時間序列模型決定了**的準確性，良好的視覺化展示能為模型效果增益。seaborn因其高相容性和互動性，在時間序列資料視覺化設計中獨佔優勢。
由美國國家**中心收集，記錄了全世界所有顯著**的地點和震級（自2023年報告的震級為5.5以上**的發生日期，時間，位置，深度，大小和**資料）。
import pandas as pd
import numpy as np
data = pd.read_csv('earthquake.csv')
data.head()
複製**
seaborn中的plot function:
data['date'] = pd.to_datetime(data['date'])
data['year'] = data['date'].dt.year
data['month'] = data['date'].dt.month
data = data[data['type'] == 'earthquake']複製**
countplot
我們可以先用countplot作圖，看一看在1965-2023年間，每年各有多少次**。
import
warnings
warnings.filterwarnings("ignore")
import
seaborn as sns
import
matplotlib.pyplot as plt
%matplotlib
inline
plt.figure(1,figsize=(12,6))
year
= [i for i in
range(1965,2017,5)]
idx= [i for i in
range(0,52,5)]
sns.countplot(data['year'])
plt.setp(plt.xticks(idx,year)[1],rotation=45)
plt.title('earthquake counts in history from year 1965 to year
2016')
plt.show()複製**
heatmap
其次，我們可以按年、月份製作熱力圖（heatmap），觀察近十年的**記錄，
熱力圖的特點在於，定義兩個具有意義的dimension，看資料在這兩個dimension下的統計情況，完成對比分析。
test
= data.groupby([data['year'],data['month']],as_index=false).count()new = test[['year','month','id']]
temp
= new.iloc[-120:,:]
temp
= temp.pivot('year','month','id')
sns.heatmap(temp)
plt.show()
複製**
timeseries
也可以利用時間序列圖（timeserise），**以年為單位**次數趨勢。
temp
= data.groupby('year',as_index=false).count()
temp
= temp.loc[:,['year','id']]
plt.figure(1,figsize=(12,6))
sns.tsplot(temp.id,temp.year,color="r")
plt.show()
複製**
regression
可以對以年為單位的**記錄作線性回歸擬合。以下兩張圖分別對應一階線性回歸擬合、擬合後殘值分布情況圖。
plt.figure(figsize=(12,6))
plt.subplot(121) sns.regplot(x="year", y="id",
data=temp,order=1) # default by 1plt.ylabel(' ')
plt.title('regression fit of earthquake records by year,order = 1')
plt.subplot(122)
sns.residplot(x="year", y="id",
data=temp)
plt.ylabel(' ')
plt.title('residual plot when using a simplt regression
model,order=1')
plt.show()複製**
也可以嘗試二階擬合：
plt.figure(figsize=(12,6))
plt.subplot(121)
sns.regplot(x="year", y="id",
data=temp,order=2) # default by 1plt.ylabel(' ')
plt.title('regression fit of earthquake records by year,order = 2')
plt.subplot(122)
sns.residplot(x="year", y="id",
data=temp,order=2)
plt.ylabel(' ')
plt.title('residual plot when using a simplt regression
model,order=2')
plt.show()複製**
或者針對**記錄中的深度depth、強度magnitude做線性擬合。
plt.figure(figsize=(12,6))
plt.subplot(121)
sns.regplot(x="year", y="depth",
data=data,x_jitter=.05,
x_estimator=np.mean,order=3)
plt.ylabel(' ')
# x_estimator是乙個引數，相當於對每年**記錄中引數取平均值，**平均值的趨勢
plt.title('regression fit of depth,order = 3')
plt.subplot(122)
sns.regplot(x="year", y="magnitude",
data=data,x_jitter=.05,
x_estimator=np.mean,order=3)
# x_estimator是乙個引數，相當於對每年**記錄中引數取平均值，**平均值的趨勢
plt.title('regression fit of magnitude,order=3')
plt.show()
複製**
seaborn視覺化系列
seaborn視覺化學習之categorial visualization
seaborn視覺化學習之distribution visualization
Python 資料視覺化
資料視覺化指的是通過視覺化表示來探索資料，它與資料探勘緊緊相關，而資料探勘指的是使用 來探索資料集的規律和關聯。資料集可以是用一行 就能表示的小型數字列表，也可以是數以吉位元組的資料。漂亮地呈現資料關乎的並非僅僅是漂亮的。以引人注目的簡潔方式呈現資料，讓人能夠明白其含義，發現資料集中原本未意識到的規...
python 視覺化庫
在做titanic分析的過程中，看了一些大神的想法，發現在分析資料的過程中，許多大神會使用到seaborn，plotly這些庫，而我等小白僅僅知道matplotlib這個唯一的資料視覺化庫而已。上網查詢資料後整理如下 資料視覺化庫可以根據其應用場景來分為以下幾類 基礎的2d,3d圖繪製庫，互動資訊視...
Python資料視覺化2 1 為什麼視覺化需要規劃
摘要 資料分析與視覺化 大多數視覺化故事是圍繞問題或話題展開的 資料探索或收集的起源。這問題包含了整個故事的起因，構成整個故事。這樣的資料征程以乙個問題開始，比如，2014年，報道的埃博拉病毒死亡人數是多少？回答這個問題需要乙個彼此協作的團隊完成。資料傳播者的作用應該是創造一種轉變觀眾看法的經歷。故...