由於不管是在做model或者分析人員視覺化都是非常重要的，因此今天會來說一些視覺化工具，一樣主要會使用三個資料集:

1. 看劇資料 (CRM資料)
2. 股票資料 (時間序列資料)
3. UCI 資料集

Python的視覺化package主要會使用，seaborn、Matplotlib、plotly等套件，下面視覺化程式。

情境一: 老闆說: 我想知道我們會員資料的Profile概況:

因為男女資料的原始資料通常為類別型資料
Ex:

所以可以直接使用seaborn做出Bar Chart

sb.countplot('gender',data=df_sex[['gender']])

或者，可以使用pie chart來表現性別比列

age.plot(kind='pie', subplots=True, figsize=(6, 6))

年齡的部分第一個可以嘗試使用histogram，看分佈：

sb.distplot(age['age'])

或者是使用treemap做一些不一樣的視覺化

squarify.plot(sizes=g['count'], label=g.index, alpha=.8)
plt.axis('off')
plt.show()

情境二: 老闆說: 我想知道我們目前最熱門的連續劇(產品)以及大致的profile狀況

這時，我們可以將bar放在一起並一次show給老闆看整個概況

fig, axs = plt.subplots(ncols=3,figsize=(16,8))
sb.barplot(x='count', y=top_drama.index, data=top_drama, ax=axs[0])
sb.barplot(x='count', y=top_age.index, data=top_age, ax=axs[1])
sb.barplot(x='count', y=top_sex.index, data=top_sex, ax=axs[2])

情境三: 老闆說: 我想做一些交叉分析，例如：知道劇 (產品) 的使用者年齡分佈

針對數值分析，我們會常用box chart來看分析，並且將針對不同的type的categorical資料進行分佈分析

Ex:

f, ax = plt.subplots(figsize=(8, 6))
sb.boxplot(x='event3', y="age", data=data)

情境四: 老闆說: 我想了解整個去年的產品價格趨勢

針對時間序列的資料，我們可以很輕易的直接利用line chart 或者 histogram 來呈現 (以0050為資料範例)

Ex:

plt.plot(stock[['High','Min']])
plt.legend(["High","Min"], loc=0)

Ex:

stock[['Close','High','Min']].plot(subplots = True)
plt.show()

情境五: 老闆： 我想知道不同參數之間的Correlation

對於分析，很常會使用Correlation chart或者heatmap來呈現圖。

這邊直接會使用常用的UCI - Car dataset來呈現

Ex:

sb.pairplot(mtcars,  diag_kind="kde")

![

或者可以使用heatmap將correlation matrix視覺化

corrmat = mtcars.corr()
f, ax = plt.subplots(figsize=(12, 9))
sb.heatmap(corrmat, annot=True)

資料視覺化以及EDA等，通常是需要花最長時間去處理，因為要了解Data，才能防止garbage in garbage out的狀況。所以當您對資料有任何假設，第一步可以馬上資料視覺化確認是否分佈如所想像的樣子。

小結：

今天的資料視覺化實戰到這邊，相信任和不管是Data Scientist或者Machine learning Scientist一定都要常常去視覺化資料或者模型結果去跟老闆溝通，視覺化工具對於和他人溝通是非常重要的工具，希望這篇對大家有幫助，感謝您漫長的閱讀，若有任何問題都歡迎在下方提出討論，感謝您～

一天一梗圖