探索性数据分析（EDA）的数据可视化 | 附代码

探索性数据分析（EDA）的数据可视化 | 附代码

引用

CSDN

1.

https://blog.csdn.net/weixin_38739735/article/details/136639924

数据可视化是探索性数据分析的重要组成部分，它有助于分析和可视化数据，以获得对数据分布、变量之间的关系和潜在异常值的启示性见解。Python具有丰富的库，可以快速高效地创建可视化。

常用的数据可视化类型

在Python中，通常使用以下几种类型的可视化进行探索性数据分析：

• 柱状图：用于显示不同类别之间的比较。
• 折线图：用于显示随时间或不同类别的趋势。
• 饼图：用于显示不同类别的比例或百分比。
• 直方图：用于显示单个变量的分布。
• 热图：用于显示不同变量之间的相关性。
• 散点图：用于显示两个连续变量之间的关系。
• 箱线图：用于显示变量的分布并识别异常值。

使用Python创建数据可视化的步骤

1. 理解业务问题：这是第一步，非常重要，因为我们将能够专注于获取正确的可视化。
2. 导入必要的库：导入必要的库，例如Pandas、Seaborn、Matplotlib、Plotly等。
3. 加载数据集：加载要可视化的数据集。
4. 数据清理和预处理：清理和预处理数据，删除缺失值、重复值和异常值。此外，将分类数据转换为数值数据。
5. 统计摘要：计算描述性统计量，例如均值、中位数、众数、标准差和相关系数，以了解变量之间的关系。
6. 数据可视化与解释：创建可视化图表以了解数据的分布、关系和模式。之后解释可视化结果，从中获得关于数据的启示性见解和结论。

实战案例：心脏病数据集分析

1. 理解业务问题

心血管疾病是全球死亡的主要原因。根据世界卫生组织的数据，每年约有1,790万人死于心脏病。其中85%的死亡是由心脏病发作和中风引起的。在本文中，我们将探索来自Kaggle的心脏病数据集，并使用Python创建用于探索性数据分析的数据可视化。

2. 导入必要的库

# import libraries
import pandas as pd
import numpy as np
# data visualization
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots  

3. 加载数据集

让我们将数据加载到一个Pandas DataFrame中，并开始探索它。

heart = pd.read_csv('heart.csv')  

4. 数据清理和预处理

数据清理的目的是准备好我们的数据进行分析和可视化。

# 检查是否存在任何空值
heart.isnull().sum().sort_values(ascending=False).head(11)  

# 检查重复值
heart.duplicated().sum()  

# 删除重复值
heart.drop_duplicates(keep='first', inplace=True)  

5. 统计摘要

# 获取数据集的统计摘要
heart.describe().T  

6. 数据可视化与解释

基于性别的数据可视化

# Compare Heart Attack vs Sex 
df = pd.crosstab(heart['output'],heart['sex'])
sns.set_style("white")
df.plot(kind="bar",
        figsize=(6,6),
        color=['#c64343', '#e1d3c1']);
plt.title("Heart Attack Risk vs Sex ", fontsize=16)
plt.xlabel("0 = Lower Risk                  1 = Higher Risk", fontsize=16)
plt.ylabel("Amount", fontsize=16)
plt.legend(["Female","Male"], fontsize=14)
plt.xticks(rotation=0)  

解释：男性患心脏病的风险更高。

基于年龄的数据可视化

plt.figure(figsize=(14,8))
sns.set(font_scale=1.2)
sns.set_style("white")
sns.countplot(x=heart["age"],
              palette='Reds')
plt.title("Count of Patients Age",fontsize=20)
plt.xlabel("Age",fontsize=16)
plt.ylabel("Count",fontsize=16)
plt.show()  

解释：大多数患者的年龄在50-60岁之间。其中，患者中年龄为58岁的人数最多。

基于胆固醇水平的数据可视化

# Attack vs Cholesterol analysis
sns.set(font_scale=1.3)
![](https://wy-static.wenxiaobai.com/chat-rag-image/7590726055022051658)
plt.figure(figsize=(8,6))
sns.set_style("white")
sns.distplot(heart[heart["output"]==0]["chol"],
             color="blue")
sns.distplot(heart[heart["output"]==1]["chol"],
             color="red")
plt.title("Heart Attack Risk vs Cholesterol", size=20)
plt.xlabel("Cholesterol Level", fontsize=16)
plt.ylabel("Density", fontsize=16)
plt.legend(["Lower Risk","Higher Risk"], fontsize=14)
plt.show()  

解释：

• 大多数患者的胆固醇水平在200-300之间。
• 随着年龄的增长，体内胆固醇水平增加的可能性很高。

基于胸痛类型的数据可视化

# 心脏病发作与胸痛类型的关系
df = pd.crosstab(heart3['cp'], heart['output'])
# 使交叉表更加直观
sns.set(font_scale=1.3)
sns.set_style("white")
df.plot(kind='bar',
figsize=(11,7),
color=['#e1d3c1', '#c64343']);
plt.title("心脏病发作风险与胸痛类型的关系", fontsize=20)
plt.xlabel("胸痛类型", fontsize=16)
![](https://wy-static.wenxiaobai.com/chat-rag-image/18403589849550363913)
plt.ylabel("数量", fontsize=16)
plt.legend(['低风险','高风险'], fontsize=14)
plt.xticks(rotation=0);  

解释：

• 大多数患者属于典型心绞痛类型。
• 非心绞痛患者患心脏病的风险更高。

基于相关性的数据可视化

plt.figure(figsize=(12,10))
sns.set(font_scale=0.9)
![](https://wy-static.wenxiaobai.com/chat-rag-image/4527517521766901360)
sns.heatmap(heart.corr(),
annot=True,
cmap='Reds')
plt.title("变量间的相关性", size=15)
plt.show()  

解释：
热图显示了以下变量之间的相关性：

• 胸痛类型（cp）和输出
• 达到的最大心率（thalachh）和输出
• 斜率（sp）和输出

我们还可以看到以下变量之间存在较弱的相关性：

• oldpeak：之前的峰值和输出
• caa：主要血管数量和输出
• exng：运动诱发性心绞痛

结论

在本文中，我们使用数据可视化来检查我们的数据集，创建了多个图表，如条形图、饼图、线图、直方图、热图。探索性数据分析（EDA）和数据可视化的主要目的是在做出任何假设之前帮助理解数据。它们帮助我们查看分布、摘要统计信息、变量之间的关系和异常值。