圖片來源：Willian Justen deVasconcellos on Unsplash
相比於浩如煙海的數據表格，大部分人還是更喜歡視覺資料，這一點已不足為奇。也是出於這個原因，人們通常才會在學術論文的前幾頁加上一張圖表，並且清楚地標記上各種註釋。
當數據科學家應用可視化技術後，數據的分佈情況以及分析的重點將清楚而直觀地展現在他們眼前。這種感覺異常奇妙！
數據可視化技術主要有兩大功能：
1. 將分析結果更加清晰地展現出來。
2. 將數據有效組織起來，利於提出新的猜想，或引導某一項目下一步的走向。
本文將會介紹到十種可視化技術。以後，無論你是想讓大家認可理論，還是為了規劃項目的下一步計劃，這些可視化方法都能幫助你分析數據。
1. 直方圖
首先來了解一下直方圖。通過直方圖，可以縱觀某個數值變量所有可能的值，以及其出現的頻率。直方圖看似簡單，實際上功能卻很強大。有時，直方圖也被稱為頻數分佈圖。
從視覺效果上來說，需要畫一個頻率圖，把相關變量排布在X軸上，而Y軸顯示的則是每個值出現的頻率。
例如，假設某個公司為了使自己的智能恆溫器更加暢銷，於是採取了一種營銷策略，即根據顧客郵政編碼的不同來提供相應的折扣。這時，通過繪製與恆溫器折扣相關的直方圖，人們就能更好地瞭解各個值的範圍，以及它們各自出現的頻率。
恆溫器折扣直方圖（單位：美元）
從上圖可以發現，恆溫器的折扣大約有半數介於100到120美元之間。而折扣低於60美元或者高於140美元的郵編，都只存在一小部分。
資料來源：https://ibm.box.com/s/6fltz5ilap8pbwzu2tt1yxil6ldosc9d
2. 條形圖與餅狀圖
上文所講的直方圖通常用於處理數值變量，而本段所涉及的條形圖與餅狀圖則主要適用於類別變量。如果要分析變量分佈，並且這些變量的值又比較固定，比如只存在低、正常、高，是、否，或者常規驅動、電驅動、混合驅動等有限選項，那麼這個時候最適合的選擇就是條形圖或者餅狀圖。
那麼到底是選條形圖還是餅狀圖呢？其實這兩種方法都值得一試，然後再看看哪個的視覺效果會更好一些。但是在可能選項比較少的情況下，餅狀圖還是更勝一籌。
如果數據類別過多的話，無論是條形圖還是餅狀圖，可視化的效果都不會太好。在這種情況下，可以考慮只對前幾項最大值進行可視化處理。
在下面這個例子中，病人的血壓情況同時在條形圖和餅狀圖中表示出來，並且分為了三個類別，分別是低、正常和高。
病人血壓條形圖與餅狀圖
資料來源：https://ibm.box.com/s/rxixq3fto3bkmr7xi5t55pcbj9sb4der
3. 散點圖與折線圖
或許最簡單的圖莫過於散點圖，因為它將數據展現在一個二維的笛卡爾座標系中。散點圖尤其適用於研究兩個變量之間的關係，因為它能將這種相互關係更加直觀地展現出來，以便我們進行研究。折線圖其實也是散點圖的一種，只不過它用一根線將所有的點連接了起來。如果變量Y的值是連續的，則常使用折線圖。
例如，假設你想要去調查房價與建築面積之間的關係，那麼下面這幅散點圖就可以幫到你。在這幅散點圖上，Y軸表示房價，X軸表示建築面積。同時，你要注意觀察它是如何表示變量之間的線性關係的。總體上看來，建築面積越大，房價越高。
可以通過顏色和尺寸的改變來擴展散點圖的維度。比如我們可以根據每個房子臥室的數量來對點進行上色，從而就可以獲得一個三維圖。
如果想把散點圖擴展為三維圖或者是四維圖，一個較為簡便的方法就是改變氣泡的顏色和大小。例如，如果根據每棟房子裡房間數量的多少，來對上一幅散點圖中的每一個氣泡進行塗色，那麼將得到三維的效果。
資料來源：https://ibm.box.com/s/n5m00r4ltcrx1e720d8mzw3et2d0vizy
4. 時間序列圖
時間序列圖也類似於散點圖，只不過X軸上標註的是時間範圍。在時間序列圖上，所有的點連接成一條線，以提醒我們時間是連續的。
如果想要更加直觀地研究某一數據隨時間的變化趨勢，時間序列圖就是絕佳選擇。因此，時間序列圖在分析財務數據和傳感器數據上應用得尤為普遍。
比如在下面這幅時間序列圖中，Y軸所表示的就是在2015到2017年間特斯拉股票每日的收盤價。
2015年至2017年特斯拉股票收盤價時間序列圖
資料來源：https://ibm.box.com/s/5oni1oeko2jej9x4er4zcu4k7cehvqp2
5. 關係圖
如果你的目的是提出一個全面的猜想，那麼關係圖就非常合適，因為它能直觀地展現出數據之間的關係。
假設你是一名在一家醫療公司工作的科學家，正在進行一個數據科學項目，該項目旨在讓醫生開處方的決策過程更加便捷化。那麼，如果現在有四種藥A、C、X和Y，並且醫生只能給每個病人開其中一種藥。而此時，你有一個數據集，其中包含病人開藥的歷史數據，病人的性別、血壓和血糖等數據。
那麼，如何解讀關係圖呢？在關係圖中，數據集裡的每一類數據都用一種不同的顏色表示，並且每條線的粗細程度代表著數據之間的相關性，也叫做頻次計數。通過下面這個例子，可以進一步瞭解一下關係圖。
從這幅處方關係圖中，可以得出以下幾點：
· 所有的高血壓病人都開了A藥。
· 所有的低血壓高血脂病人都開了C藥。
· 在開了X藥的病人中，沒有一個是高血壓患者。
一旦獲得了這些有效信息，你就可以提出一系列的假設，並且對新的領域進行研究。例如，機器學習分類器能夠對A藥、C藥，或者是X藥的使用做出準確的預測。然而，由於Y藥與所有的特徵值都有關聯，因此在做出預測之前需要補充其他的特徵值。
患者處方關係圖
資料來源：https://ibm.box.com/s/rxixq3fto3bkmr7xi5t55pcbj9sb4der
6. 熱圖
另外一種能夠把二維圖升高一個維度的方法就是熱圖，這種方法同樣很厲害並且色彩也比較豐富。在熱圖中會有一個矩陣或者地圖顯示，其上的顏色用來表示頻率或者濃度。大部分的人都覺得熱圖非常直觀，而且淺顯易懂，因為圖中顏色的濃度會顯示出某些趨勢以及需要特別關注的區域。
下面這幅熱圖展示的是在互聯網電影數據庫中，各電影名之間的編輯距離。某個電影名與其他電影名之間的編輯距離越遠，它在圖中顯示的顏色就越深。比如就編輯距離而言，《超人》 (Superman) 就離《永遠的蝙蝠俠》 (BatmanForever) 很遠，離《超人2》 (Superman2) 很近。
電影名編輯距離熱圖，源https://medium.com/@michaelzargham
7. 地圖
如果你的數據裡包含經度和緯度的信息，或者其它通過地理位置來組織數據的方法，比如郵政編碼、區域代碼、縣級數據或者機場數據等，那麼在這個時候，繪製地圖將會非常有助於對數據的可視化處理。
還記得之前在介紹直方圖時舉的那個有關於恆溫器折扣的例子嗎？回想一下，不同的地區所享受的折扣是不同的。由於這些數據裡包含經度和緯度的信息，因此我們可以把折扣情況繪製在一張地圖上。然後，只要在地圖上添加一個色譜，即從表示最低折扣的藍色一直到表示最高折扣的紅色，就可以將數據全部繪製到一張美國地圖上。
恆溫器折扣地圖
資料來源：https://ibm.box.com/s/6fltz5ilap8pbwzu2tt1yxil6ldosc9d
8. 詞雲
其實目前，我們所研究的大量數據都是以自由文本的形式出現的，並且這種文本也相對簡單。在對此類數據進行第一遍處理時，可能本想更加直觀地瞭解這些詞在語料庫中出現的頻率。然而，不論是直方圖還是餅狀圖，都對於這些文字類的數據顯得力不從心，而更適合分析數字數據的頻率。因此在這種情況下，可以求助於詞雲。
在處理自由文本數據時，首先應過濾掉所有的停用詞，比如像“a”、“and”、“but”、“how”等，並且將所有的文本統一轉為小寫。如果要進一步整理數據，就要進行額外的工作，比如移除變音符、提取詞幹等。但需不需要進行這一步，則具體視目標而定。一旦數據整理好了以後，就可以立刻使用詞雲可視化技術，來分析語料庫中哪些詞出現得最普遍。
以下，我們根據Large Movie Reviews Dataset數據庫繪製了兩個詞雲，一個展示的是好評，另一個展示的則是差評。
數據庫傳送門：http://ai.stanford.edu/~amaas/data/sentiment/
電影好評詞雲
電影差評詞雲
9. 三維圖
目前，為了分析三維數據，人們通常會選擇在散點圖的基礎上增加一個維度，並且這種方式也正變得越來越普遍。這種三維圖有許多優勢，尤其是其交互性。因為通過使用旋轉和縮放的功能，用戶能夠更加全面而深刻地分析數據。
以下這個例子中所展示的是一個二維的高斯概率密度函數，此外，還有一個可用於調整視角的控制面板。
二維高斯概率密度函數
資料來源：https://ibm.box.com/s/y0woc4hvk046v12yhlxdftkz32zw4po9
10. 高維圖
在分析高維數據時，需要同時對四項、五項，甚至更多的相關數據進行可視化處理。因此，為了達到這個目的，可以利用上文所講過的任何一個可視化技術，先構建一個二維或者三維模型。
例如，可以在上文的恆溫器折扣地圖中添加一個第三維度。具體來說，就是把地圖上的每一個點都延伸為一條豎直線，用以表示該地區的平均能耗。通過以上步驟，獲得一幅四維圖，其中四個維度分別表示經度、緯度、折扣力度和平均能耗。
如果需要分析的數據維度比這還要更高，就需要先對數據進行降維處理。數據降維的方法主要有兩種，即主成分分析法和t-SNE算法。
目前應用最為普遍的降維方法是主成分分析法。該方法通過找尋新的向量來進行降維，並且該向量必須儘可能多地反映數據原來的線性變化信息。如果數據間的線性關係足夠強大，那麼主成分分析法的降維效果就會非常明顯，並且幾乎不會發生信息的丟失。
相比之下，t-SNE算法就是一種非線性的降維方法。t-SNE算法在降低數據維度的同時，還會對原高維空間內數據點之間的距離進行保留。
來看看下面這幅圖，圖中的數據信息取樣自MNIST手寫數字數據庫³。該數據庫包含從0到9十個數字的數千種手寫體圖像，研究人員可以使用該數據庫對他們的聚類算法和分類算法進行測試。數據庫中，這些手寫體圖像的分辨率是784像素（28*28），然而通過t-SNE算法的應用，可以直接將這些784維的數據降至二維。
應用於MNIST手寫數字數據庫的t-SNE算法
資料來源：https://ibm.box.com/s/94e4q8askq82owlnr6qxerworm6cx2sp
至此，通過以上的講解並且輔以實例，你一定對這十種應用最為廣泛的可視化技術有了一定的瞭解。這篇文章中所出現的所有可視化圖表都是在Watson Studio Desktop平臺上製作完成的。當然，除了Watson Studio Desktop之外，還可以考慮使用其他的工具，比如R、Matplotlib、Seaborn、ggplot、Bokeh和plot.ly等，在這裡就不列舉更多的了。
留言 點贊 關注
我們一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
