以FIFA球员数据集为例，详解3大酷炫可视化技巧

很是好，在该图中可看到许多信息。

• 人为和代价高度相干。
• 大大都其余值也是相干的，然而“潜力”与“代价”的比的趋势是不通俗的。可以看到，当达到特定的隐藏阀值时，代价怎样呈指数增添。这些信息对建模很有辅佐，可以对“潜力”举办转换使其更具有相干性吗?

告诫：没有分类列!

在此基本上能做得更好吗?总能做到。

g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage','Club']],hue = 'Club') 

图上的信息许多，只需添加“hue”参数到分类变量“club”中即可。

• 波尔图队的人为分派趋向于人为少的那一端。
• 该图无法看出波尔图队球员代价的急剧漫衍，波尔图队的球员们老是在寻求机遇。
• 很多粉红点(代表切尔西队)在“潜力”和“人为”图上形成了一个集群。切尔西队有许多人为较低的高潜力球员，必要更多存眷。

还可从人为/代价子图中获取一些信息。

年薪50万的蓝点是梅西。另外，比梅西更有代价的橙点是内马尔。

尽量该能力如故不能办理分类题目，但尚有一些其余要领来研究分类变量漫衍，固然是个例。

分类散点图

怎样查察分类数据和数字数据之间的相关?

就像输入名字一样，输入分类散点图的图片。为每个种别绘制一组点，在y轴上轻微分手，以便于查察。

这是我们今朝绘制这种相关的首选要领。

g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7) 
# remove the top and right line in graph 
sns.despine() 
g.figure.set_size_inches(14,10) 
plt.show() 

分类散点图

为什么不消箱形图呢?中位数在哪?可以绘制出来吗?虽然可以。在顶部包围一个条形图，就获得了一个悦目标图形。

g = sns.boxplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, whis=np.inf) 
g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7,color = 'black') 
# remove the top and right line in graph 
sns.despine() 
g.figure.set_size_inches(12,8) 
plt.show() 

风趣的分类散点图+箱形图

很好，在图表上可看出各个点的漫衍和一些统计数据，并能明晰地相识人为差别。

图中最右边的点是梅西，这样一来，就不消通过图表下方的笔墨来声名。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!