Python实现数据可视化的3大步骤，保姆级讲解

目录

前言

一、哪三个步骤？

1、Python实现可视化的三个步骤：

 2、主要画图库

二、步骤详解

1、确定问题，选择图形

2、转换数据，应用函数

3、参数设置，一目了然

---

前言

数据可视化主要旨在借助于图形化手段，清晰有效地传达与沟通信息，也就是说可视化的存在是为了帮助我们更好的去传递信息。

本文主要讲述实现数据可视化的三个步骤，希望可以对正在学习或者从事数据分析的你有帮助。

---

一、哪三个步骤？

1、Python实现可视化的三个步骤：

• 确定问题，选择图形
• 转换数据，应用函数
• 参数设置，一目了然

 2、主要画图库

• matplotlib

Python中最基本的作图库就是matplotlib，是一个最基础的Python可视化库，一般都是从matplotlib上手Python数据可视化，然后开始做纵向与横向拓展。

• Seaborn

是一个基于matplotlib的高级可视化效果库，针对的点主要是数据挖掘和机器学习中的变量特征选取，seaborn可以用短小的代码去绘制描述更多维度数据的可视化效果图。

• 其他库

Bokeh是一个用于做浏览器端交互可视化的库，实现分析师与数据的交互；Mapbox处理地理数据引擎更强的可视化工具库。

二、步骤详解

1、确定问题，选择图形

业务可能很复杂，但是经过拆分，我们要找到我们想通过图形表达什么具体问题。分析思维的训练可以学习《麦肯锡方法》和《金字塔原理》中的方法。

这是一张关于图表类型选择的总结：

在Python中，可以总结为以下四种基本视觉元素来展现图形：

• 点：scatter plot 二维数据，适用于简单二维关系；

• 线：line plot 二维数据，适用于时间序列；

• 柱状：bar plot 二维数据，适用于类别统计；

• 颜色：heatmap 适用于展示第三维度；

数据间存在分布，构成，比较，联系以及变化趋势等关系。对应不一样的关系，选择相应的图形进行展示。

2、转换数据，应用函数

数据分析和建模方面的大量编程工作都是用在数据准备的基础上的：加载、清理、转换以及重塑。我们可视化步骤也需要对数据进行整理，转换成我们需要的格式再套用可视化方法完成作图。

下面是一些常用的数据转换方法：

• 合并：merge，concat，combine_frist(类似于数据库中的全外连接)

• 重塑：reshape；轴向旋转：pivot（类似excel数据透视表）

• 去重：drop_duplicates

• 映射：map

• 填充替换：fillna,replace

• 重命名轴索引：rename

将分类变量转换‘哑变量矩阵’的get_dummies函数以及在df中对某列数据取限定值等等

函数则根据第一步中选择好的图形，去找Python中对应的函数。

3、参数设置，一目了然

原始图形画完后，我们可以根据需求修改颜色（color），线型（linestyle），标记（maker）或者其他图表装饰项标题（Title），轴标签（xlabel，ylabel），轴刻度（set_xticks），还有图例（legend）等，让图形更加直观。