数据分析-Pandas最简单的方法画矩阵散点图

数据分析-Pandas直接画矩阵散点图

数据分析和处理中，难免会遇到各种数据，那么数据呈现怎样的规律呢？不管金融数据，风控数据，营销数据等等，莫不如此。如何通过图示展示数据的规律？

数据表，时间序列数据在数据分析建模中很常见，例如天气预报，空气状态监测，股票交易等金融场景。数据分析过程中重新调整，重塑数据表是很重要的技巧，此处选择Titanic数据，以及巴黎、伦敦欧洲城市空气质量监测$N{O}_2$数据作为样例。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

本文用到的样例数据：

Titanic数据

空气质量监测$N{O}_2$数据

样例代码：

源代码参考 Pandas如何重塑数据表

源代码参考 python数据分析-数据表读写到pandas

导入关键模块

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.close("all")

散点图矩阵是一种显示多个变量之间关系的数据可视化工具，特别是当数据集包含三个或多个变量时非常有用。

通常在探索性数据分析中使用，以便快速理解数据集中变量之间的关系。

对角线：通常设置每个变量的单变量分布，可以是密度图，直方图或箱线图。

非对角线图形：是散点图，显示数据集中每对变量间的关系。

最简的矩阵散点图画法

pandas画矩阵散点图方法最简单，只要一句语句搞定。

主要是pandas.plotting 模块，引入scatter_matrix 模块函数。

以下是调用产生随机的4列数据，对角线画密度图，样例：

from pandas.plotting import scatter_matrix

df = pd.DataFrame(np.random.randn(100, 4), columns=["a", "b", "c", "d"])
scatter_matrix(df, alpha=0.8, figsize=(6, 6), diagonal="kde");

plt.show()
plt.close("all")

图像特点：
1、展示多变量关系：

非对角线的是散点图，显示两个变量之间的关系。散点的分布特征可以揭示变量之间是否存在相关性，比如线性关系、非线性关系或没有明显关系。

2、分布可视化：

对角线上的图通常是直方图或密度图，显示单个变量的分布，帮助了解分布形状、集中趋势和离散程度。

3、散点的分组：

通过不同的颜色或形状，展示数据中的分组、分类情况。

使用场景：
关系识别：快速识别多个变量间的潜在关系，比如线性、非线性或没有关系。

异常值检测：观察数据点集群之外的点来识别异常值。

分布检查：在对角线的图表帮助理解各个变量的分布特征。

群组比较：使用颜色或形状区分不同的群组，可以帮助比较不同群组的特征。

以上代码只是一个简单示例，示例代码中的表达式可以根据实际问题进行修改。

后面介绍下其他的展示形式。

觉得有用 收藏 收藏 收藏

点个赞 点个赞 点个赞

End

GPT专栏文章：

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-LangChain + ChatGLM3构建天气查询助手

大模型查询工具助手之股票免费查询接口

GPT实战系列-简单聊聊LangChain

GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)

GPT实战系列-ChatGLM2模型的微调训练参数解读

GPT实战系列-如何用自己数据微调ChatGLM2模型训练

GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案

GPT实战系列-Baichuan2本地化部署实战方案

GPT实战系列-Baichuan2等大模型的计算精度与量化

GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF

GPT实战系列-探究GPT等大模型的文本生成-CSDN博客