （Waffle Chart）

可以使用 pywaffle包 創(chuàng)建華夫餅圖，并用于顯示更大群體中的組的組成。

（『Python數(shù)據(jù)之道』注：需要安裝 pywaffle 庫(kù)）

圖31

圖31-2

32 餅圖 （Pie Chart）

餅圖是顯示組成的經(jīng)典方式。 然而，現(xiàn)在通常不建議使用它，因?yàn)轲W餅部分的面積有時(shí)會(huì)變得誤導(dǎo)。 因此，如果您要使用餅圖，強(qiáng)烈建議明確記下餅圖每個(gè)部分的百分比或數(shù)字。

# Import
df_raw = pd.read_csv('https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv')

# Prepare Data
df = df_raw.groupby('class').size()

# Make the plot with pandas
df.plot(kind='pie', subplots=True, figsize=(8, 8))
plt.title('Pie Chart of Vehicle Class - Bad')
plt.ylabel('')
plt.show()

圖32

圖32-2

33 樹形圖 （Treemap）

樹形圖類似于餅圖，它可以更好地完成工作而不會(huì)誤導(dǎo)每個(gè)組的貢獻(xiàn)。

（『Python數(shù)據(jù)之道』注：需要安裝 squarify 庫(kù)）

圖33

34 條形圖 （Bar Chart）

條形圖是基于計(jì)數(shù)或任何給定指標(biāo)可視化項(xiàng)目的經(jīng)典方式。 在下面的圖表中，我為每個(gè)項(xiàng)目使用了不同的顏色，但您通?？赡芟Ｍ麨樗许?xiàng)目選擇一種顏色，除非您按組對(duì)其進(jìn)行著色。 顏色名稱存儲(chǔ)在下面代碼中的all_colors中。 您可以通過在 plt.plot（）中設(shè)置顏色參數(shù)來更改條的顏色。

import random

# Import Data
df_raw = pd.read_csv('https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv')

# Prepare Data
df = df_raw.groupby('manufacturer').size().reset_index(name='counts')
n = df['manufacturer'].unique().__len__()+1
all_colors = list(plt.cm.colors.cnames.keys())
random.seed(100)
c = random.choices(all_colors, k=n)

# Plot Bars
plt.figure(figsize=(16,10), dpi= 80)
plt.bar(df['manufacturer'], df['counts'], color=c, width=.5)
for i, val in enumerate(df['counts'].values):
    plt.text(i, val, float(val), horizontalalignment='center', verticalalignment='bottom', fontdict={'fontweight':500, 'size':12})

# Decoration
plt.gca().set_xticklabels(df['manufacturer'], rotation=60, horizontalalignment= 'right')
plt.title('Number of Vehicles by Manaufacturers', fontsize=22)
plt.ylabel('# Vehicles')
plt.ylim(0, 45)
plt.show()

圖34

六、變化 （Change）

35 時(shí)間序列圖 （Time Series Plot）

時(shí)間序列圖用于顯示給定度量隨時(shí)間變化的方式。 在這里，您可以看到 1949年 至 1969年間航空客運(yùn)量的變化情況。

圖35

36 帶波峰波谷標(biāo)記的時(shí)序圖 （Time Series with Peaks and Troughs Annotated）

下面的時(shí)間序列繪制了所有峰值和低谷，并注釋了所選特殊事件的發(fā)生。

圖36

37 自相關(guān)和部分自相關(guān)圖 （Autocorrelation (ACF) and Partial Autocorrelation (PACF) Plot）

自相關(guān)圖（ACF圖）顯示時(shí)間序列與其自身滯后的相關(guān)性。 每條垂直線（在自相關(guān)圖上）表示系列與滯后0之間的滯后之間的相關(guān)性。圖中的藍(lán)色陰影區(qū)域是顯著性水平。 那些位于藍(lán)線之上的滯后是顯著的滯后。

那么如何解讀呢？

對(duì)于空乘旅客，我們看到多達(dá)14個(gè)滯后跨越藍(lán)線，因此非常重要。 這意味著，14年前的航空旅客交通量對(duì)今天的交通狀況有影響。

PACF在另一方面顯示了任何給定滯后（時(shí)間序列）與當(dāng)前序列的自相關(guān)，但是刪除了滯后的貢獻(xiàn)。

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# Import Data
df = pd.read_csv('https://github.com/selva86/datasets/raw/master/AirPassengers.csv')

# Draw Plot
fig, (ax1, ax2) = plt.subplots(1, 2,figsize=(16,6), dpi= 80)
plot_acf(df.traffic.tolist(), ax=ax1, lags=50)
plot_pacf(df.traffic.tolist(), ax=ax2, lags=20)

# Decorate
# lighten the borders
ax1.spines['top'].set_alpha(.3); ax2.spines['top'].set_alpha(.3)
ax1.spines['bottom'].set_alpha(.3); ax2.spines['bottom'].set_alpha(.3)
ax1.spines['right'].set_alpha(.3); ax2.spines['right'].set_alpha(.3)
ax1.spines['left'].set_alpha(.3); ax2.spines['left'].set_alpha(.3)

# font size of tick labels
ax1.tick_params(axis='both', labelsize=12)
ax2.tick_params(axis='both', labelsize=12)
plt.show()

圖37

38 交叉相關(guān)圖 （Cross Correlation plot）

交叉相關(guān)圖顯示了兩個(gè)時(shí)間序列相互之間的滯后。

圖38

39 時(shí)間序列分解圖 （Time Series Decomposition Plot）

時(shí)間序列分解圖顯示時(shí)間序列分解為趨勢(shì)，季節(jié)和殘差分量。

圖39

40 多個(gè)時(shí)間序列 （Multiple Time Series）

您可以繪制多個(gè)時(shí)間序列，在同一圖表上測(cè)量相同的值，如下所示。

圖40

41 使用輔助 Y 軸來繪制不同范圍的圖形 （Plotting with different scales using secondary Y axis）

如果要顯示在同一時(shí)間點(diǎn)測(cè)量?jī)蓚€(gè)不同數(shù)量的兩個(gè)時(shí)間序列，則可以在右側(cè)的輔助Y軸上再繪制第二個(gè)系列。

圖41

42 帶有誤差帶的時(shí)間序列 （Time Series with Error Bands）

如果您有一個(gè)時(shí)間序列數(shù)據(jù)集，每個(gè)時(shí)間點(diǎn)（日期/時(shí)間戳）有多個(gè)觀測(cè)值，則可以構(gòu)建帶有誤差帶的時(shí)間序列。 您可以在下面看到一些基于每天不同時(shí)間訂單的示例。 另一個(gè)關(guān)于45天持續(xù)到達(dá)的訂單數(shù)量的例子。

在該方法中，訂單數(shù)量的平均值由白線表示。 并且計(jì)算95％置信區(qū)間并圍繞均值繪制。

圖42

圖42-2

43 堆積面積圖 （Stacked Area Chart）

堆積面積圖可以直觀地顯示多個(gè)時(shí)間序列的貢獻(xiàn)程度，因此很容易相互比較。

圖43

44 未堆積的面積圖 （Area Chart UnStacked）

未堆積面積圖用于可視化兩個(gè)或更多個(gè)系列相對(duì)于彼此的進(jìn)度（起伏）。 在下面的圖表中，您可以清楚地看到隨著失業(yè)中位數(shù)持續(xù)時(shí)間的增加，個(gè)人儲(chǔ)蓄率會(huì)下降。 未堆積面積圖表很好地展示了這種現(xiàn)象。

# Import Data
df = pd.read_csv('https://github.com/selva86/datasets/raw/master/economics.csv')

# Prepare Data
x = df['date'].values.tolist()
y1 = df['psavert'].values.tolist()
y2 = df['uempmed'].values.tolist()
mycolors = ['tab:red', 'tab:blue', 'tab:green', 'tab:orange', 'tab:brown', 'tab:grey', 'tab:pink', 'tab:olive']      
columns = ['psavert', 'uempmed']

# Draw Plot
fig, ax = plt.subplots(1, 1, figsize=(16,9), dpi= 80)
ax.fill_between(x, y1=y1, y2=0, label=columns[1], alpha=0.5, color=mycolors[1], linewidth=2)
ax.fill_between(x, y1=y2, y2=0, label=columns[0], alpha=0.5, color=mycolors[0], linewidth=2)

# Decorations
ax.set_title('Personal Savings Rate vs Median Duration of Unemployment', fontsize=18)
ax.set(ylim=[0, 30])
ax.legend(loc='best', fontsize=12)
plt.xticks(x[::50], fontsize=10, horizontalalignment='center')
plt.yticks(np.arange(2.5, 30.0, 2.5), fontsize=10)
plt.xlim(-10, x[-1])

# Draw Tick lines  
for y in np.arange(2.5, 30.0, 2.5):    
    plt.hlines(y, xmin=0, xmax=len(x), colors='black', alpha=0.3, linestyles='--', lw=0.5)

# Lighten borders
plt.gca().spines['top'].set_alpha(0)
plt.gca().spines['bottom'].set_alpha(.3)
plt.gca().spines['right'].set_alpha(0)
plt.gca().spines['left'].set_alpha(.3)
plt.show()

圖44

45 日歷熱力圖 （Calendar Heat Map）

與時(shí)間序列相比，日歷地圖是可視化基于時(shí)間的數(shù)據(jù)的備選和不太優(yōu)選的選項(xiàng)。 雖然可以在視覺上吸引人，但數(shù)值并不十分明顯。 然而，它可以很好地描繪極端值和假日效果。

（『Python數(shù)據(jù)之道』注：需要安裝 calmap 庫(kù)）

圖45

46 季節(jié)圖 （Seasonal Plot）

季節(jié)圖可用于比較上一季中同一天（年/月/周等）的時(shí)間序列。

圖46

七、分組 （Groups）

47 樹狀圖 （Dendrogram）

樹形圖基于給定的距離度量將相似的點(diǎn)組合在一起，并基于點(diǎn)的相似性將它們組織在樹狀鏈接中。

import scipy.cluster.hierarchy as shc

# Import Data
df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/USArrests.csv')

# Plot
plt.figure(figsize=(16, 10), dpi= 80)  
plt.title('USArrests Dendograms', fontsize=22)  
dend = shc.dendrogram(shc.linkage(df[['Murder', 'Assault', 'UrbanPop', 'Rape']], method='ward'), labels=df.State.values, color_threshold=100)  
plt.xticks(fontsize=12)
plt.show()

圖47

48 簇狀圖 （Cluster Plot）

簇狀圖 （Cluster Plot）可用于劃分屬于同一群集的點(diǎn)。 下面是根據(jù)USArrests數(shù)據(jù)集將美國(guó)各州分為5組的代表性示例。 此圖使用“謀殺”和“攻擊”列作為X和Y軸。 或者，您可以將第一個(gè)到主要組件用作X軸和Y軸。

圖48

49 安德魯斯曲線 （Andrews Curve）

安德魯斯曲線有助于可視化是否存在基于給定分組的數(shù)字特征的固有分組。 如果要素（數(shù)據(jù)集中的列）無(wú)法區(qū)分組（cyl），那么這些線將不會(huì)很好地隔離，如下所示。

from pandas.plotting import andrews_curves

# Import
df = pd.read_csv('https://github.com/selva86/datasets/raw/master/mtcars.csv')
df.drop(['cars', 'carname'], axis=1, inplace=True)

# Plot
plt.figure(figsize=(12,9), dpi= 80)
andrews_curves(df, 'cyl', colormap='Set1')

# Lighten borders
plt.gca().spines['top'].set_alpha(0)
plt.gca().spines['bottom'].set_alpha(.3)
plt.gca().spines['right'].set_alpha(0)
plt.gca().spines['left'].set_alpha(.3)

plt.title('Andrews Curves of mtcars', fontsize=22)
plt.xlim(-3,3)
plt.grid(alpha=0.3)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.show()

圖49

50 平行坐標(biāo) （Parallel Coordinates）

平行坐標(biāo)有助于可視化特征是否有助于有效地隔離組。 如果實(shí)現(xiàn)隔離，則該特征可能在預(yù)測(cè)該組時(shí)非常有用。

圖50