一、視覺化為何如此重要

終於進入到視覺化的部分了！雖然現在有很多的繪圖軟體，但我認為初期用python自己畫出圖，可以增強自己的編碼能力。其實視覺化一直都是資料分析很重要的一環，我用下圖舉例，你就可以了解為什麼要做視覺化了。以下是我用卡方分配去挑選重要的特徵，得出來的結果。

假如你是個大學教授，學生在跟你報告的時候，你希望學生用一張圖解釋在資料中做了什麼發現了什麼（左圖），還是貼出一張程式碼逐行解釋每一行的功用，最後又貼出一張程式碼跑出來的分數（右圖）呢？
我想絕大多數會選擇左圖吧，教授要看到的只是做出來的結果，而不是程式碼怎麼執行的，就算程式coding有多厲害，沒有搭配圖表去解釋你的結果，就不能算是一個好的報告。

二、資料視覺化所涵蓋的統計概念

有一些基本的統計工具及工具圖必須要先了解，才能在畫圖的時候用對工具。

1.資料分配分為間斷型以及連續型

間斷型的機率質量函數圖形

1. 間斷型畫出來的圖形會像這樣，彼此之間不會相連，常見的間斷型資料是性別：男生在資料中佔幾個，女生佔幾個。
2. 而為何稱機率”質量“函數呢？因為他的機率函數值代表他的機率質量大小。意思就是函數值是多少機率值就是多少。因此稱為機率質量函數。

連續型的機率密度函數圖形

1. 連續型畫出來的圖形會是連續不間斷的。在資料中會遇到的，例如像台北市資產分佈，每天每小時的pm2.5濃度等......
2. 而為何稱機率”密度“函數呢？因為他的機率值必須求算他的面積才能得到。因此稱為機率密度函數。

2.各圖形所代表的意義及功用

1. 直方圖：將 一組數據分成數組後，依照各組距的範圍與次數，繪製成連續型資料之次數分布圖，通常可呈現等距及比率變數的資料
2. 長條圖：與 直方圖類似，但主要用以顯示類別資料的分布情形，因此條柱不相連。
   藉由將各組的標誌放在圖形的橫軸上，縱軸則為次數尺度或累積次數尺度等
3. 盒鬚圖：亦稱箱型圖(box-plot)，利用圖形呈現資料的中央趨勢與離散程度，不需繪製出實際的觀察值即可顯示所分配的總計統計量
4. 折線圖：由一條線連接數點以顯示序列，以圖表呈現資料分布的變化趨勢
5. 散佈圖：在多維空間中給出 p 個變數關係的點。由點的疏密程度和延展方向等分布特徵，初步瞭解變數的關係。

三、各類型基本圖表實作

1.直方圖

以鐵達尼號資料集為例

資料集來源：https://www.kaggle.com/c/titanic/data

index_survived = (train_df["Age"].isnull()==False)&(train_df["Survived"]==1)
index_died = (train_df["Age"].isnull()==False)&(train_df["Survived"]==0)

sns.distplot( train_df.loc[index_survived ,'Age'], bins=20, color='blue', label='Survived' )
sns.distplot( train_df.loc[index_died ,'Age'], bins=20, color='red', label='Survived' )

2.長條圖

以員工離職預測率重要程度為例

資料集來源：https://aidea-web.tw/topic/2f3ee780-855b-4ea7-8fc8-61f26447af1d

import seaborn as sns
fig = plt.figure(figsize=(10,12))         #畫布大小   
sns.barplot(a['Score'],a['Feature'])      #前面是X軸你要放的特徵 ，後面是Y軸你要放的東西

3.盒鬚圖

以員工離職預測“任職前工作平均年數”畫出盒鬚圖

可以看到右邊的點即為資料中的離群值

資料集來源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

import seaborn as sns
sns.boxplot(train['任職前工作平均年數'])

4.折線圖

畫出每個天氣特徵月的變化

資料集來源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

plt.style.use("ggplot")               # 使用ggplot主題樣式
plt.xticks(day)
#畫第多條線，plt.plot(x, y, c)參數分別為x軸資料、y軸資料、線顏色
plt.plot(e["month"],e["pm2.5"],c = colors[0])  
plt.plot(e["month"],e["DEWP"],c = colors[1])  
plt.plot(e["month"],e["TEMP"],c = colors[2])  
plt.plot(e["month"],e["PRES"],c = colors[3])  
plt.plot(e["month"],e["Iws"],c = colors[4])  
plt.plot(e["month"],e["Is"],c = colors[5])  
plt.plot(e["month"],e["Ir"],c = colors[6])  
# 設定圖例，參數為標籤、位置
plt.legend(labels=['pm2.5', 'DEWP', 'TEMP', 'PRES', 'Iws', 'Is','Ir'], loc = 'best')
plt.xlabel("months", fontweight = "bold")                # 設定x軸標題及粗體
plt.ylabel(" Average of feature", fontweight = "bold")    # 設定y軸標題及粗體
plt.title("2014 months average change", fontsize = 15, fontweight = "bold", y = 1.1)

5.散佈圖

以天氣資料為例，可以看到資料呈現負相關。

資料集來源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

plt.scatter(df_weather1["Temperature"],df_weather1["RH"])
plt.xlabel("Temperature") #X軸標簽
plt.ylabel("RH") #Y軸標簽
plt.grid(True)

6.相關係數熱力圖

透過相關係數的計算，我們可以將它已圖顯示出來最。可以更快找到資料彼此之間的關聯。

顏色越深代表關聯性越高。

資料集來源：https://www.kaggle.com/djhavera/beijing-pm25-data-data-set

corr_pd = train.corr() #先算出資料間彼此的相關係數
#使用seaborn做視覺化
import seaborn as sns
import matplotlib.pyplot as plt
# 指定畫幅
plt.figure(figsize=(8,6))
# 繪製熱力圖
sns.heatmap(corr_pd, cmap='YlGnBu')

四、結論

其實網路上有很多大神畫的圖都很漂亮，可以去上面看他們提供的程式碼，去研究他怎麼畫出來的，以下是這些網站的介紹。

• Plotly：這是一個套件，這個網站都有一些很酷的圖，且都有附上程式碼。
  網址： https://plotly.com/
• matplotlib：也是一個畫圖套件，一樣有各式各樣的圖，並附上程式碼
  網址： https://matplotlib.org/3.2.2/index.html