pokemon

引入依赖和数据

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

import os
path = os.path.expanduser('~/data/cbcpv/pokemon/')

df = pd.read_csv(path + 'pokemon.csv', index_col=0, encoding='cp1252')

探索数据

df.sample(5)

OUT:

	Name	Type 1	Type 2	Total	HP	Attack	Defense	Sp. Atk	Sp. Def	Speed	Stage	Legendary
#
75	Graveler	Rock	Ground	390	55	95	115	45	45	35	2	False
82	Magneton	Electric	Steel	465	50	60	95	120	70	70	2	False
79	Slowpoke	Water	Psychic	315	90	65	65	40	40	15	1	False
123	Scyther	Bug	Flying	500	70	110	80	55	80	105	1	False
9	Blastoise	Water	NaN	530	79	83	100	85	105	78	3	False

对比并了解下数据集的各个特征类型:

df.info()

# OUT
<class 'pandas.core.frame.DataFrame'>
Int64Index: 151 entries, 1 to 151
Data columns (total 12 columns):
 #   Column     Non-Null Count  Dtype 
---  ------     --------------  ----- 
 0   Name       151 non-null    object
 1   Type 1     151 non-null    object
 2   Type 2     67 non-null     object
 3   Total      151 non-null    int64 
 4   HP         151 non-null    int64 
 5   Attack     151 non-null    int64 
 6   Defense    151 non-null    int64 
 7   Sp. Atk    151 non-null    int64 
 8   Sp. Def    151 non-null    int64 
 9   Speed      151 non-null    int64 
 10  Stage      151 non-null    int64 
 11  Legendary  151 non-null    bool  
dtypes: bool(1), int64(8), object(3)
memory usage: 14.3+ KB

可以看到Type 2这个特征有缺失值, 其他的没有, 而且显示的为正数型, 很符合数据分析的要求.

接下来用散点图研究特征Attack和 Defense的关系

sns.lmplot(
  x='Attack',
  y='Defense',
  data=df,
  fit_reg=False,
  hude='Stage'
)

我们这里参数使用了fit_reg=False, 隐藏了回归线. 在 Seaborn 中是没有单独绘制散点图的方法的,但是通过参数设置,实现了散点图的绘制.如果此参数设置为True

接下来用箱线图看下各特征数据分布:

sns.boxplot(data=df)

这个结果显示出, Total, Stage以及Legendary特征的数据是不适合在这里绘制散点图的, 需要对特征进行适当选择

stats_df=df.drop(['Total', 'Stage', 'Legendary'], axis=1)
sns.boxplot(data=stats_df)

这样,比较清晰的看出几个特征的数据分布情况了, 非数字的特征自动摒弃.

在研究 Seaborn, 我们知道还有用 i 中研究数据分布的函数sns.violinplot, 我们尝试用它绘制特征Attack相对于特征Type 1的数据(这是一个分类行特征)的分布.

df['Type 1'].unique()

# OUT
array(['Grass', 'Fire', 'Water', 'Bug', 'Normal', 'Poison', 'Electric',
       'Ground', 'Fairy', 'Fighting', 'Psychic', 'Rock', 'Ghost', 'Ice',
       'Dragon'], dtype=object)

上面显示了特征Type 1中唯一数据, 即数据的值.

sns.set(
  style='whitegrid',
  rc={
    'rigure.figsize':(11.7, 8.27) # 设置了画布的尺寸
  }
)
pkmn_type_colors=[
  '#78C850',  # Grass
  '#F08030',  # Fire
  '#6890F0',  # Water
  '#A8B820',  # Bug
  '#A8A878',  # Normal
  '#A040A0',  # Poison
  '#F8D030',  # Electric
  '#E0C068',  # Ground
  '#EE99AC',  # Fairy
  '#C03028',  # Fighting
  '#F85888',  # Psychic
  '#B8A038',  # Rock
  '#705898',  # Ghost
  '#98D8D8',  # Ice
  '#7038F8',  # Dragon
]
sns.violinplot(
  x='Type 1',
  y='Attack',
  data=df,
  inner=None, # 去掉提琴图中的竖线
  palette=pkmn_type_colors
)
sns.swarmplot(
  x='Type 1',
  y='Attack',
  color='k', # 数据的点的颜色
  alpha=0.7 
)
plt.title('Attack by Type')

pkmn_type_colors是一个列表, 列出的颜色对应着特征Type 1中的唯一值.

因为去掉了提琴图内部的竖线,所以整个图没有太乱, 想知道有竖线的是什么样子, 可以注释掉inner=None这个参数.

之前我们删除了三个特征得到了一个变量stats_df引用的数据集:

stats_df.sample()

OUT:

	Name	Type 1	Type 2	HP	Attack	Defense	Sp. Atk	Sp. Def	Speed
#
128	Tauros	Normal	NaN	75	100	95	40	70	110

数据结果中看出来, 特征HP Attack Defense Sp.Atk Sp.Def Speed都是整数, 在df.info()中也能看出来.现在有需求, 如果把这些特征分布进行可视化, 而且要放到一个坐标系中进行比较?

参考:

先使用pd.melt函数, 将所指定的特征进行归并

melted_Df=pd.melt(
  stats_df,
  id_vars=['Name', 'Type 1', 'Type 2'], # 保留的特征
  var_name='Stat' # 其余特征规定到这一列内
)
melted_df.sample(10)

OUT:

	Name	Type 1	Type 2	Stat	value
291	Kabutops	Rock	Water	Attack	115
406	Marowak	Ground	NaN	Defense	110
821	Machoke	Fighting	NaN	Speed	45
129	Gyarados	Water	Flying	HP	95
281	Lapras	Water	Ice	Attack	85
586	Vaporeon	Water	NaN	Sp. Atk	110
483	Nidoqueen	Poison	Ground	Sp. Atk	75
93	Gengar	Ghost	Poison	HP	60
791	Vulpix	Fire	NaN	Speed	65
481	Nidoran‰ªÛ	Poison	NaN	Sp. Atk	40

这样,在melted_df数据集中的Stat特征中的数据就是分类数据, 值是stats_df中被归并的特征名称.

melted_df['Stat'].unique()

# OUT
array(['HP', 'Attack', 'Defense', 'Sp. Atk', 'Sp. Def', 'Speed'],
      dtype=object)

在此基础上, 我们绘制反应分类特征数据分布的图示.

sns,swarmplot(
  x='Stat',
  y='value',
  data=melted_df
)

还可以在此基础上,再叠加一层分类:

sns.swarmplot(
  x='Stat',
  y='value',
  data=melted_df,
  hue='Type 1' # 叠加一层分类
)
plt.legend(bbox_to_anchor=(1, 1), loc=2)