導讀：相比于科學，數據分析更像是一門藝術。創建樣式優美的數據可視化是這個藝術中不可缺少的部分。然而，某些人認為優美的，也會有人覺得難以接受。和藝術類似，隨著數據分析的快速演變，人們的觀念和品味也一直在變化。但是總的來說沒有人是絕對正確和錯誤的。

作為一個數據藝術家以及有經驗的Python程序員，我們可以從matplotlib、Seaborn、Bokeh和ggplot這些庫里面選擇一些來使用。

作者：伊凡·伊德里斯（Ivan Idris）

如需轉載請聯系華章科技

01 圖形化安斯庫姆四重奏

安斯庫姆四重奏（Anscombe's Quartet）是一個經典案例，它可以說明為什么可視化是很重要的。四重奏包含了四組統計特性一致的數據。每個數據集有一些x值以及相對應的y值，我們將在一個IPython Notebook中列出這些指標。如果你繪制出這些數據集，你將發現這些圖表截然不同。

• 操作步驟

在本節你需要執行如下操作：

（1）由如下導入開始：

import pandas as pd 
import seaborn as sns 
import matplotlib.pyplot as plt 
import matplotlib as mpl 
from dautil import report 
from dautil import plotting 
import numpy as np 
from tabulate import tabulate

（2）定義以下函數來計算某一數據集中x和y的均值和方差、相關系數，以及斜率和每個數據集的線性擬合的截距：

def aggregate():
 df=sns.load_dataset("anscombe")
 agg=df.groupby('dataset')\ 
 .agg([np.mean, np.var])\ 
 .transpose()
 groups=df.groupby('dataset')
 corr=[g.corr()['x'][1] for _, g in groups]
 builder=report.DFBuilder(agg.columns)
 builder.row(corr)
 fits=[np.polyfit(g['x'], g['y'], 1) for _, g in groups] 
 builder.row([f[0] for f in fits]) 
 builder.row([f[1] for f in fits]) 
 bottom=builder.build(['corr', 'slope', 'intercept'])
 return df, pd.concat((agg, bottom))

（3）下面這個函數返回一個字符串，這個字符串有一部分是Markdown，有一部分是重組的文字，有一部分是HTML，這主要是因為原生的Markdown不支持圖表：

def generate(table):
 writer=report.RSTWriter()
 writer.h1('Anscombe Statistics')
 writer.add(tabulate(table, tablefmt='html', floatfmt='.3f'))
 return writer.rst

（4）繪制數據并相應地與Seaborn的lmplot()函數線性擬合：

def plot(df):
 sns.set(style="ticks")
 g=sns.lmplot(x="x", y="y", col="dataset",
 hue="dataset", data=df,
 col_wrap=2, ci=None, palette="muted", size=4,
 scatter_kws={"s": 50, "alpha": 1})
 plotting.embellish(g.fig.axes)

（5）展示一個統計數據的表格如下：

df, table=aggregate()
from IPython.display import display_markdown
display_markdown(generate(table), raw=True)

下表中顯示每個數據集的幾乎相同的統計數據（我修改了IPython配置文件里的 custom.css，所以下表是有顏色的）：

（6）以下幾行代碼繪制了數據集：

%matplotlib inline
plot(df)

請參見以下截圖了解最終結果：

02 選擇Seaborn的調色板

Seaborn的調色板和matplotlib的顏色表類似。色彩可以幫助你發現數據中的模式，也是重要的可視化組成部分。Seaborn有很豐富的調色板，在這個示例中會將其可視化。

• 操作步驟

（1）導入部分如下：

import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
from dautil import plotting

（2）使用以下函數幫助繪制調色板：

def plot_palette(ax, plotter, pal, i, label, ncol=1):
 n=len(pal)
 x=np.linspace(0.0, 1.0, n)
 y=np.arange(n) + i*n
 ax.scatter(x, y, c=x,
 cmap=mpl.colors.ListedColormap(list(pal)), 
 s=200)
 plotter.plot(x,y,label=label)
 handles, labels=ax.get_legend_handles_labels()
 ax.legend(loc='best', ncol=ncol, fontsize=18)

（3）分類調色板（categorical palette）對于分類數據很有用，例如性別、血型等。以下函數可以繪制一些Seaborn的分類調色板：

def plot_categorical_palettes(ax):
 palettes=['deep', 'muted', 'pastel', 'bright', 'dark','colorblind']
 plotter=plotting.CyclePlotter(ax)
 ax.set_title('Categorical Palettes')
 for i, p in enumerate(palettes):
 pal=sns.color_palette(p)
 plot_palette(ax, plotter, pal, i, p, 4)

（4）圓形色彩系統（circular color system）通常用HLS（色度亮度飽和度，Hue Lightness Saturation）來取代RGB（紅綠藍Red Gree Blue）顏色空間。如果你有很多分類這將會很有用。以下函數可以使用HLS系統繪制調色板。

def plot_circular_palettes(ax):
 ax.set_title('Circular Palettes')
 plotter=plotting.CyclePlotter(ax)
 pal=sns.color_palette("hls", 6)
 plot_palette(ax, plotter, pal, 0, 'hls')
 sns.hls_palette(6, l=.3, s=.8)
 plot_palette(ax, plotter, pal, 1, 'hls l=.3 s=.8')
 pal=sns.color_palette("husl", 6)
 plot_palette(ax, plotter, pal, 2, 'husl')
 sns.husl_palette(6, l=.3, s=.8)
 plot_palette(ax, plotter, pal, 3, 'husl l=.3 s=.8') 

（5）Seaborn也有基于在線的ColorBrewer工具的調色板（http://colorbrewer2.org/）。用以下函數繪制出來：

def plot_brewer_palettes(ax):
 ax.set_title('Brewer Palettes')
 plotter=plotting.CyclePlotter(ax)
 pal=sns.color_palette("Paired")
 plot_palette(ax, plotter, pal, 0, 'Paired')
 pal=sns.color_palette("Set2", 6)
 plot_palette(ax, plotter, pal, 1, 'Set2')

（6）連續調色板（sequential palettes）對于數據范圍很廣的數據來說很有用，比如說有數量級差異的數據。用以下函數繪制出來：

def plot_sequential_palettes(ax):
 ax.set_title('Sequential Palettes')
 plotter=plotting.CyclePlotter(ax)
 pal=sns.color_palette("Blues")
 plot_palette(ax, plotter, pal, 0, 'Blues')
 pal=sns.color_palette("BuGn_r")
 plot_palette(ax, plotter, pal, 1, 'BuGn_r')
 pal=sns.color_palette("GnBu_d")
 plot_palette(ax, plotter, pal, 2, 'GnBu_d')
 pal=sns.color_palette("cubehelix", 6)
 plot_palette(ax, plotter, pal, 3, 'cubehelix')

（7）以下幾行代碼調用了我們之前定義的函數：

%matplotlib inline
fig, axes=plt.subplots(2, 2, figsize=(16, 12))
plot_categorical_palettes(axes[0][0])
plot_circular_palettes(axes[0][1])
plot_brewer_palettes(axes[1][0])
plot_sequential_palettes(axes[1][1])
plotting.hide_axes(axes)
plt.tight_layout()

請參見以下截圖了解最終結果：

03 選擇matplotlib的顏色表

matplotlib的顏色表最近受到了很多批評，因為它們可能會誤導用戶，但是在我看來大多數的顏色表還是不錯的。默認的顏色表在matplotlib 2.0中有一些改進，可以在這里查看：

http://matplotlib.org/style_changes.html

當然，有些matplotlib的顏色表不支持一些不錯的參數，比如說jet。在藝術中，就像數據分析中一樣，幾乎沒有什么東西是絕對正確的，所以這里就交給讀者去判斷。

實際上，我覺得考慮如何解決印刷出版物以及各種各樣的色盲問題是很重要的。在這個示例中我將用色條來可視化相對安全的顏色表。這里使用到的是matplotlib眾多顏色表中的很小一部分。

• 操作步驟

（1）導入部分如下：

import matplotlib.pyplot as plt
import matplotlib as mpl
from dautil import plotting

（2）通過以下代碼畫出數據集：

fig, axes=plt.subplots(4, 4)
cmaps=['autumn', 'spring', 'summer', 'winter',
 'Reds', 'Blues', 'Greens', 'Purples',
 'Oranges', 'pink', 'Greys', 'gray',
 'binary', 'bone', 'hot', 'cool']
for ax, cm in zip(axes.ravel(), cmaps):
 cmap=plt.cm.get_cmap(cm)
 cb=mpl.colorbar.ColorbarBase(ax, cmap=cmap,
 orientation='horizontal')
 cb.set_label(cm)
 ax.xaxis.set_ticklabels([])
plt.tight_layout()
plt.show()

請參見以下截圖了解最終結果：

04 與IPython Notebook部件交互

簡單來說，這些部件可以讓你像在HTML表單里一樣選擇一些值，這包括滑塊、下拉框、選擇框等。正如你會讀到的，這些部件非常方便將我們在第1章中提及的天氣數據可視化。

• 操作步驟

（1）導入部分如下：

import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from IPython.html.widgets import interact
from dautil import data
from dautil import ts

（2）加載數據同時請求內聯圖：

%matplotlib inline
df=data.Weather.load()

（3）定義以下函數，這個函數會顯示氣泡圖：

def plot_data(x='TEMP', y='RAIN', z='WIND_SPEED', f='A', size=10,cmap='Blues'):
 dfx=df[x].resample(f)
 dfy=df[y].resample(f).mean()
 dfz=df[z].resample(f).mean()
 bubbles=(dfz - dfz.min())/(dfz.max() - dfz.min())
 years=dfz.index.year
 sc=plt.scatter(dfx, dfy, s=size * bubbles + 9, c=years, 
 cmap=cmap, label=data.Weather.get_header(z), 
 alpha=0.5)
 plt.colorbar(sc, label='Year')
 freqs={'A': 'Annual', 'M': 'Monthly', 'D': 'Daily'}
 plt.title(freqs[f] + ' Averages')
 plt.xlabel(data.Weather.get_header(x))
 plt.ylabel(data.Weather.get_header(y))
 plt.legend(loc='best')

（4）通過以下代碼調用我們剛剛定義的函數：

vars=df.columns.tolist()
freqs=('A', 'M', 'D')
cmaps=[cmap for cmap in plt.cm.datad if not cmap.endswith("_r")]
cmaps.sort()
interact(plot_data, x=vars, y=vars, z=vars, f=freqs,size=(100,700), cmap=cmaps)

（5）本示例需要上手操作一下來理解它的工作原理，下面是一個樣例氣泡圖：

（6）定義另一個函數（和第（2）步中的程序同名，注釋掉前一個），這個函數里我們將數據按照日或月進行分組：

def plot_data(x='TEMP', y='RAIN', z='WIND_SPEED', 
 groupby='ts.groupby_yday', 
 size=10, cmap='Blues'):
 if groupby=='ts.groupby_yday':
 groupby=ts.groupby_yday
 elif groupby=='ts.groupby_month':
 groupby=ts.groupby_month
 else:
 raise AssertionError('Unknown groupby ' + groupby)
 dfx=groupby(df[x]).mean()
 dfy=groupby(df[y]).mean()
 dfz=groupby(df[z]).mean()
 bubbles=(dfz - dfz.min())/(dfz.max() - dfz.min())
 colors=dfx.index.values
 sc=plt.scatter(dfx, dfy, s=size * bubbles + 9, 
 c=colors,cmap=cmap, 
 label=data.Weather.get_header(z), alpha=0.5)
 plt.colorbar(sc, label='Day of Year')
 by_dict={ts.groupby_yday: 'Day of Year', ts.groupby_month: 'Month'}
 plt.title('Grouped by ' + by_dict[groupby])
 plt.xlabel(data.Weather.get_header(x))
 plt.ylabel(data.Weather.get_header(y))
 plt.legend(loc='best')

（7）用這段代碼調用上述函數：

groupbys=('ts.groupby_yday', 'ts.groupby_month')
interact(plot_data, x=vars, y=vars, z=vars, groupby=groupbys,
size=(100,700), cmap=cmaps)

請參見以下截圖了解最終結果：

我對這個圖的第一印象是溫度和風速似乎是正相關的。

05 查看散點圖矩陣

如果你的數據集中變量不是很多，那么查看你數據所有的散點圖是個不錯的主意。通過調用Seaborn或者pandas的一個函數就可以做到。這些函數會展示一個矩陣的核密度估計圖或對角線上的直方圖。

• 操作步驟

（1）導入部分如下：

import pandas as pd
from dautil import data
from dautil import ts
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib as mpl

（2）以下幾行代碼加載天氣數據：

df=data.Weather.load()
df=ts.groupby_yday(df).mean()
df.columns=[data.Weather.get_header(c) for c in df.columns]

（3）用Seaborn的pairplot()函數繪制圖形，這個函數默認繪制對角線上的直方圖：

%matplotlib inline
# Seaborn plotting, issues due to NaNs
sns.pairplot(df.fillna(0))

結果如下所示：

（4）通過pandas的scatter_matrix()函數生成一個類似的圖形，并請求對角線上的核密度估計圖：

sns.set({'figure.figsize': '16, 12'})
mpl.rcParams['axes.linewidth']=9
mpl.rcParams['lines.linewidth']=2
plots=pd.scatter_matrix(df, marker='o', diagonal='kde')
plt.show()

請參見以下截圖了解最終結果：

06 通過mpld3使用d3.js進行可視化

d3.js是在2011年推出的一個JavaScript數據可視化庫，我們可以在IPython Notebook里面使用這個庫。我們將在一個普通matplotlib圖上添加一個懸浮工具提示。這里我們會使用mpld3包作為使用d3.js的橋梁。這個示例不需要任何JavaScript編程。

1. 準備工作

通過以下命令安裝mpld3 0.2：

$ [sudo] pip install mpld3

2. 操作步驟

（1）由導入開始，并啟用mpld3：

%matplotlib inline
import matplotlib.pyplot as plt
import mpld3
mpld3.enable_notebook()
from mpld3 import plugins
import seaborn as sns
from dautil import data
from dautil import ts

（2）加載天氣數據并按照下面的方法將其繪制出來：

df=data.Weather.load()
df=df[['TEMP', 'WIND_SPEED']]
df=ts.groupby_yday(df).mean()
fig, ax=plt.subplots()
ax.set_title('Averages Grouped by Day of Year')
points=ax.scatter(df['TEMP'], df['WIND_SPEED'],
 s=30, alpha=0.3)
ax.set_xlabel(data.Weather.get_header('TEMP'))
ax.set_ylabel(data.Weather.get_header('WIND_SPEED'))
labels=["Day of year {0}".format(i) for i in range(366)]
tooltip=plugins.PointLabelTooltip(points, labels)
plugins.connect(fig, tooltip)

高亮顯示的那一行是工具欄。在下面的截圖中，我們可以看到“Day of year 31”文本來自這個工具欄：

如你所見，在這個圖形的底部，還有可以平移和縮放圖形的裝置。

07 創建熱圖

熱圖使用一組顏色在矩陣中可視化數據。最初，熱圖用于表示金融資產（如股票）的價格。Bokeh是一個Python包，可以在IPython Notebook中顯示熱圖，或者生成一個獨立的HTML文件。

1. 準備工作

Anaconda自帶了Bokeh 0.9.1。Bokeh的安裝說明在：

http://bokeh.pydata.org/en/latest/docs/installation.html

2. 操作步驟

（1）導入部分如下：

from collections import OrderedDict
from dautil import data
from dautil import ts
from dautil import plotting
import numpy as np
import bokeh.plotting as bkh_plt
from bokeh.models import HoverTool

（2）下面的函數加載了溫度數據并按照年和月進行分組：

def load():
 df=data.Weather.load()['TEMP']
 return ts.groupby_year_month(df)

（3）定義一個將數據重排成特殊的Bokeh結構的函數：

def create_source():
 colors=plotting.sample_hex_cmap()
 month=[]
 year=[]
 color=[]
 avg=[]
 for year_month, group in load():
 month.append(ts.short_month(year_month[1]))
 year.append(str(year_month[0]))
 monthly_avg=np.nanmean(group.values)
 avg.append(monthly_avg)
 color.append(colors[min(int(abs(monthly_avg)) - 2, 8)])
 source=bkh_plt.ColumnDataSource(data=dict(month=month, year=year, color=color, avg=avg))
 return year, source

（4）定義一個返回橫軸標簽的函數：

def all_years():
 years=set(year)
 start_year=min(years)
 end_year=max(years)
 return [str(y) for y in range(int(start_year), int(end_year),5)]

（5）定義一個繪制包含了懸浮工具欄的熱圖的函數：

def plot(year, source):
 fig=bkh_plt.figure(title="De Bilt, NL Temperature (1901 -2014)",
 x_range=all_years(),
 y_range=list(reversed(ts.short_months())),
 toolbar_location="left",
 tools="resize,hover,save,
 pan,box_zoom,wheel_zoom")
 fig.rect("year", "month", 1, 1, source=source,
 color="color", line_color=None)
 fig.xaxis.major_label_orientation=np.pi/3
 hover=fig.select(dict(type=HoverTool))
 hover.tooltips=OrderedDict([
 ('date', '@month @year'),
 ('avg', '@avg'),
 ])
 bkh_plt.output_notebook()
 bkh_plt.show(fig)

（6）調用上述定義的函數：

year, source=create_source()
plot(year, source)

請參見以下截圖了解最終結果：

08 把箱線圖、核密度圖和小提琴圖組合

小提琴圖（Violin Plot）是一種組合盒圖和核密度圖或直方圖的圖形類型。Seaborn和matplotlib都能提供小提琴圖。在這個示例中我們將使用Seaborn來繪制天氣數據的Z分數（標準分數），分數的標準化并不是必需的，但是如果沒有它的話小提琴圖會很發散。

• 操作步驟

（1）導入部分如下：

import seaborn as sns
from dautil import data
import matplotlib.pyplot as plt

（2）加載天氣數據并計算標準分數：

df=data.Weather.load()
zscores=(df - df.mean())/df.std()

（3）繪制標準分數的小提琴圖：

%matplotlib inline
plt.figure()
plt.title('Weather Violin Plot')
sns.violinplot(zscores.resample('M').mean())
plt.ylabel('Z-scores')

第一個小提琴圖如下所示：

（4）繪制雨天和旱天相對風速的小提琴圖：

plt.figure()
plt.title('Rainy Weather vs Wind Speed')
categorical=df
categorical['RAIN']=categorical['RAIN'] > 0
ax=sns.violinplot(x="RAIN", y="WIND_SPEED",data=categorical)

第二個小提琴圖如下所示：

09 使用蜂巢圖可視化網絡圖

蜂巢圖（Hive Plot）是用于繪制網絡圖的可視化技術。在蜂巢圖中我們將邊緣繪制為曲線。我們根據屬性對節點進行分組，并在徑向軸上顯示它們。

有些庫在蜂窩圖方面很專業。同時我們將使用API來劃分Facebook用戶的圖形。

https://snap.stanford.edu/data/egonets-Facebook.html

這個數據屬于斯坦福網絡分析項目（Stanford Network Analysis Project，SNAP），它也提供了Python API，但是目前SNAP API還不支持Python 3。

1. 準備工作

Anaconda自帶了NetworkX 1.9.1，它安裝說明可見：

https://networkx.github.io/documentation/latest/install.html

同時我們還需要community包，安裝地址：

https://bitbucket.org/taynaud/python-louvain

在PyPi上有一個同名的包，但是它和我們需要安裝的沒有任何關系。安裝hiveplot包，這個包托管在：

https://github.com/ericmjl/hiveplot

$ [sudo] pip install hiveplot 

本示例中使用的hiveplot版本是0.1.7.4。

2. 操作步驟

（1）導入部分如下所示：

import networkx as nx
import community
import matplotlib.pyplot as plt
from hiveplot import HivePlot
from collections import defaultdict
from dautil import plotting
from dautil import dataython

（2）載入數據，創建一個NetworkX的Graph對象：

fb_file=data.SPANFB().load()
G=nx.read_edgelist(fb_file,create_using=nx.Graph(),nodetype=int)
print(nx.info(G))

（3）分割圖形對象并按照如下的方法創建一個nodes字典：

parts=community.best_partition(G)
nodes=defaultdict(list)
for n, d in parts.items():
 nodes[d].append(n)

（4）這個圖形會非常大，所以我們將會創建三個邊緣分組：

edges=defaultdict(list)
for u, v in nx.edges(G, nodes[0]):
 edges[0].append((u, v, 0))
for u, v in nx.edges(G, nodes[1]):
 edges[1].append((u, v, 1))
for u, v in nx.edges(G, nodes[2]):
 edges[2].append((u, v, 2))

（5）繪制這個圖形大約需要6分鐘：

%matplotlib inline
cmap=plotting.sample_hex_cmap(name='hot', ncolors=len(nodes.keys()))
h=HivePlot(nodes, edges, cmap, cmap)
h.draw()
plt.title('Facebook Network Hive Plot')

等待一段時間，我們可以看到如下的圖形：

10 顯示地圖

無論是處理全球數據還是本地數據，使用地圖都是一個適合的可視化方式。我們需要用坐標來將數據定位到地圖上，通常我們使用的就是這個點的經度和緯度。有很多現有的文件格式可以存儲地理位置數據。

在這個示例中我們將會使用到特別的shapefile格式以及更常見的制表符分隔值（Tab Separated Values，TSV）格式。shapefile格式是由Esri公司創建的，并包含了三個必需的文件，它們的擴展名分別是.shp、.shx、.dbf。

.dbf文件包含了shapefile中每一個地理位置的額外信息的數據庫。我們將使用的shapefile包含了國家邊界、人口以及國內生產總值（Gross Domestic Product，GDP）的數據。我們可以使用cartopy庫下載shapefile。

TSV文件包含了超過4000個城市的按時間序列的人口數據，可以在這里獲得：

https://nordpil.com/resources/world-database-of-large-cities/

1. 準備工作

首先我們需要從源文件安裝Proj.4，或者你也可以使用二進制版本安裝：

https://github.com/OSGeo/proj.4/wiki

Proj.4的安裝說明在：

https://github.com/OSGeo/proj.4

然后我們可以通過pip安裝cartopy，本示例中使用到的是cartopy-0.13.0?；蛘吣阋部梢酝ㄟ^下面的指令進行安裝：

$ conda install -c scitools cartopy

2. 操作步驟

（1）導入部分如下所示：

import cartopy.crs as ccrs
import matplotlib.pyplot as plt
 import cartopy.io.shapereader as shpreader
 import matplotlib as mpl
 import pandas as pd
 from dautil import options
 from dautil import data

（2）我們會使用顏色來做國家人口以及人口眾多的城市的可視化。引入如下數據：

countries=shpreader.natural_earth(resolution='110m',
 category='cultural',
 name='admin_0_countries')
cities=pd.read_csv(data.Nordpil().load_urban_tsv(),sep='\t', encoding='ISO-8859-1')
mill_cities=cities[cities['pop2005'] > 1000]

（3）使用以下代碼畫出地圖，以及相應的顏色條，并將人口眾多的城市標記在地圖上：

%matplotlib inline
plt.figure(figsize=(16, 12))
gs=mpl.gridspec.GridSpec(2, 1,
 height_ratios=[20, 1])
ax=plt.subplot(gs[0], projection=ccrs.PlateCarree())
norm=mpl.colors.Normalize(vmin=0, vmax=2 * 10 ** 9)
cmap=plt.cm.Blues
ax.set_title('Population Estimates by Country')
for country in shpreader.Reader(countries).records():
 ax.add_geometries(country.geometry, ccrs.PlateCarree(),
 facecolor=cmap(
 norm(country.attributes['pop_est'])))
plt.plot(mill_cities['Longitude'],
 mill_cities['Latitude'], 'r.',
 label='Populous city',
 transform=ccrs.PlateCarree())
options.set_mpl_options()
plt.legend(loc='lower left')
cax=plt.subplot(gs[1])
cb=mpl.colorbar.ColorbarBase(cax,
 cmap=cmap,
 norm=norm,
 orientation='horizontal')
cb.set_label('Population Estimate')
plt.tight_layout()

11 使用類ggplot2圖

ggplot2是在R語言用戶群中很流行的數據可視化庫。ggplot2的主要思想是在數據可視化的產出中包含多個圖層。就像一個畫家，我們從一個空的畫布開始，緊接著一步步地添加圖層。

通常我們使用rpy2來讓Python接入R語言代碼。然而，如果我們只是想使用ggplot2的話，用pyggplot庫會顯得更加方便。在這個示例中將實現三個國家的人口增長的可視化，使用的數據來自pandas上檢索到的世界銀行的數據。這些數據中包含各種指標和相關元數據。在這里可以下載到關于這些指標的描述：

http://api.worldbank.org/v2/en/topic/19?downloadformat=excel

我們可以認為世界銀行的數據集是靜態的。然而，類似的數據集經常發生變化，足以占用分析師所有的時間。更換指標的名字明顯會影響代碼，所以我決定通過joblib庫來緩存數據。但是這個方法美中不足的是不能pickle所有的Python對象。

1. 準備工作

首先你需要有安裝了ggplot2的R語言環境。如果你不是特別想使用ggplot2，或許你可以跳過這個示例。

R語言的主頁是：

http://www.r-project.org/

ggplot2的文檔：

http://docs.ggplot2.org/current/index.html

你可以通過pip安裝pyggplot，我使用的是pyggplot-23。安裝joblib，請瀏覽：

https://pythonhosted.org/joblib/installing.html

我的Anaconda中有joblib 0.8.4。

2. 操作步驟

（1）導入部分如下：

import pyggplot
from dautil import data

（2）通過以下代碼加載數據：

dawb=data.Worldbank()
pop_grow=dawb.get_name('pop_grow')
df=dawb.download(indicator=pop_grow, start=1984, end=2014)
df=dawb.rename_columns(df, use_longnames=True)

（3）下面用我們新建的pandas對象DataFrame初始化pyggplot：

p=pyggplot.Plot(df)

（4）添加條形圖：

p.add_bar('country', dawb.get_longname(pop_grow), color='year')

（5）翻轉圖表，使條形圖指向右邊并渲染

p.coord_flip()
p.render_notebook()

請參見以下截圖了解最終結果：

12 使用影響圖高亮數據

類似于氣泡圖，影響圖（influence plot）會考慮到單個數據點擬合、影響和杠桿之后的殘差。殘差的大小繪制在垂直軸上，并且可以標識數據點是異常值。為了更好地理解影響圖，可以看下面的這些方程。

根據statsmodels文檔，殘差按標準偏差式（2.1）進行縮放，在式（2.2）中，n是觀測點的數量，p是回歸量。式（2.3）我們習慣稱之為帽子矩陣（hat-matrix）。帽子矩陣的對角元素給出稱為杠桿（leverage）的特殊度量，杠桿作為水平軸的量，可以標識出影響圖的潛在影響。

在影響圖中，影響會決定繪圖點的大小。影響大的點往往具有高殘差和杠桿。statsmodels可以使用Cook距離（Cook's distance）（見式（2.4））或者DFFITS（見式（2.5））來衡量影響值。

• 操作步驟

（1）導入部分如下：

import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.formula.api import ols
from dautil import data

（2）獲取可用的國家的編碼：

dawb=data.Worldbank()
countries=dawb.get_countries()[['name', 'iso2c']]

（3）從世界銀行加載數據：

population=dawb.download(indicator=[dawb.get_name('pop_grow'),
 dawb.get_name('gdp_pcap'),
 dawb.get_name('primary_education')],
 country=countries['iso2c'],
 start=2014,
 end=2014)
population=dawb.rename_columns(population)

（4）定義一個普通最小二乘模型如下：

population_model=ols("pop_grow ~ gdp_pcap + primary_education",
 data=population).fit()

（5）使用Cook距離描繪這個模型的影響圖：

%matplotlib inline
fig, ax=plt.subplots(figsize=(19.2, 14.4))
fig=sm.graphics.influence_plot(population_model, ax=ax, criterion="cooks")
plt.grid()

請參見以下截圖了解最終結果：

關于作者：Ivan Idris，曾是Java和數據庫應用開發者，后專注于Python和數據分析領域，致力于編寫干凈、可測試的代碼。他還是《Python Machine Learning By Example》《NumPy Cookbook》等書的作者，在工程實踐和書籍撰寫方面都非常有經驗。

本文摘編自《Python數據分析實戰》，經出版方授權發布。

推薦語：面向實際問題的Python數據分析實踐指南，通過豐富的實例、大量的代碼片段和圖例，可以幫助你快速掌握用Python進行數據分析的各種技術。