分类因子有效性的可视化（续）
【摘要】 上周，我们分享了《分类因子有效性的可视化》，可视化的样式肯定不止那4种，今天再分享三种样式。1. 多组散点图将散点图沿y轴进行分布，并在x轴上形成并排就构成了多组散点图，可以通过seaborn来实现：sns.stripplot(x="buy_date_type", y="r1", data=trade_data2)不过这个图没有标注各组的特征，不如箱线图来得直观。2. 小提琴图小提琴图实际上...
上周，我们分享了《分类因子有效性的可视化》，可视化的样式肯定不止那4种，今天再分享三种样式。
1. 多组散点图
将散点图沿y轴进行分布，并在x轴上形成并排就构成了多组散点图，可以通过seaborn来实现：
sns.stripplot(x="buy_date_type", y="r1", data=trade_data2)
不过这个图没有标注各组的特征，不如箱线图来得直观。
2. 小提琴图
小提琴图实际上是箱线图与核密度图的叠加，它的代码如下：
sns.violinplot(x='buy_date_type', y='r1', data=trade_data2)plt.title("ViolinPlot")
3. 脊线图
沿着x轴绘制多个核密度图就形成了脊线圈，它对于核密度的展示比小提琴图更加直观，其代码和效果如下：
from joypy import joyplotjoyplot(trade_data2, by='buy_date_type', column='r1',colormap=sns.color_palette("crest", as_cmap=True))plt.xlabel('r1')plt.title("Ridgeline Plot")
事实上，对于我们当前的例子来说，脊线图并不优于核密度图。
至此，我们一共分享了7种对分类因子进行可视化的图形样式。在不同的情况下可以选择不同的样式。事实上，最好多尝试几种样式进行观察，从而更好地分辨不分组之间的异同。
【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）