1、饼图 (pandas)

用于分析一种特征中两种数值所占比例。

train_data['Survived'].value_counts().plot.pie(autopct='%1.2f%%')

  

 

2、柱状图(pandas)

分析两维特征间的关系。

train_data[['Sex', 'Survived']].groupby(['Sex']).mean().plot.bar()

 

sns的柱状图(pandas)

sns.countplot('Embarked', hue='Survived', data=train_data)

 

 

3、直方图(pandas)

是一种可视化在连续间隔，或者是特定时间段内数据分布情况的图表。直方图描述的是一组数据的频次分布。

柱状图展示的不同分类的数量分布。

train_data['Age'].hist(bins=70)

 bins，数据划分的份数。

 

sns提供的直方图 (pandas, seaborn)

average_data = train_data[['age_int', 'Survived']].groupby('age_int', as_index=False).mean()sns.barplot(x='age_int', y='Survived', data=average_data)

 

 

5、琴图 (seaborn)

 在柱状图的基础上，琴图展示的内容可以更加丰富，可以同时展示三个数值间的关系。下图展示了不同Pclass下的不同年龄的生还和死亡的人数的比例。

琴图的黑线上，同时可以看到年龄的分布，黑线上粗线的两端表示年龄的最小和最大值，白色的点表示年龄的平均值。

用于分析这里使用seaborn（matplotlib的一个扩展库）

import seaborn as snssns.violinplot('Pclass', 'Age', hue='Survived', data=train_data, split=True, ax=ax[0])

 

 6、箱型图 (pandas)

 箱型图和琴图中的黑线表示类似。

a) 箱图的上下连个黑线：最小和最大值。

b) 中间方框的上下边缘：上四分位数和下四分位数。

c) 绿线：中位数

d) 圆点：异常值

showfilters，是否展示异常值。

train_data.boxplot(column='Age', showfliers=False)

train_data.boxplot(column='Fare', by='Pclass', showfliers=True)

7、密度图 (seaborn)

facet = sns.FacetGrid(train_data, hue='Survived', aspect=4)# kdeplot,密度图facet.map(sns.kdeplot, 'Age', shade=True)