scatter_matrix矩阵散点图横纵坐标的直观含义和理解

以boston房价数据集为例子，每个样本有13个特征，画出矩阵散点图:

pd.plotting.scatter_matrix(features, alpha = 0.3, figsize = (14,8), diagonal = 'kde');

对角线部分表示第i个特征的分布，x轴为该特征的值，y轴为该特征的值出现的次数，也就是说这个图表示第i个特征的密度估计。
 

第i行j列的非对角线部分，表示第i个特征与第j个特征的散点图，用于描述这两个特征的相关性。x轴为第j个特征，y轴为第i个特征。

正相关：自变量x变大时，因变量y随之变大；

负相关：自变量x变大时，因变量y随之变小；

不相关：因变量y不随自变量x的变化而变化。

 

可以认为散点图越接近y=x直线时越正相关，越接近y=-x直线时越负相关。

如果还是拿不准某对特征是否相关的话，可以用pandas的corr函数量化两个特征之间的相关性。