以FIFA球员数据集为例，详解3大酷炫可视化技巧

该图可用来做演示，如果老板要求把梅西写在这张图上，那么就可加上图片注释。

max_wage = filtered_player_df.Wage.max() 
max_wage_player = filtered_player_df[(player_df['Wage'] == max_wage)]['Name'].values[0] 
g = sns.boxplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, whis=np.inf) 
g = sns.swarmplot(y = "Club", 
              x = 'Wage',  
              data = filtered_player_df, 
              # Decrease the size of the points to avoid crowding  
              size = 7,color='black') 
# remove the top and right line in graph 
sns.despine() 
# Annotate. xy for coordinate. max_wage is x and 0 is y. In this plot y ranges from 0 to 7 for each level 
# xytext for coordinates of where I want to put my text 
plt.annotate(s = max_wage_player, 
             xy = (max_wage,0), 
             xytext = (500,1),  
             # Shrink the arrow to avoid occlusion 
             arrowprops = {'facecolor':'gray', 'width': 3, 'shrink': 0.03}, 
             backgroundcolor = 'white') 
g.figure.set_size_inches(12,8) 
plt.show() 

带注释的统计信息和点群，可用于演讲中。

• 看看该图下方的波尔图队，工资预算如此之小，难以和其它高收入的球队们竞争。
• 皇马和巴塞罗那有许多高薪球员。
• 曼联的工资中位数最高。
• 曼联和切尔西注重平等，许多球员的工资水平都差不多。
• 虽然内马尔比梅西更受重视，但梅西和内马尔的工资差距巨大。

由此可知，在这个疯狂的世界中，有些正常只是表面的。

本文讨论了计算和读取不同变量类型之间的相关性、绘制数值数据之间的相关性、以及使用分类散点图绘制分类数据和数值数据之间的相关性。十分有趣的是，可以在Seaborn 中将图表元素叠加在一起。

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!