作者|Soner Y?ld?r?m
編譯|VK
來源|Towards Data Science
探索性資料分析（EDA）是資料科學或機器學習管道的重要組成部分，為了使用資料創建一個健壯且有價值的產品，你需要研究資料，理解變數之間的關系，以及資料的底層結構，資料可視化是EDA中最有效的工具之一，
在這篇文章中，我們將嘗試使用可視化功能來研究客戶流失資料集：https://www.kaggle.com/sonalidasgupta95/churn-prediction-of-bank-customers
我們將創建許多不同的可視化效果，并嘗試在每一個可視化中引入Matplotlib或Seaborn庫的一個特性，
我們首先匯入相關庫并將資料集讀入pandas資料幀，
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style='darkgrid')
%matplotlib inline
df = pd.read_csv("/content/Churn_Modelling.csv")
df.head()
該資料集包含10000個客戶（即行）和14個關于銀行客戶及其產品的特征，這里的目標是使用所提供的特征來預測客戶是否會流失（即退出=1），
讓我們從catplot開始，這是Seaborn庫的一個分類圖，
sns.catplot(x='Gender', y='Age', data=https://www.cnblogs.com/panchuangai/p/df, hue='Exited', height=8, aspect=1.2)
研究發現：45到60歲的人比其他年齡段的人更容易離職（即離開公司），女性和男性之間沒有太大的差別，
hue引數用于根據類別變數區分資料點，
下一個可視化是散點圖，它顯示了兩個數值變數之間的關系，讓我們看看客戶的工資和余額是否相關，
plt.figure(figsize=(12,8))
plt.title("Estimated Salary vs Balance", fontsize=16)
sns.scatterplot(x='Balance', y='EstimatedSalary', data=https://www.cnblogs.com/panchuangai/p/df)
我們第一次使用matplotlib.pyplot介面來創建Figure物件并設定標題，然后，我們用Seaborn在這個圖形物件上畫出了實際的圖表，
研究結果：估計工資與余額之間不存在有意義的關系或相關性，余額似乎具有正態分布（不包括余額為零的客戶），
下一個可視化是箱線圖，它顯示了一個變數在中位數和四分位數上的分布，
plt.figure(figsize=(12,8))
ax = sns.boxplot(x='Geography', y='Age', data=https://www.cnblogs.com/panchuangai/p/df)
ax.set_xlabel("Country", fontsize=16)
ax.set_ylabel("Age", fontsize=16)
我們還使用set_xlabel和set_ylabel調整了x和y軸的字體大小，
以下是箱線圖：
中值是所有點排序時中間的點，Q1（第一個或下四分位數）是資料集下半部分的中值，Q3（第三或上四分位數）是資料集上半部分的中值，
因此，箱線圖為我們提供了關于分布和例外值的概念，在我們創建的箱線圖中，頂部有許多例外值（用點表示），
發現：年齡變數的分布是右偏的，由于上側的例外值，平均值大于中值，
在變數的單變數分布中可以觀察到右偏態，讓我們創建一個distplot來觀察分布，
plt.figure(figsize=(12,8))
plt.title("Distribution of Age", fontsize=16)
sns.distplot(df['Age'], hist=False)
右邊的尾巴比左邊的重，原因是我們在箱線圖上觀察到的例外值，
distplot在默認情況下也提供了一個直方圖，但是我們使用hist引數更改了它，
Seaborn庫還提供了不同型別的pair圖，這些圖提供了變數之間成對關系的概述，讓我們先從資料集中隨機抽取一個樣本，使曲線圖更具吸引力，原始資料集有10000個觀測值，我們將選取一個包含100個觀測值和4個特征的樣本，
subset=df[['CreditScore','Age','Balance','EstimatedSalary']].sample(n=100)
g = sns.pairplot(subset, height=2.5)
在對角線上，我們可以看到變數的直方圖，網格的另一部分表示變數與變數之間的關系，
另一個觀察成對關系的工具是熱圖，它采用矩陣并生成彩色編碼圖，熱圖主要用于檢查特征和目標變數之間的相關性，
讓我們首先使用pandas的corr函式創建一些特征的相關矩陣，
corr_matrix = df[['CreditScore','Age','Tenure','Balance',
'EstimatedSalary','Exited']].corr()
我們現在可以繪制這個矩陣，
plt.figure(figsize=(12,8))
sns.heatmap(corr_matrix, cmap='Blues_r', annot=True)
發現：“年齡”和“余額”列與客戶流失呈正相關，
隨著資料量的增加，分析和探索資料變得越來越困難，可視化是探索性資料分析中的一個重要工具，當它被有效和恰當地使用時，它就有了強大的力量，可視化也有助于向你的聽眾傳達資訊或告訴他們你的發現，
沒有一種適合所有型別的可視化方法，因此某些任務需要不同型別的可視化，根據任務的不同，不同的選擇可能更合適，所有可視化都有一個共同點，那就是它們是探索性資料分析和資料科學中講故事部分的好工具，
原文鏈接：https://towardsdatascience.com/a-practical-guide-for-data-visualization-9f1a87c0a4c2
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方檔案：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/4511.html
標籤：其他
上一篇：Spring IoC 到底是什么