平行坐标是可视化高维几何和分析多元数据的常用方法。
为了在n维空间中显示一组点,绘制由n条平行线组成的背景,通常是垂直且等距的。所述的点N 维空间被表示为折线与顶点在平行的轴线; 第i 轴上顶点的位置对应于该点的第i个坐标。
此可视化与时间序列可视化密切相关,除了它应用于轴与时间点不对应的数据,因此没有自然顺序。因此,不同的轴布置可能是有意义的。
一、平行坐标图
平行坐标图(parallel coordinates plot)是对于具有多个属性问题的一种可视化方法,下图为平行坐标图的基本样式,数据集的一行数据在平行坐标图中用一条折线表示,纵向是属性值,横向是属性类别(用索引表示),如下图,一条数据[1 3 2 4]对应图中的折线。这条折线是根据属性的索引值和属性值画出来的。
二、平行坐标图的解读
首先我们用不同的颜色来标识不同的标签,那么关于属性与标签之间的关系,我们可以从图中获得哪些信息?
(1)折线走势“陡峭”与“低谷”只是表示在该属性上属性值的变化范围的大小,对于标签分类不具有决定意义,但是“陡峭“的属性上属性值间距较大,视觉上更容易区分出不同的标签类别
(2)标签的分类主要看相同颜色的折线是否集中,若在某个属性上相同颜色折线较为集中,不同颜色有一定的间距,则说明该属性对于预测标签类别有较大的帮助
(3)若某个属性上线条混乱,颜色混杂,则较大可能该属性对于标签类别判定没有价值
————————————————
版权声明:本文为CSDN博主「x-dusk」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:/wyfcode/article/details/82587440
python数据可视化代码和案列
importmatplotlib.pyplot as plt
importpandas as pd
from pandas.tools.plotting importparallel_coordinates
data = pd.read_csv('E:/ProgramData/Anaconda3/pkgs/pandas-0.23.0-py36h830ac7b_0/Lib/site-packages/pandas/tests/data/iris.csv')
data_1 =data[['Name','SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth']]
parallel_coordinates(data_1,'Name')
plt.legend(loc='upper center', bbox_to_anchor=(0.5,-0.1),ncol=3,fancybox=True,shadow=True)
plt.show()
from pyecharts importoptions as optsfrom pyecharts.charts importPage, Parallel
data=[
[1, 91, 45, 125, 0.82, 34],
[2, 65, 27, 78, 0.86, 45],
[3, 83, 60, 84, 1.09, 73],
[4, 109, 81, 121, 1.28, 68],
[5, 106, 77, 114, 1.07, 55],
[6, 109, 81, 121, 1.28, 68],
[7, 106, 77, 114, 1.07, 55],
[8, 89, 65, 78, 0.86, 51, 26],
[9, 53, 33, 47, 0.64, 50, 17],
[10, 80, 55, 80, 1.01, 75, 24],
[11, 117, 81, 124, 1.03, 45],
]
c=(
Parallel()
.add_schema(
[
{"dim": 0, "name": "data"},
{"dim": 1, "name": "AQI"},
{"dim": 2, "name": "PM2.5"},
{"dim": 3, "name": "PM10"},
{"dim": 4, "name": "CO"},
{"dim": 5, "name": "NO2"},
]
)
.add("parallel", data)
.set_global_opts(title_opts=opts.TitleOpts(title="Parallel-基本示例"))
)
c.render("平行坐标系图1.html")
from pyecharts importoptions as optsfrom pyecharts.charts importPage, Parallel
data=[
[1, 91, 45, 125, 0.82, 34, 23, "良"],
[2, 65, 27, 78, 0.86, 45, 29, "良"],
[3, 83, 60, 84, 1.09, 73, 27, "良"],
[4, 109, 81, 121, 1.28, 68, 51, "轻度污染"],
[5, 106, 77, 114, 1.07, 55, 51, "轻度污染"],
[6, 109, 81, 121, 1.28, 68, 51, "轻度污染"],
[7, 106, 77, 114, 1.07, 55, 51, "轻度污染"],
[8, 89, 65, 78, 0.86, 51, 26, "良"],
[9, 53, 33, 47, 0.64, 50, 17, "良"],
[10, 80, 55, 80, 1.01, 75, 24, "良"],
[11, 117, 81, 124, 1.03, 45, 24, "轻度污染"],
[12, 99, 71, 142, 1.1, 62, 42, "良"],
[13, 95, 69, 130, 1.28, 74, 50, "良"],
[14, 116, 87, 131, 1.47, 84, 40, "轻度污染"],
]
c=(
Parallel()
.add_schema(
[
opts.ParallelAxisOpts(dim=0, name="data"),
opts.ParallelAxisOpts(dim=1, name="AQI"),
opts.ParallelAxisOpts(dim=2, name="PM2.5"),
opts.ParallelAxisOpts(dim=3, name="PM10"),
opts.ParallelAxisOpts(dim=4, name="CO"),
opts.ParallelAxisOpts(dim=5, name="NO2"),
opts.ParallelAxisOpts(dim=6, name="CO2"),
opts.ParallelAxisOpts(
dim=7,
name="等级",
type_="category",
data=["优", "良", "轻度污染", "中度污染", "重度污染", "严重污染"],
),
]
)
.add("parallel", data)
.set_global_opts(title_opts=opts.TitleOpts(title="Parallel-Category"))
)
c.render("平行坐标系图2.html")
pyecharts画图更多请查看官方文档: