在数据科学和机器学习的工作流程中，特征选择是一个关键步骤。通过评估每个特征对模型预测能力的影响，我们可以选择最有意义的特征（指标），从而提高模型的性能并减少过拟合。本文将介绍如何使用 Python 的 Seaborn 和 Matplotlib 库绘制特征重要性图（即条形图），以帮助我们可视化特征的重要性。

准备工作

首先，我们需要安装必要的库。如果您还没有安装 Pandas、Matplotlib 和 Seaborn，可以使用以下命令进行安装：

pip install pandas matplotlib seaborn

数据准备

在本示例中，我们创建一个简单的字典，模拟特征及其重要性分数。然后，我们将使用 Pandas 将其转换为 Series，以便更方便地进行处理和可视化。在具体的实际例子应用中，可以通过代码直接读取 csv/xlsx 等格式的数据。

import pandas as pd# 定义特征及其重要性值
data_dict = {'Vasodilator_1': 0.005994,'HDL': 0.006587,'BNP': 0.016333,'Cr': 0.018373,'Statins_1': 0.020511,'Diabetes_1': 0.024206,'Antibiotics_1': 0.029286,'Cr_new_1': 0.029618,'CtnI': 0.033793,'Oliguria_1': 0.035396
}# 将字典转换为 Pandas Series
selected_features = pd.Series(data_dict)

绘制特征重要性图

接下来，我们将使用 Seaborn 和 Matplotlib 绘制柱状图，以展示特征的重要性。

import matplotlib.pyplot as plt
import seaborn as sns# 创建图形，设置图形大小
plt.figure(figsize=(10, 6))# 使用 Seaborn 绘制条形图
barplot = sns.barplot(x=selected_features.values, y=selected_features.index, palette='viridis')# 设置图表标题
plt.title('Feature Importance from Lasso Regression', fontsize=14)# 反转y轴，使得重要性最高的特征在顶部
plt.gca().invert_yaxis()# 设置x轴和y轴的标签
plt.xlabel('Feature Importance', fontsize=13)
plt.ylabel('Variable', fontsize=13)# 调整图像在画布中的位置，避免元素重叠
plt.tight_layout()# 隐藏图表的上边框和右边框
barplot.spines['top'].set_visible(False)
barplot.spines['right'].set_visible(False)# 在每个柱子上显示对应的数值
for p in barplot.patches:barplot.annotate(format(p.get_width(), '.3f'),  # 格式化数值到小数点后3位(p.get_width() + 0.001, p.get_y()),  # 设置注释位置ha='center', va='bottom', fontsize=10, color='black',  # 设置对齐方式和字体xytext=(0, 7),  # 纵向偏移textcoords='offset points'  # 偏移单位为点)# 保存图像为 PDF 文件
plt.savefig('Feature_Importance.pdf')# 显示图像
plt.show()

代码解释

• 设置图形大小：使用 plt.figure() 设置图形的宽度和高度。
• 绘制柱状图：使用 sns.barplot() 绘制柱状图，其中 x 轴表示特征重要性，y 轴表示特征名称。
• 反转 y 轴：使用 invert_yaxis() 使得重要性最高的特征在顶部。
• 添加标签和标题：设置 x 轴和 y 轴的标签以及图表标题。
• 隐藏边框：隐藏不必要的图表边框，使得图表更加美观。
• 标注每个柱子：在每个柱子上添加对应的数值，以便于查看特征的重要性。
• 保存和显示图像：将生成的图像保存为 PDF 文件，并显示出来。

特征图展示