python數據可視化案例——平行坐標系(使用pyecharts或pandas)

 

平行坐標是可視化高維幾何和分析多元數據的常用方法。

為了在n維空間中顯示一組點，繪制由n條平行線組成的背景，通常是垂直且等距的。所述的點N 維空間被表示為折線與頂點在平行的軸線； 第i 軸上頂點的位置對應於該點的第i個坐標。

此可視化與時間序列可視化密切相關，除了它應用於軸與時間點不對應的數據，因此沒有自然順序。因此，不同的軸布置可能是有意義的。

一、平行坐標圖

平行坐標圖（parallel coordinates plot）是對於具有多個屬性問題的一種可視化方法，下圖為平行坐標圖的基本樣式，數據集的一行數據在平行坐標圖中用一條折線表示，縱向是屬性值，橫向是屬性類別（用索引表示），如下圖，一條數據[1 3 2 4]對應圖中的折線。這條折線是根據屬性的索引值和屬性值畫出來的。

 二、平行坐標圖的解讀

首先我們用不同的顏色來標識不同的標簽，那么關於屬性與標簽之間的關系，我們可以從圖中獲得哪些信息？

（1）折線走勢“陡峭”與“低谷”只是表示在該屬性上屬性值的變化范圍的大小，對於標簽分類不具有決定意義，但是“陡峭“的屬性上屬性值間距較大，視覺上更容易區分出不同的標簽類別

（2）標簽的分類主要看相同顏色的折線是否集中，若在某個屬性上相同顏色折線較為集中，不同顏色有一定的間距，則說明該屬性對於預測標簽類別有較大的幫助

（3）若某個屬性上線條混亂，顏色混雜，則較大可能該屬性對於標簽類別判定沒有價值
————————————————
版權聲明：本文為CSDN博主「x-dusk」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/wyfcode/article/details/82587440

python數據可視化代碼和案列

import matplotlib.pyplot as plt
import pandas as pd from pandas.tools.plotting import parallel_coordinates data = pd.read_csv('E:/ProgramData/Anaconda3/pkgs/pandas-0.23.0-py36h830ac7b_0/Lib/site-packages/pandas/tests/data/iris.csv') data_1 =data[['Name','SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth']] parallel_coordinates(data_1,'Name') plt.legend(loc='upper center', bbox_to_anchor=(0.5,-0.1),ncol=3,fancybox=True,shadow=True) plt.show()

 

 

 

from pyecharts import options as opts
from pyecharts.charts import Page, Parallel


data = [
    [1, 91, 45, 125, 0.82, 34],
    [2, 65, 27, 78, 0.86, 45],
    [3, 83, 60, 84, 1.09, 73],
    [4, 109, 81, 121, 1.28, 68],
    [5, 106, 77, 114, 1.07, 55],
    [6, 109, 81, 121, 1.28, 68],
    [7, 106, 77, 114, 1.07, 55],
    [8, 89, 65, 78, 0.86, 51, 26],
    [9, 53, 33, 47, 0.64, 50, 17],
    [10, 80, 55, 80, 1.01, 75, 24],
    [11, 117, 81, 124, 1.03, 45],
]
c = (
    Parallel()
    .add_schema(
        [
            {"dim": 0, "name": "data"},
            {"dim": 1, "name": "AQI"},
            {"dim": 2, "name": "PM2.5"},
            {"dim": 3, "name": "PM10"},
            {"dim": 4, "name": "CO"},
            {"dim": 5, "name": "NO2"},
        ]
    )
    .add("parallel", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="Parallel-基本示例"))
)
    
c.render("平行坐標系圖1.html") 
    
  

 

 

from pyecharts import options as opts
from pyecharts.charts import Page, Parallel



data = [
    [1, 91, 45, 125, 0.82, 34, 23, "良"],
    [2, 65, 27, 78, 0.86, 45, 29, "良"],
    [3, 83, 60, 84, 1.09, 73, 27, "良"],
    [4, 109, 81, 121, 1.28, 68, 51, "輕度污染"],
    [5, 106, 77, 114, 1.07, 55, 51, "輕度污染"],
    [6, 109, 81, 121, 1.28, 68, 51, "輕度污染"],
    [7, 106, 77, 114, 1.07, 55, 51, "輕度污染"],
    [8, 89, 65, 78, 0.86, 51, 26, "良"],
    [9, 53, 33, 47, 0.64, 50, 17, "良"],
    [10, 80, 55, 80, 1.01, 75, 24, "良"],
    [11, 117, 81, 124, 1.03, 45, 24, "輕度污染"],
    [12, 99, 71, 142, 1.1, 62, 42, "良"],
    [13, 95, 69, 130, 1.28, 74, 50, "良"],
    [14, 116, 87, 131, 1.47, 84, 40, "輕度污染"],
]
c = (
    Parallel()
    .add_schema(
        [
            opts.ParallelAxisOpts(dim=0, name="data"),
            opts.ParallelAxisOpts(dim=1, name="AQI"),
            opts.ParallelAxisOpts(dim=2, name="PM2.5"),
            opts.ParallelAxisOpts(dim=3, name="PM10"),
            opts.ParallelAxisOpts(dim=4, name="CO"),
            opts.ParallelAxisOpts(dim=5, name="NO2"),
            opts.ParallelAxisOpts(dim=6, name="CO2"),
            opts.ParallelAxisOpts(
                dim=7,
                name="等級",
                type_="category",
                data=["優", "良", "輕度污染", "中度污染", "重度污染", "嚴重污染"],
            ),
        ]
    )
    .add("parallel", data)
    .set_global_opts(title_opts=opts.TitleOpts(title="Parallel-Category"))
)
        
c.render("平行坐標系圖2.html") 
    

 

 

 pyecharts畫圖更多請查看官方文檔：

http://pyecharts.org/#/zh-cn/basic_charts?id=parallel%EF%BC%9A%E5%B9%B3%E8%A1%8C%E5%9D%90%E6%A0%87%E7%B3%BB