以FIFA球员数据集为例，详解3大酷炫可视化技巧

非常好，在该图中可看到很多信息。

• 工资和价值高度相关。
• 大多数其它值也是相关的，然而“潜力”与“价值”的比的趋势是不寻常的。可以看到，当到达特定的潜在阀值时，价值如何呈指数增长。这些信息对建模很有帮助，可以对“潜力”进行转换使其更具有相关性吗?

警告：没有分类列!

在此基础上能做得更好吗?总能做到。

g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club') 

图上的信息很多，只需添加“hue”参数到分类变量“club”中即可。

• 波尔图队的工资分配趋向于工资少的那一端。
• 该图无法看出波尔图队球员价值的急剧分布，波尔图队的球员们总是在寻求机会。
• 许多粉红点(代表切尔西队)在“潜力”和“工资”图上形成了一个集群。切尔西队有很多工资较低的高潜力球员，需要更多关注。

还可从工资/价值子图中获取一些信息。

年薪50万的蓝点是梅西。此外，比梅西更有价值的橙点是内马尔。

尽管该技巧仍然不能解决分类问题，但还有一些其它方法来研究分类变量分布，虽然是个例。

分类散点图

如何查看分类数据和数字数据之间的关系?

就像输入名字一样，输入分类散点图的图片。为每个类别绘制一组点，在y轴上稍微分散，以便于查看。

这是我们目前绘制这种关系的首选方法。

g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7) 
# remove the top and right line in graph 
sns.despine() 
g.figure.set_size_inches(14,10) 
plt.show() 

分类散点图

为什么不用箱形图呢?中位数在哪?可以绘制出来吗?当然可以。在顶部覆盖一个条形图，就得到了一个好看的图形。

g = sns.boxplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, whis=np.inf) 
g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7,color = 'black') 
# remove the top and right line in graph 
sns.despine() 
g.figure.set_size_inches(12,8) 
plt.show() 

有趣的分类散点图+箱形图

很好，在图表上可看出各个点的分布和一些统计数据，并能明确地了解工资差异。

图中最右边的点是梅西，这样一来，就不用通过图表下方的文字来说明。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!