下面是小编为大家整理的Python数据可视化分析与案例实战实战,,课件ch09,多元数据可视化,供大家参考。
第9章 多元数据的可视化
2Python 数据可视化分析与案例实战目录1散点图矩阵法多元数据概述2雷达图法 3平行坐标系法4变量降维法 5
3Python 数据可视化分析与案例实战 高维多元数据，指每个数据对象具有两个或两个以上独立或相关属性的数据。高维多元数据在人类社会生活中普遍存在，且数量和规模随着信息化进程加深而不断增长。 如果根据数据类型或分析处理需求的不同，高维多元数据涉及文本数据、层次结构数据、网络结构数据、空间数据、时序数据等诸多子领域，而每个领域又有其独特的分析方法。9.1.1
多元数据简介多元数据分析能力不足数据复杂度高处理能力有限
4Python 数据可视化分析与案例实战 对于二维和三维数据可以采用常规的可视化方法，即将各属性的值映射到不同的坐标轴。当维度超过三维后，可以增加视觉编码来表示，例如颜色、大小、形状等，但是对于更高维多元数据的可视化，这种方法还是有局限的。9.1.2
多元数据的可视化
5Python 数据可视化分析与案例实战目录1散点图矩阵法多元数据概述2雷达图法 3平行坐标系法4变量降维法 5
6Python 数据可视化分析与案例实战 散点图矩阵是散点图的高维扩展，它从一定程度上克服了在平面上展示高维多元数据的困难，在展示多维数据的两两关系时有着不可替代的作用。 当需要了解多个变量的相关关系时，就可以使用散点图矩阵。例如，研究企业销售额（sales）、利润额（profit）、购买量（amount）和折扣（discount）之间的相关性大小。9.2.1
散点图矩阵及应用场景
7Python 数据可视化分析与案例实战 在Python中，我们也可以很方便的绘制上述案例中商品的销售额、利润额、购买量和折扣4个变量的散点图矩阵，下面使用Seaborn库绘制4个变量的散点图矩阵，其中颜色表示每个订单客户的价值类型。9.2.2
Python案例实战
8Python 数据可视化分析与案例实战目录1散点图矩阵法多元数据概述2雷达图法 3平行坐标系法4变量降维法 5
9Python 数据可视化分析与案例实战 雷达图又被叫做蜘蛛网图，适用于显示三个或更多的维度的变量。 雷达图每一个维度的数据都分别对应一个坐标轴，这些坐标轴具有相同的圆心，以相同的间距沿着径向排列，并且各个坐标轴的刻度相同。例如，使用百度Echarts可视化工具绘制学生某次考试成绩的雷达图，如图所示。9.3.1
雷达图及应用场景
10Python 数据可视化分析与案例实战 为了比较分析各地区的客户流失量，我们收集了2020年前三季度各个地区的客户流失数据。为了比较分析企业每个季度在各个地区的客户流失情况，我们使用Pygal绘制不同地区客户流失量的雷达图，其中7个地区表示7个维度，每个季度的客户流失量均用一个7边形表示。9.3.2
Python案例实战日期 华东 华北 华中 华南 西南 西北 东北第一季度 32 21 35 28 39 42 39第二季度 30 31 35 25 41 36 34第三季度 36 26 30 35 35 46 36
11Python 数据可视化分析与案例实战目录1散点图矩阵法多元数据概述2雷达图法 3平行坐标系法4变量降维法 5
12Python 数据可视化分析与案例实战 平行坐标系可以克服传统的直角坐标系难以表达三维及其以上数据的问题。例如，使用百度Echarts可视化工具绘制4个班级某次考试平均成绩的平行坐标系，如图所示。9.4.1
平行坐标系及应用场景
13Python 数据可视化分析与案例实战 可以通过可视化的方法比较2020年9月份企业不同类型商品在全国六个销售区域的销售额情况。为了研究用具、纸张、书架、器具等商品在东北、华北、华东等6个地区的销售额情况，我们使用Pyecharts绘制不同类型商品销售额的平行坐标系，其中业绩评估分为较差、一般、较好和优秀共4种。9.4.2
Python案例实战商品类型 东北 华北 华东 西南 中南 西北 业绩评估用具 1.68 1.66 0.3 2.62 2.63 2.22 较差纸张 4.68 5.26 8.3 6.82 9.03 4.62 一般书架 6.18 7.26 6.3 4.82 8.03 3.32 一般器具 9.18 9.26 13.3 13.82 14.63 11.62 较好配件 8.18 8.26 10.3 11.82 13.03 14.52 较好设备 12.98 18.66 15.83 19.62 15.93 18.82 优秀
14Python 数据可视化分析与案例实战目录1散点图矩阵法多元数据概述2雷达图法 3平行坐标系法4变量降维法 5
15Python 数据可视化分析与案例实战 当研究多变量，并且希望变量个数较少而得到的信息较多时，就需要变量降维，例如，使用SAS JMP对销售额（sales）、利润额（profit）、购买量（amount）和折扣（discount）等4个变量进行降维。9.5.1
变量降维及应用场景
16Python 数据可视化分析与案例实战 为了深入研究企业销售指标评价体系中各指标的关系，我们对2020年第三季度的销售数据进行了变量降维，使用的数据还是企业经营数据（经营数据.txt），包含销售额、利润额、购买量和折扣等4个字段。9.5.2
Python案例实战
推荐访问:python数据分析实战 Python数据可视化分析与案例实战实战 课件ch09 多元数据可视化 可视化 实战 数据
