Explorer les tendances

Améliorer vos visualisations de données en Python

Nick Strayer

Instructor

Approfondir l'analyse

Examiner les corrélations
Corrélations dues à des facteurs de confusion ?
Des surprises ?

Une pelle creusant le sol

Publics cibles

Partager avec des pairs
Soigner vos choix de conception
Garder en tête qu'ils connaissent moins les données

Personnage dessiné donnant une présentation générique à des pairs

sns.regplot('NO2', 'CO', ci=False, data=pollution,

            # Lower opacity of points
            scatter_kws={'alpha':0.2, 'color':'grey'} )

Nuage de points des valeurs de pollution NO2 et CO avec une droite de régression basique tracée par-dessus

Décrire les motifs

Modèle intéressant trouvé dans les données
Comment l'explorer et l'expliquer rapidement ?
Utiliser du texte !

Deux amas distincts de points dans un nuage de points sans légende

Repérer les valeurs aberrantes avec des libellés

Nuage de points non légendé des valeurs moyennes de SO2 et CO à Denver, avec un élément aberrant net en haut à droite

Nuage de points légendé des valeurs moyennes de SO2 et CO à Denver, avec un élément aberrant net en haut à droite identifié comme janvier

g = sns.scatterplot("SO2","CO", data=long_beach_avgs)

# Iterate over the rows of our data
for _, row in long_beach_avgs.iterrows():
    # Unpack columns from row
    month, SO2, CO = row

    # Draw annotation in correct place
    g.annotate(month, (SO2,CO))


plt.title('Long Beach avg SO2 by CO')

Nuage de points légendé des moyennes mensuelles de SO2 et CO à Long Beach

Allons creuser

Améliorer vos visualisations de données en Python