Explorer les tendances

Améliorer vos visualisations de données en Python

Nick Strayer

Instructor

Approfondir l'analyse

Examiner les corrélations
Sont-elles dues à un facteur de confusion ?
Des éléments surprenants ?

Une pelle creusant le sol

Publics cibles

Partager avec des pairs
Être stratégique dans les choix de conception
Garder en tête qu'ils connaissent moins les données

Un 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 simple par-dessus

Dresser le profil des motifs

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

Deux grappes distinctes de points dans un nuage de points sans étiquettes

Repérer les valeurs aberrantes avec des étiquettes de texte

Nuage de points non étiqueté des valeurs moyennes de SO2 et CO à Denver, avec une valeur aberrante en haut à droite

Nuage de points étiqueté des valeurs moyennes de SO2 et CO à Denver, mettant en évidence en haut à droite janvier comme valeur aberrante

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 étiqueté des valeurs moyennes de SO2 et CO à Long Beach pour les mois de l'année

Passons aux choses sérieuses

Améliorer vos visualisations de données en Python