當我們想將三個變量一起繪製時，需要考慮四種主要情況：
- - 三個數值變量
- - 兩個數值變量和一個類別變量
- - 一個數字變量和兩個類別變量
- - 三個類別變量
如果我們至少有兩個數字變量（如前兩種情況），則描述數據的一種常用方法是使用散點圖對兩個數字變量進行編碼，然後對這些點使用非位置編碼來傳達值在第三個變量上，無論是數字變量還是分類變量。 （您將在本課程的後面看到其他技術，這些技術也可以應用於其他兩種情況，即我們至少有兩個分類變量。）
三種主要的非位置編碼突出：形狀，大小和顏色。對於matplotlib和seaborn，顏色是這三種編碼中最容易應用第三個變量的顏色。顏色可用於編碼定性和定量數據，並具有用於不同用例的不同類型的調色板。由於可以廣泛使用顏色，因此關於顏色及其在matplotlib和seaborn中的用法的專門討論將推遲至本課程的下一頁。
通過形狀編碼
形狀是分類變量的良好編碼，對分類變量的每個級別使用一個形狀。不幸的是，沒有內置的方法可以在一次調用散點圖或regplot函數時自動分配不同的形狀。取而代之的是，我們需要編寫一個循環來多次調用繪圖函數，按分類級別隔離數據點，併為每個變量設置一個不同的“標記”自變量值。
<code>plt.figure(figsize = [5,5]) common_size = 2500 plt.scatter([0],[1], marker = 's', s = common_size) plt.scatter([1],[1], marker = '^', s = common_size) plt.scatter([0],[0], marker = 'o', s = common_size) plt.scatter([1],[0], marker = 'X', s = common_size) # a little bit of aesthetic cleaning plt.xlim(-0.5,1.5) plt.xticks([]) plt.ylim(-0.5,1.5) plt.yticks([])/<code>
通過大小編碼
<code>plt.scatter(data = df, x = 'num_var1', y = 'num_var2', s = 'num_var3')
# dummy series for adding legend
sizes = [20, 35, 50]
base_color = sb.color_palette()[0]
legend_obj = []
for s in sizes:
legend_obj.append(plt.scatter([], [], s = s, color = base_color))
plt.legend(legend_obj, sizes)/<code> 顏色編碼
<code>sb.palplot(sb.color_palette(n_colors=9))/<code>
<code>sb.palplot(sb.color_palette('viridis', 9))/<code>
<code>sb.palplot(sb.color_palette('vlag', 9))/<code>
Faceting in Two Directions
<code>pkm_stats = ['hp', 'attack', 'defense', 'speed', 'special-attack', 'special-defense'] g = sb.PairGrid(data = pokemon, vars=pkm_stats) g.map(plt.scatter)/<code>
<code>sb.heatmap(pokemon[pkm_stats].corr(), cmap = 'rocket_r', annot = True, fmt = '.2f', vmin = 0)/<code>
特徵工程
特徵工程就是要創建一個新變量，其原始變量之間的總和，差額，乘積或比率可以更好地洞察您要回答的研究問題。
例如，如果您有一個提供犯罪事件計數的變量，而有一個提供人口總數的變量，那麼您可能希望通過將前者除以後者來設計一個新變量，從而得出事件發生率。這將解釋原始特徵之間的可能關係，在此地方，如果有更多的人，自然就會有更多發生犯罪的機會。如果我們查看原始計數而不是事件發生率，則可能冒險只看到有關人口規模的信息，而不是我們真正想要的信息。
進行特徵工程的另一種方法是使用cut函數將數字變量劃分為有序的bin。當我們將數字變量拆分為有序的bin時，它將打開它以提供更多可視化編碼。例如，我們可以按數值變量的箱進行面圖繪製，或者使用離散的顏色箱而不是連續的色標。這種離散化步驟可能會通過消除噪音來幫助講述故事，使讀者可以專注於數據的主要趨勢。當然，如果垃圾桶的間距不正確，垃圾桶也可能會誤導您-如果您希望在基於地圖的可視化環境中看到更深入的討論，請查看PolicyViz的這篇文章。
