Inhaltsverzeichnis
Lies den Iris-Datensatz
Sehen Sie sich den an Datensatz Die ersten paar Zeilen
Zeigen Sie die grundlegenden Informationen des Datensatzes an
Zeichne ein Histogramm
Zeichnen Sie ein Histogramm
Zeichnen Sie ein Streudiagramm
Berechnen Sie die Korrelationskoeffizientenmatrix zwischen Variablen
Heatmap zeichnen
Zeichnen Sie die Streumatrix
Zeichnen Sie parallele Koordinatendiagramme
Heim Backend-Entwicklung Python-Tutorial So führen Sie Datenvisualisierung und -exploration in Python durch

So führen Sie Datenvisualisierung und -exploration in Python durch

Oct 21, 2023 am 08:58 AM
python 数据可视化 探索

So führen Sie Datenvisualisierung und -exploration in Python durch

Wie man Datenvisualisierung und -exploration in Python durchführt

Datenvisualisierung und -exploration ist einer der wichtigen Aspekte der Datenanalyse. Mithilfe verschiedener leistungsstarker Bibliotheken und Tools in Python können wir Datenvisualisierung und -exploration problemlos durchführen. In diesem Artikel werden häufig verwendete Datenvisualisierungsbibliotheken und -techniken in Python vorgestellt und spezifische Codebeispiele gegeben.

  1. Einführung
    Datenvisualisierung ist eine Methode, abstrakte Daten auf intuitive und leicht verständliche Weise darzustellen. Durch Visualisierung können wir die Verteilung, Beziehungen und Eigenschaften von Daten besser verstehen. Es gibt viele Bibliotheken und Tools zur Datenvisualisierung in Python, wie zum Beispiel Matplotlib, Seaborn, Plotly usw.
  2. Datenvorbereitung
    Bevor Sie die Datenvisualisierung durchführen, müssen Sie zunächst die zu analysierenden Daten vorbereiten. Dieser Artikel verwendet den Iris-Datensatz als Beispiel. Der Iris-Datensatz ist ein klassischer Datensatz in der UCI-Bibliothek für maschinelles Lernen. Er enthält 150 Proben von drei Arten von Irisblüten (Setosa, Versicolor und Virginica). Merkmale (Kelchblattlänge, Kelchblattbreite, Blütenblattlänge, Blütenblattbreite) sind enthalten.

Zuerst müssen Sie die Pandas-Bibliothek für die Datenverarbeitung und -analyse installieren. Verwenden Sie dann den folgenden Code, um den Iris-Datensatz zu lesen und sich auf die einfache Datenvisualisierung vorzubereiten:

Pandas als pd importieren

Lies den Iris-Datensatz

iris_data = pd.read_csv('iris.csv')

Sehen Sie sich den an Datensatz Die ersten paar Zeilen

print(iris_data.head())

Zeigen Sie die grundlegenden Informationen des Datensatzes an

print(iris_data.info())

  1. Univariate Datenvisualisierung
    Univariate Datenvisualisierung bezieht sich auf die Verteilung einer einzelnen Variablen Visualisierung. Zu den häufig verwendeten Methoden gehören Histogramme, Histogramme und Boxplots.

Am Beispiel der Sepal-Länge lautet das Codebeispiel für die Verwendung der Matplotlib-Bibliothek zum Zeichnen eines Histogramms wie folgt:

import matplotlib.pyplot as plt

Zeichne ein Histogramm

plt.bar(iris_data['Species' ], iris_data['Sepal length'])
plt.xlabel('Species') # Legen Sie die Beschriftung der x-Achse fest
plt.ylabel('Sepal length') # Legen Sie die Beschriftung der y-Achse fest
plt.title('Distribution of Sepal length') # Legen Sie den Diagrammtitel fest
plt.show()

Darüber hinaus können Sie die Seaborn-Bibliothek auch zum Zeichnen von Histogrammen und Boxplots verwenden. Das Folgende ist ein Codebeispiel zum Zeichnen eines Histogramms:

Seaborn als SNS importieren

Zeichnen Sie ein Histogramm

sns.histplot(data=iris_data, x='Sepal length', kde=True)
plt.xlabel('Sepal length' ) # Legen Sie die Beschriftung der x-Achse fest
plt.ylabel('Count') # Legen Sie die Beschriftung der y-Achse fest
plt.title('Distribution of Sepal length') # Legen Sie den Diagrammtitel fest
plt.show()

  1. Duale Variablendatenvisualisierung
    Unter bivariater Datenvisualisierung versteht man die Visualisierung der Beziehung zwischen zwei Variablen. Zu den häufig verwendeten Methoden gehören Streudiagramme und Wärmekarten.

Am Beispiel der Kelchblattlänge und der Blütenblattlänge lautet das Codebeispiel für die Verwendung der Matplotlib-Bibliothek zum Zeichnen eines Streudiagramms wie folgt:

Zeichnen Sie ein Streudiagramm

plt.scatter(iris_data['Sepal length'], iris_data['Blütenblattlänge' ])
plt.xlabel('Kelchblattlänge') # Legen Sie die Beschriftung der x-Achse fest
plt.ylabel('Blütenblattlänge') # Legen Sie die Beschriftung der y-Achse fest
plt.title('Beziehung zwischen Kelchblattlänge und Blütenblattlänge') # Legen Sie den Diagrammtitel fest
plt.show()

Darüber hinaus können Sie die Seaborn-Bibliothek auch verwenden, um eine Wärmekarte zu zeichnen, um die Korrelation zwischen Variablen anzuzeigen. Das Folgende ist ein Codebeispiel zum Zeichnen einer Wärmekarte:

Berechnen Sie die Korrelationskoeffizientenmatrix zwischen Variablen

correlation_matrix = iris_data[['Kelchblattlänge', 'Kelchblattbreite', 'Blütenblattlänge', 'Blütenblattbreite']]. corr( )

Heatmap zeichnen

sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Correlation Matrix')
plt.show()

  1. Multivariable Datenvisualisierung
    Multivariable Unter Datenvisualisierung versteht man die Visualisierung der Beziehung zwischen mehreren Variablen. Zu den häufig verwendeten Methoden gehören Streumatrizen und parallele Koordinatendiagramme.

Am Beispiel der vier Funktionen des Iris-Datensatzes lautet das Codebeispiel für die Verwendung der Seaborn-Bibliothek zum Zeichnen der Streumatrix wie folgt:

Zeichnen Sie die Streumatrix

sns.pairplot(iris_data, hue ='Species')
plt.show ()

Darüber hinaus können Sie auch die Plotly-Bibliothek zum Zeichnen paralleler Koordinatendiagramme verwenden. Das Folgende ist ein Codebeispiel zum Zeichnen paralleler Koordinatendiagramme:

plotly.express als px importieren

Zeichnen Sie parallele Koordinatendiagramme

fig = px.parallel_coordinates(iris_data, color='Species')
fig.show()

Zusammenfassung
Dieser Artikel stellt Methoden der Datenvisualisierung und -exploration in Python vor und gibt spezifische Codebeispiele. Durch Datenvisualisierung und -exploration können wir die Verteilung, Beziehungen und Eigenschaften von Daten besser verstehen und so eine Grundlage und Anleitung für die nachfolgende Datenanalyse und -modellierung bereitstellen. In praktischen Anwendungen können auch geeignete Visualisierungsmethoden und -technologien basierend auf spezifischen Anforderungen und Dateneigenschaften ausgewählt werden, um den Wert von Daten weiter zu untersuchen.

Das obige ist der detaillierte Inhalt vonSo führen Sie Datenvisualisierung und -exploration in Python durch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
2 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Repo: Wie man Teamkollegen wiederbelebt
1 Monate vor By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Abenteuer: Wie man riesige Samen bekommt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Kann der Python -Dolmetscher im Linux -System gelöscht werden? Kann der Python -Dolmetscher im Linux -System gelöscht werden? Apr 02, 2025 am 07:00 AM

In Bezug auf das Problem der Entfernung des Python -Dolmetschers, das mit Linux -Systemen ausgestattet ist, werden viele Linux -Verteilungen den Python -Dolmetscher bei der Installation vorinstallieren, und verwendet den Paketmanager nicht ...

Wie löst ich das Problem der Erkennung von kundenspezifischen Dekoratoren in Python? Wie löst ich das Problem der Erkennung von kundenspezifischen Dekoratoren in Python? Apr 02, 2025 am 06:42 AM

Lösung für die Erkennung von Pylanztypen bei der Verwendung des benutzerdefinierten Dekorators in der Python -Programmierung ist Decorator ein leistungsstarkes Werkzeug, mit dem Zeilen hinzugefügt werden können ...

Wie löste ich Berechtigungsprobleme bei der Verwendung von Python -Verssionsbefehl im Linux Terminal? Wie löste ich Berechtigungsprobleme bei der Verwendung von Python -Verssionsbefehl im Linux Terminal? Apr 02, 2025 am 06:36 AM

Verwenden Sie Python im Linux -Terminal ...

Python 3.6 Laden Sie Giftedatei Fehler ModulenotFoundError: Was soll ich tun, wenn ich die Gurkendatei '__builtin__' lade? Python 3.6 Laden Sie Giftedatei Fehler ModulenotFoundError: Was soll ich tun, wenn ich die Gurkendatei '__builtin__' lade? Apr 02, 2025 am 06:27 AM

Laden Sie die Gurkendatei in Python 3.6 Umgebungsfehler: ModulenotFoundError: Nomodulenamed ...

Teilen Fastapi und AIOHTTP dieselbe globale Ereignisschleife? Teilen Fastapi und AIOHTTP dieselbe globale Ereignisschleife? Apr 02, 2025 am 06:12 AM

Kompatibilitätsprobleme zwischen asynchronen Python -Bibliotheken in Python, asynchrones Programmieren ist zum Prozess der hohen Parallelität und der I/O geworden ...

Was soll ich tun, wenn das Modul '__builtin__' beim Laden der Gurkendatei in Python 3.6 nicht gefunden wird? Was soll ich tun, wenn das Modul '__builtin__' beim Laden der Gurkendatei in Python 3.6 nicht gefunden wird? Apr 02, 2025 am 07:12 AM

Laden Sie Gurkendateien in Python 3.6 Umgebungsbericht Fehler: ModulenotFoundError: Nomodulennamen ...

Wie kann ich sicherstellen, dass der Kinderprozess auch endet, nachdem er den übergeordneten Prozess über Signal in Python getötet hat? Wie kann ich sicherstellen, dass der Kinderprozess auch endet, nachdem er den übergeordneten Prozess über Signal in Python getötet hat? Apr 02, 2025 am 06:39 AM

Das Problem und die Lösung des Kinderprozesses werden weiterhin ausgeführt, wenn Signale zum Töten des übergeordneten Prozesses verwendet werden. In der Python -Programmierung, nachdem er den übergeordneten Prozess durch Signale getötet hatte, ist der Kinderprozess immer noch ...

See all articles