以FIFA球员数据集为例,详解3大酷炫可视化技巧

大数据 数据可视化
本文讨论了计算和读取不同变量类型之间的相关性、绘制数值数据之间的相关性、以及使用分类散点图绘制分类数据和数值数据之间的相关性。

可视化令数据一目了然。然而,成功的数据可视化往往很难实现。此外,向更多受众呈现这些可视化的数据,也需要耗费更多时间和精力。

大家都知道如何制作条形图、散点图和直方图,但却不注重美化它们。这在无形中会损害我们在同行和上级心中的可靠性。

此外,代码重用也很重要。你该不会想每次访问数据集都从头开始吧?利用一些可重用的图形能更快地找到你想要的信息。

[[265626]]

本文涉及三个实用的可视化工具:

  • 图形分类相关性
  • 散点图矩阵
  • 使用Seaborn的分类散点图注释和图注释

总的来说,本文会教大家制作一些好看又中用的图表。

本文将使用kaggle上的国际足联2019年完整的球员数据集,其***版数据库包括了每个注册在内的球员的详细信息。

由于该数据集有许多列,因此我们只关注分类列和连续列的子集。

  1. import numpy as np 
  2. import pandas as pd 
  3. import seaborn as sns 
  4. import matplotlib.pyplot as plt 
  5. %matplotlib inline 
  6. # We dont Probably need the Gridlines. Do we? If yes comment this line 
  7. sns.set(style="ticks"
  8. player_df = pd.read_csv("../input/data.csv") 
  9. numcols = [ 
  10.  'Overall', 
  11.  'Potential', 
  12. 'Crossing','Finishing',  'ShortPassing',  'Dribbling','LongPassing', 'BallControl', 'Acceleration', 
  13.        'SprintSpeed', 'Agility',  'Stamina', 
  14.  'Value','Wage'] 
  15. catcols = ['Name','Club','Nationality','Preferred Foot','Position','Body Type'] 
  16. # Subset the columns 
  17. player_dfplayer_df = player_df[numcols+ catcols] 
  18. # Few rows of data 
  19. player_df.head(5) 

球员数据

虽然该数据格式良好,但是因为工资和值列是以欧元为单位,并包含字符串,需要进行一些预处理,才能使它们为后续分析提供数值。

  1. def wage_split(x): 
  2.     try: 
  3.         return int(x.split("K")[0][1:]) 
  4.     except: 
  5.         return 0 
  6. player_df['Wage'] = player_df['Wage'].apply(lambda x : wage_split(x)) 
  7. def value_split(x): 
  8.     try: 
  9.         if 'M' in x: 
  10.             return float(x.split("M")[0][1:]) 
  11.         elif 'K' in x: 
  12.             return float(x.split("K")[0][1:])/1000 
  13.     except: 
  14.         return 0 
  15. player_df['Value'] = player_df['Value'].apply(lambda x : value_split(x)) 

图形分类相关性

简单来说,相关性是衡量两个变量如何一起运动的指标。

例如,在现实生活中,收入与支出呈正相关,其中一个变量随着另一个变量的增加而增加。

学习成绩和电子游戏的使用呈负相关,其中一个变量的增加意味着另一个变量的减少。

因此如果预测变量与目标变量呈正相关或负相关,那么该变量就有研究价值。

研究不同变量之间的相关性对于理解数据非常有意义。

使用Seaborn即可轻松创建出相当不错的关系图。

  1. corr = player_df.corr() 
  2. g = sns.heatmap(corr,  vmax=.3, center=0
  3.             square=Truelinewidths=.5, cbar_kws={"shrink": .5}, annot=Truefmt='.2f'cmap='coolwarm'
  4. sns.despine() 
  5. g.figure.set_size_inches(14,10) 
  6.  
  7. plt.show() 

所有的分类变量都去哪了?

你有注意到什么问题吗?

有问题,因为该图仅计算了数值列之间的相关性。

如果目标变量是club或position,会出现什么情况?

如果想得到三种不同情况之间的相关性,可使用以下相关性度量来计算。

1. 数值变量

该变量可通过Pearson相关性的方式得到,用于度量两个变量如何一起运动,范围为[-1,1]。

2. 分类变量

使用克莱姆V系数来分类案例。该系数是两个离散变量之间的相互关联,并与具有两个或多层次的变量一起使用。它也是一个对称的度量,因为变量的顺序无关紧要,即克莱姆(A,B)==克莱姆(B,A)。

例如,在数据集中,Club和Nationality一定有某种关联。

可用堆叠图来验证这一点,这是理解分类变量和分类变量间分布的一个***方法,因为在该数据中有很多国籍和俱乐部,所以使用数据的子集。

只保留***的球队(保留波尔图足球俱乐部只是为了让样本更加多样化)和最常见的国籍。

俱乐部偏好在很大程度上反映了“国籍”:了解前者有助于预测后者。

由图可知,英国球员更可能效力于切尔西队或曼联队,而不是在巴塞罗那队、拜仁慕尼黑队或波尔图队。

同理,克莱姆V系数也也捕获到了同样的信息。

如果所有俱乐部拥有的球员的国籍比例相同,那么克莱姆V系数则为0。

如果每个俱乐部偏好单一国籍的球员,则克莱姆系数V==1,例如,所有的英国球员在曼联队效力,所有的德国球员在拜仁慕尼黑队效力等等。

在所有其他情况下,范围则为[0,1]。

3. 数值变量和分类变量

对连续分类案例使用相关比率。

在不涉及太多数学的情况下,该变量用于离散程度的衡量。

如果给定一个数字,就能找出它的类别吗?

例如,假设数据集中有“SprintSpeed”和“Position”两列分类,那么:

  • 守门员:58(De Gea)、52(T. Courtois)、58(M. Neuer)、 43(G. Buffon)
  • 中后卫:68(D. Godin)、59(V. Kompany)、73(S. Umtiti)、 75(M. Benatia)
  • 前锋:91(C.Ronaldo)、94(G. Bale)、80(S.Aguero)、 76(R. Lewandowski)

由上可知,这些数字很好地预测了他们所处的位置,因此相关性很高。

如果某球员冲刺速度超过85,那么该球员肯定是前锋。

这个比率也在[0,1]之间。

执行此操作的代码取自dython包,代码不会很多,最终结果如下:

  1. player_dfplayer_df = player_df.fillna(0) 
  2. results = associations(player_df,nominal_columns=catcols,return_results=True

分类vs.分类、分类vs.数值、数值vs.数值,这些使图表更为有趣。

很美,不是吗?

只要看看数据,就能对足球有如此多的了解,例如:

  • 球员的位置与运球能力高度相关。总不能让梅西踢后卫吧!
  • 值与传球和控球的相关性比运球更高。规则是永远传球,正如内马尔的传球。
  • “俱乐部”和“收入”有很高的相关性并且可预测。
  • “体型”与“踢球偏好的脚”高度相关。这是否意味着如果某球员是瘦子,就很可能喜欢用左脚踢球?这可能没啥实际意义,需要进一步调查。

此外,通过这个简单的图表,就能找到上述这么多信息,这在没有分类变量的典型相关图中是见不到的。

大家可深入研究这张图表,得到更多有意义的结果,但关键是图表能让大家在现实生活中更容易找到某种规律。

散点图矩阵

虽然前文谈到了很多相关性,但它是一个变幻无常的指标,为了让大家理解,我们来看一个例子。

“Anscombe四重奏”由四个相关性几乎近似于1的数据集组成,但具有非常不同的数据分布,并且在绘制时呈现出非常不同的效果。

Anscombe四重奏:相关性变化无常

因此,有时绘制相关数据变得至关重要,并且需要单独查看分布。

现在数据集中有很多列,把它们全都绘制成图形会很费力。

其实只需几行代码就可以解决。

  1. filtered_player_df = player_df[(player_df['Club'].isin(['FC Barcelona', 'Paris Saint-Germain', 
  2.        'Manchester United', 'Manchester City', 'Chelsea', 'Real Madrid','FC Porto','FC Bayern München'])) &  
  3.                       (player_df['Nationality'].isin(['England', 'Brazil', 'Argentina', 
  4.        'Brazil', 'Italy','Spain','Germany']))  
  5.                      ] 
  6. # Single line to create pairplot 
  7. g = sns.pairplot(filtered_player_df[['Value','SprintSpeed','Potential','Wage']]) 

非常好,在该图中可看到很多信息。

  • 工资和价值高度相关。
  • 大多数其它值也是相关的,然而“潜力”与“价值”的比的趋势是不寻常的。可以看到,当到达特定的潜在阀值时,价值如何呈指数增长。这些信息对建模很有帮助,可以对“潜力”进行转换使其更具有相关性吗?

警告:没有分类列!

在此基础上能做得更好吗?总能做到。

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

图上的信息很多,只需添加“hue”参数到分类变量“club”中即可。

  • 波尔图队的工资分配趋向于工资少的那一端。
  • 该图无法看出波尔图队球员价值的急剧分布,波尔图队的球员们总是在寻求机会。
  • 许多粉红点(代表切尔西队)在“潜力”和“工资”图上形成了一个集群。切尔西队有很多工资较低的高潜力球员,需要更多关注。

还可从工资/价值子图中获取一些信息。

年薪50万的蓝点是梅西。此外,比梅西更有价值的橙点是内马尔。

尽管该技巧仍然不能解决分类问题,但还有一些其它方法来研究分类变量分布,虽然是个例。

分类散点图

如何查看分类数据和数字数据之间的关系?

就像输入名字一样,输入分类散点图的图片。为每个类别绘制一组点,在y轴上稍微分散,以便于查看。

这是我们目前绘制这种关系的***方法。

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

分类散点图

为什么不用箱形图呢?中位数在哪?可以绘制出来吗?当然可以。在顶部覆盖一个条形图,就得到了一个好看的图形。

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

有趣的分类散点图+箱形图

很好,在图表上可看出各个点的分布和一些统计数据,并能明确地了解工资差异。

图中最右边的点是梅西,这样一来,就不用通过图表下方的文字来说明。

该图可用来做演示,如果老板要求把梅西写在这张图上,那么就可加上图片注释。

  1. max_wage = filtered_player_df.Wage.max() 
  2. max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0] 
  3. g = sns.boxplot(y = "Club"
  4.               x = 'Wage',  
  5.               data = filtered_player_dfwhis=np.inf) 
  6. g = sns.swarmplot(y = "Club"
  7.               x = 'Wage',  
  8.               data = filtered_player_df
  9.               # Decrease the size of the points to avoid crowding  
  10.               size = 7,color='black'
  11. # remove the top and right line in graph 
  12. sns.despine() 
  13. # Annotate. xy for coordinate. max_wage is x and 0 is y. In this plot y ranges from 0 to 7 for each level 
  14. # xytext for coordinates of where I want to put my text 
  15. plt.annotate(s = max_wage_player
  16.              xy = (max_wage,0), 
  17.              xytext = (500,1),  
  18.              # Shrink the arrow to avoid occlusion 
  19.              arrowprops = {'facecolor':'gray', 'width': 3, 'shrink': 0.03}, 
  20.              backgroundcolor = 'white'
  21. g.figure.set_size_inches(12,8) 
  22. plt.show() 

 

带注释的统计信息和点群,可用于演讲中。

  • 看看该图下方的波尔图队,工资预算如此之小,难以和其它高收入的球队们竞争。
  • 皇马和巴塞罗那有许多高薪球员。
  • 曼联的工资中位数***。
  • 曼联和切尔西注重平等,许多球员的工资水平都差不多。
  • 虽然内马尔比梅西更受重视,但梅西和内马尔的工资差距巨大。

由此可知,在这个疯狂的世界中,有些正常只是表面的。

本文讨论了计算和读取不同变量类型之间的相关性、绘制数值数据之间的相关性、以及使用分类散点图绘制分类数据和数值数据之间的相关性。十分有趣的是,可以在Seaborn 中将图表元素叠加在一起。

责任编辑:赵宁宁 来源: 读芯术
相关推荐

2022-09-29 11:16:21

Python数据可视化

2022-08-17 09:01:16

数据可视化大数据

2021-12-30 12:02:52

Python可视化代码

2019-07-26 09:19:32

数据可视化架构

2018-03-21 12:13:47

工具数据开发

2022-04-13 09:01:53

Echart5绘制地图

2020-03-11 14:39:26

数据可视化地图可视化地理信息

2020-07-06 14:50:36

地图可视化Java

2017-10-14 13:54:26

数据可视化数据信息可视化

2023-12-27 10:47:45

Flask数据可视化开发

2024-02-26 12:02:37

Python数据可视化D3blocks

2023-04-26 15:27:11

JavaScript技巧元素

2020-10-22 08:52:52

Python数据集可视化

2021-09-26 16:20:04

Sentry Dashboards 数据可视化

2021-04-19 09:00:54

Python批量下载视频下载器

2020-09-18 16:37:59

数据可视化技术Python

2022-02-11 16:01:14

C语言技巧命令

2015-03-16 14:00:25

大数据误区大数据可视化大数据

2018-08-09 22:16:35

可视化数据集Groeger

2023-09-11 10:17:20

Go编程语言
点赞
收藏

51CTO技术栈公众号