python 房价数据可视化以数据缺失处理、及回归算法

最新推荐文章于 2023-09-02 23:28:27 发布

胡须佬水

最新推荐文章于 2023-09-02 23:28:27 发布

阅读量874

点赞数

分类专栏： python 文章标签： python 信息可视化回归

本文链接：https://blog.csdn.net/qq_40127080/article/details/131197328

版权

python 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

该文展示了使用JupyterLab和Python3对房价数据进行分析的步骤，涉及的数据处理和绘图工具包括pandas、numpy、seaborn和matplotlib。通过描述性统计、分布图、散点图和箱线图揭示了房价与多个因素（如居住面积、地下室面积、材料质量、施工日期和街区）的关系，并利用相关性分析和热力图找出影响房价的关键特征。

摘要由CSDN通过智能技术生成

基本信息概述

房价数据为他国地区
使用工具为JupyterLab、python3
用到的包
- 绘图包：seaborn、matplotlib
- 数据处理包：numpy、pandas
- 统计计算包：math、scipy
- 回归模型包：make_pipeline、 RobustScaler、ElasticNet,Lasso、KernelRidge、GradientBoostingRegresso、xgboost

可视化步骤

导入并打印数据

df_train = pd.read_csv('data.csv',encoding = 'gbk') 
df_train

在这里插入图片描述

打印特征值、索引列

print(df_train.columns)

在这里插入图片描述

打印房价相关的数据描述

print(df_train['房价'].describe())

绘制每个房价区间的数量

seaborn.set(font=myfont.get_name()) 
plt.figure(figsize=(16,8),dpi=600) 
plt.ylabel('频数')
plt.title('房价分布') 


seaborn.distplot(df_train['房价'],kde=False,hist_kws={"label":"频数"})
plt.legend()

在这里插入图片描述
制作散点图，查看房价与居住面积之前的关系

data = pd.concat([df_train['房价'],df_train['居住面积']],axis=1)
plt.figure(figsize = (16,8),dpi = 600)
seaborn.scatterplot(data['居住面积'],data['房价'])

在这里插入图片描述
绘制散点图，房价与地下室面积之间的关系

data = pd.concat([df_train['房价'],df_train['地下室总面积']],axis =1)
plt.figure(figsize=(16,8),dpi=600)
seaborn.scatterplot(data['地下室总面积'],data['房价'])

在这里插入图片描述
绘制灯箱图，查看房价与材料和质量之间的关系

data = pd.concat([df_train['房价'],df_train['材料和质量']],axis =1)
plt.figure(figsize =(16,8),dpi = 600) 
seaborn.boxplot(data=data,x='材料和质量',y='房价')

在这里插入图片描述
绘制灯箱图，查看房价与原施工日期之间的关系

data = pd.concat([df_train['房价'],df_train['原施工日期']],axis = 1) 
plt.figure(figsize=(16,8),dpi=600)
plt.xticks(rotation=90) 
seaborn.boxplot(data=data,x='原施工日期',y='房价')

在这里插入图片描述
绘制灯箱图，查看房价与街区之间的关系

data = pd.concat([df_train['房价'],df_train['街区']],axis = 1)
plt.figure(figsize=(16,8),dpi=600) 
plt.xticks(rotation=90) 
seaborn.boxplot(data=data,x='街区',y='房价')

在这里插入图片描述
做热力图，查看所有数值型特征之间的相关性

corrmat=df_train.corr() 
plt.figure(figsize=(16,8),dpi=600)

seaborn.heatmap(corrmat,square=True,cmap='YlGnBu',xticklabels=True,yticklabels=True)

在这里插入图片描述
找出与房价的相关系数排名靠前的10个特征，画出这10个特征之间的热力图

k = 10  

cols = corrmat.nlargest(k,'房价')['房价'].index 

cm = np.corrcoef(df_train[cols].values.T)

plt.figure(figsize=(16,8),dpi=600) 

hm = seaborn.heatmap(cm,annot=True,square=True,fmt='.2f',annot_kws={'size':10},
                    yticklabels=cols.values,xticklabels=cols.values,cmap='YlGnBu')