python - Seaborn:Violinplot 遇到变量太多的困难？

Question

我想使用 seaborn 通过 violinplots 可视化我的整个 Pandas 数据框，我认为我已经进行了必要的更正，以便为我的数据框拥有的 270 个变量生成一个大图。

但是，无论我做什么， fiddle 图都只显示每个变量的内部迷你箱线图(如另一个问题 here 所描述)，而不是它们的 kde:

fig, ax = plt.subplots(figsize=(50,5))
ax.set_ylim(-6, 6)

a = sns.violinplot(x='variable', y='value', data=pd.melt(train_norm), ax=ax)
a.set_xticklabels(a.get_xticklabels(), rotation=90);

plt.savefig('massive_violinplot.png', figsize=(50,5), dpi=220)

(为裁剪图道歉，整个事情太大而无法发布)

而下面的代码，使用相同的 pd.Dataframe，但只显示前六个变量，显示正确:

fig, ax = plt.subplots(figsize=(10,5))
ax.set_ylim(-6, 6)

a = sns.violinplot(x='variable', y='value', data=pd.melt(train_norm.iloc[:,:6]), ax=ax)
a.set_xticklabels(a.get_xticklabels(), rotation=90);

plt.savefig('massive_violinplot.png', figsize=(10,5), dpi=220)

我怎样才能得到所有变量的图表，如上图所示，并用适当的 fiddle 图显示它们的 kde？

Answer 1

这与变量的数量或图的大小无关，而是与变量分布的巨大差异有关。我现在无法访问您的数据，所以我将用一个编造的数据集来说明它。您可以跟随您的数据集，选择分散度较高的三个变量和分散度较小的三个变量。作为色散测量，您可以使用方差甚至数据范围(如果您没有疯狂的长尾)或其他不同的东西，我不确定哪个更好。

rs = np.random.RandomState(42)
data = rs.randn(100, 6)
data[:, :3] *= 20
df = pd.DataFrame(data)

看看如果我们用公共(public)轴绘制密度以便它们可以直接比较会发生什么。

df.plot(kind='kde', subplots=True, layout=(3, 2), sharex=True, sharey=True)
plt.tight_layout()

这与您在 seaborn fiddle 情节中看到的大致相同，但当然是换位了。

sns.violinplot(x='variable', y='value', data=pd.melt(df))

这通常非常适合比较变量，因为您可以将宽度差异视为密度差异。不幸的是，具有更多分散性的变量的 fiddle 非常窄，您根本看不到宽度并且您失去了任何形状感。另一方面，离散度较小的变量看起来太短(实际上在您的数据集中，其中一些只是水平线)。

对于第一个问题，您可以通过使用 scale='width' 让 fiddle 使用所有可用的水平空间，但您无法再比较变量之间的密度。峰宽相同但密度不同。

sns.violinplot(x='variable', y='value', data=pd.melt(df), scale='width')

顺便说一下，这是 matplotlib 的 fiddle 图默认情况下所做的。

plt.violinplot(df.T)

对于第二个问题，我认为你唯一的选择是以某种方式规范化或标准化变量。

sns.violinplot(x='variable', y='value', data=pd.melt((df - df.mean()) / df.std()))

现在您可以更清楚地分别查看每个变量(它们有多少模式、它们的偏斜程度、尾部有多长...)，但您既不能比较变量的比例，也不能比较变量之间的离散度。

这个故事的寓意是您无法一次看到所有内容，您必须根据要在数据中查找的内容进行挑选。