首先读入一个数据作准备
from pandas import read_csv
from matplotlib import pyplot
filename='housing.csv'
names=['1','2','3','4','5','6','7','8','9','10','11','12','13','14']
#数据共14列,为每一列取一个名字
data=read_csv(filename,names=names,delim_whitespace=True)
#csv文件以空格分隔,所以delim_whitespace为True
描述性统计信息
print(data.describe())
此函数会输出数据的最大值,最小值,中位数,四分位数,方差,均值等,可以加深对数据分布的理解。
数据特征之间的关联关系
print(data.corr(method='pearson'))
上边的代码查看了数据的皮尔逊相关系数,皮尔逊相关系数>07或者<-0.7表示这些特征属性之间有强关联关系。
数据可视化
直方图
data.hist(sharex=False,sharey=False,xlabelsize=1,ylabelsize=1)
pyplot.show()
hist接口的定义:
DataFrame.hist(column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds)
各参数作用:
图片来自于(https://blog.csdn.net/u011240016/article/details/85075968)
密度图
密度图比直方图更加平滑的展示了数据的分布特征
data.plot(kind='density',subplots=True,layout=(4,4),sharex=False,fontsize=1)
pyplot.show()
箱线图
箱形图(Box-plot)又称为盒须图、盒式图或箱线图,是一种用作显示一组数据分散情况资料的统计图。箱线图的绘制方法是:先找出一组数据的上边缘、下边缘、中位数和两个四分位数;然后, 连接两个四分位数画出箱体;再将上边缘和下边缘与箱体相连接,中位数在箱体中间。
data.plot(kind='box',subplots=True,layout=(4,4),sharex=False,fontsize=1)
pyplot.show()
散点图矩阵
对高维数据进行可视化,一个常用的方法是散点图。对于具有2个以上维度的数据,可以使用散点图矩阵(scatterplot matrix),其中每一个视图是某2个维度的散点图。因为当欲同时考察多个变量间的相关关系时,若一一绘制它们间的简单散点图,十分麻烦。此时可利用散点图矩阵来同时绘制各自变量间的散点图,这样可以快速发现多个变量间的主要相关性。
绘制过程如下:
from pandas import read_csv
from pandas.plotting import scatter_matrix
from matplotlib import pyplot
filename='housing.csv'
data=read_csv(filename,delim_whitespace=True)
scatter_matrix(data)
pyplot.show()
结果为:
相关矩阵图
相关矩阵也叫相关系数矩阵,其是由矩阵各列间的相关系数构成的。也就是说,相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。
相关矩阵图的目的是探索两个事物之间的关系。实际应用中,我们常常需要探索多个变量的两两之间的相关性。
相关系数:绝对值越接近1,相关性越强,1指的是完全正相关,-1指的是完全负相关,0表示完全无关
import numpy as np
names=['1','2','3','4','5','6','7','8','9','10','11','12','13','14']
fig=pyplot.figure()
ax=fig.add_subplot(111)
cax=ax.matshow(data.corr(),vmin=-1,vmax=1,interpolation='none')
fig.colorbar(cax)
ticks=np.arange(0,14,1)
ax.set_xticks(ticks)
ax.set_yticks(ticks)
ax.set_xticklabels(names)
ax.set_yticklabels(names)
pyplot.show()
数据特征属性之间的两两相关性,有些属性之间是强相关的,建议在后续的处理中移除这些特征属性,以提高算法的准确度。