红酒数据分析-python

最新推荐文章于 2024-06-23 21:12:17 发布

雩风木

最新推荐文章于 2024-06-23 21:12:17 发布

阅读量804

点赞数 2

文章标签：数据分析 python 数据挖掘

本文链接：https://blog.csdn.net/qq_45185042/article/details/132248729

版权

目的：研究红酒品质和理化性质的关系

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

读取数据

df = pd.read_csv("D:\Study\AI_data\winequality-red.csv",sep=';')
df.head(5)#显示前五行数据

	fixed acidity	volatile acidity	citric acid	residual sugar	chlorides	free sulfur dioxide	total sulfur dioxide	density	pH	sulphates	alcohol	quality
0	7.4	0.70	0.00	1.9	0.076	11.0	34.0	0.9978	3.51	0.56	9.4	5
1	7.8	0.88	0.00	2.6	0.098	25.0	67.0	0.9968	3.20	0.68	9.8	5
2	7.8	0.76	0.04	2.3	0.092	15.0	54.0	0.9970	3.26	0.65	9.8	5
3	11.2	0.28	0.56	1.9	0.075	17.0	60.0	0.9980	3.16	0.58	9.8	6
4	7.4	0.70	0.00	1.9	0.076	11.0	34.0	0.9978	3.51	0.56	9.4	5

df.info()#数据表的基本信息

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1599 entries, 0 to 1598
Data columns (total 12 columns):
 #   Column                Non-Null Count  Dtype  
---  ------                --------------  -----  
 0   fixed acidity         1599 non-null   float64
 1   volatile acidity      1599 non-null   float64
 2   citric acid           1599 non-null   float64
 3   residual sugar        1599 non-null   float64
 4   chlorides             1599 non-null   float64
 5   free sulfur dioxide   1599 non-null   float64
 6   total sulfur dioxide  1599 non-null   float64
 7   density               1599 non-null   float64
 8   pH                    1599 non-null   float64
 9   sulphates             1599 non-null   float64
 10  alcohol               1599 non-null   float64
 11  quality               1599 non-null   int64  
dtypes: float64(11), int64(1)
memory usage: 150.0 KB

df.shape#维度查看，几行几列

(1599, 12)

df.describe() #查看常见统计量

	fixed acidity	volatile acidity	citric acid	residual sugar	chlorides	free sulfur dioxide	total sulfur dioxide	density	pH	sulphates	alcohol	quality
count	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000	1599.000000
mean	8.319637	0.527821	0.270976	2.538806	0.087467	15.874922	46.467792	0.996747	3.311113	0.658149	10.422983	5.636023
std	1.741096	0.179060	0.194801	1.409928	0.047065	10.460157	32.895324	0.001887	0.154386	0.169507	1.065668	0.807569
min	4.600000	0.120000	0.000000	0.900000	0.012000	1.000000	6.000000	0.990070	2.740000	0.330000	8.400000	3.000000
25%	7.100000	0.390000	0.090000	1.900000	0.070000	7.000000	22.000000	0.995600	3.210000	0.550000	9.500000	5.000000
50%	7.900000	0.520000	0.260000	2.200000	0.079000	14.000000	38.000000	0.996750	3.310000	0.620000	10.200000	6.000000
75%	9.200000	0.640000	0.420000	2.600000	0.090000	21.000000	62.000000	0.997835	3.400000	0.730000	11.100000	6.000000
max	15.900000	1.580000	1.000000	15.500000	0.611000	72.000000	289.000000	1.003690	4.010000	2.000000	14.900000	8.000000

plt.style.use('ggplot')
colnm = df. columns.tolist()#dataframe数据类型转换为list数据类型
fig = plt.figure(figsize = (12,6))

for i in range(12):
        plt.subplot(2,6,i+1) #将整个图像划分为两行六列共12个图像
        sns.boxplot(df[colnm[i]],orient = "v",width = 0.5,color='r')
        plt.ylabel(colnm[i],fontsize=12)
        
plt.tight_layout()#自动调整子图参数，使之填充整个图像区域。这是个实验特性，可能在一些情况下不工作。它仅检查坐标轴刻度、刻度标签以及标题部分
print('\nFigure 1: Univariate Boxplots（单变量箱线图）')

Figure 1: Univariate Boxplots（单变量箱线图）

在这里插入图片描述

箱线图的各线释义

箱子的上下底分别是上四分之位0.75和下四分之位0.25，箱体包含50%的数据，箱体中间的线指的是中位数。箱子高度在一定程度上反映了数据的波动程度。

上边界和下边界之外的值可以理解为异常值

还有一些极端情况，箱子被压得很扁，甚至只剩下一条线，同时还存在着很多异常值。这些情况的出现，有两个常见的原因。第一，样本数据中，存在特别大或者特别小的异常值，这种离群的表现，导致箱子整体被压缩，反而凸显出来这些异常，第二，样本数据特别少，因此箱体受单个数据的影响被放大了。

colnm1 = df.columns.tolist()
plt.figure(figsize = (12,8))

for i in range(12):
    plt.subplot(4,3,i+1)#创建四行三列十二个图像
    df[colnm1[i]].hist(bins = 100 ,color ='b')#直方图df.hist()
    plt.xlabel(colnm1[i],fontsize=12)#横轴字段名
    plt.ylabel('Frequency')#纵轴频率

plt.tight_layout()
print('\nFigure 2:Univariate Histograms单变量直方图')

Figure 2:Univariate Histograms单变量直方图

在这里插入图片描述

品质评价范围是0-10，这个数据集中范围是3到8，有82%的红酒品质是5或6（690+650=1340）

这个数据集有7个酸度相关的特征：fixed acidity(非挥发性酸)，volatile acidity(挥发性酸)，citric acid(柠檬酸)，free sulfur dioxide游离二氧化硫，total sulfur dioxide总二氧化硫，sulphates硫酸盐类，pH。

前6个特征都与红酒的pH相关。pH是对数的尺度，下面对前6个特征取对数然后作直方图。

另外，pH值主要是与fixed acidity有关，fixed acidity比volatile acidity和citric acid高1到2个数量级

acidityFeat =['fixed acidity','volatile acidity','citric acid','free sulfur dioxide','total sulfur dioxide','sulphates']

plt.figure(figsize=(12,4))

for i in range(len(acidityFeat)):
    ax = plt.subplot(2,3,i+1)#两行三列六副图
    v = np.log10(np.clip(df[acidityFeat[i]].values,a_min = 0.001,a_max = None))
    plt.hist(v,bins=50,color = 'g')
    plt.xlabel('log(' + acidityFeat[i]+')',fontsize = 12)
    
    plt.ylabel('Frequency')
    
plt.tight_layout()
print('\nFigure:3 acidity Features in log10 Scale')

Figure:3 acidity Features in log10 Scale

在这里插入图片描述

plt.figure(figsize=(12,6))

bins = 10**(np.linspace(-2,2))

plt.hist(df['fixed acidity'],bins = bins,edgecolor='k',label = 'Fixed acidity')
plt.hist(df['volatile acidity'],bins=bins,edgecolor='k',label='volatile acidity')
plt.hist(df['citric acid'],bins=bins,edgecolor='k',label='citric acid')
plt.xscale('log')
plt.xlabel('Acid Concentration(g/dm^3)')
plt.ylabel('Frequency')
plt.title('Histogram of Acid Concentration')
plt.legend()
plt.tight_layout()

print('Figure 4')

Figure 4 Histogram of Acid Concentration

在这里插入图片描述

df['total acid'] = df['fixed acidity']+df['volatile acidity']+df['citric acid']

plt.figure(figsize = (12,5))

plt.subplot(121)
plt.hist(df['total acid'],bins=50,color = 'm')
plt.xlabel('total acid')
plt.ylabel('Frequency')

plt.subplot(122)
plt.hist(np.log(df['total acid']),bins = 50,color='m')
plt.xlabel('log(total acid)')
plt.ylabel('Frequency')

plt.tight_layout()

print("Figure 5: Total Acid Histogram")

Figure 5: Total Acid Histogram

在这里插入图片描述

甜度(sweetness)

Residual sugar(剩余糖分) 与酒的甜度有关，通常用来区别各种红酒，干红（<= 4g/L）,半干（4-12 g/L），半甜（12-45g/L）和甜（>45g/L）。这个数据中，主要为干红，没有甜葡萄酒。

print(df.columns.tolist())

['fixed acidity', 'volatile acidity', 'citric acid', 'residual sugar', 'chlorides', 'free sulfur dioxide', 'total sulfur dioxide', 'density', 'pH', 'sulphates', 'alcohol', 'quality', 'total acid']

#residual sugar
df['sweetness'] = pd.cut(df['residual sugar'],bins = [0,4,12,45],labels = ['dry','medium dry','semi-sweet'])
plt.figure(figsize=(8,4))
df['sweetness'].value_counts().plot(kind='bar',color='y')

#value_counts()函数用于数据表的计数及排序。可用于查看指定列中有多少不同的数据值。
#图类型是柱状图bar

plt.xticks(rotation=0)#横轴分类字体倾斜程度

plt.xlabel('sweetness',fontsize=12)
plt.ylabel('Frequency',fontsize=12)

plt.tight_layout()

print('Figure 6:sweetness')

Figure 6:sweetness

在这里插入图片描述

双变量分析

红酒品质与理化性质分析

sns.set_style('ticks')
sns.set_context('notebook',font_scale=1.1)

colnm = df.columns.tolist()[:11] + ['total acid']
plt.figure(figsize=(10,8))

for i in range(12):
    plt.subplot(4,3,i+1)
    sns.boxplot(x='quality',y=colnm[i],data=df,color='g',width=0.6)
    plt.ylabel(colnm[i],fontsize=12)
    
plt.tight_layout()
print('\nFigure 7:Physicochemical Propertirs and Wine Quality by Boxplot')

Figure 7:Physicochemical Propertirs and Wine Quality by Boxplot

在这里插入图片描述

品质更好的酒有更高的柠檬酸，硫酸盐（sulphates）和酒精度数。硫酸盐（硫酸钙）的加入通常是调整酒的酸度的。其中酒精度数和品质的相关性最高。

品质好的酒有较低的挥发性酸类，密度和ph。

残留糖分，氯离子，二氧化硫似乎对酒的品质影响不大。

sns.set_style('dark')#主题设置为dark

plt.figure(figsize=(12,8))
colnm = df.columns.tolist()[:11] + ['total acid','quality']
mcorr = df[colnm].corr()
mask = np.zeros_like(mcorr,dtype=np.bool_)
mask[np.triu_indices_from(mask)] = True
cmap = sns.diverging_palette(220,10,as_cmap=True)
g = sns.heatmap(mcorr,mask=mask,cmap=cmap,square = True,annot=True,fmt='0.2f')
print('\nFigure 8:Pairwise Correlation Plot 两两相关图')

Figure 8:Pairwise Correlation Plot 两两相关图

在这里插入图片描述

密度和酒精浓度

密度和酒精浓度是相关的，物理上，两者并不是线性关系。Figure 8展示了两者的关系。另外密度还与酒中其他物质的含量有关，但是关系很小。

#style
sns.set_style('ticks')
sns.set_context("notebook",font_scale=1.4)
 
plt.figure(figsize=(6,4))
sns.regplot(x='density',y='alcohol',data = df,scatter_kws = {'s':10},color='g')
#sns.regplot()绘图数据和线性回归模型拟合。

plt.xlim(0.989,1.005)#x轴范围
plt.ylim(7,16)#y轴范围
print('Figure 9: Density vs Alchol')

Figure 9: Density vs Alchol

在这里插入图片描述

酸性物质含量和pH

pH和非挥发性酸性物质由-0.683的相关性。因为非挥发性酸性物质的含量远远高于其它酸性物质，总酸性物质（total acidity)这个特征并没有太多意义

otherFeat = ['fixed acidity','volatile acidity','total sulfur dioxide','sulphates','total acid']
plt.figure(figsize = (12,6))

for i in range(len(otherFeat)):
    plt.subplot(2,3,i+1)
    sns.regplot(x='pH',y=otherFeat[i],data = df, scatter_kws={'s':10},color='k')
plt.tight_layout()
print("Figure 10: pH vs acid")

Figure 10: pH vs acid

在这里插入图片描述

多变量分析

与品质相关性最高的三个特征是酒精浓度、挥发性酸度和柠檬酸。下面图中显示的酒精浓度，挥发性酸和品质的关系。

plt.style.use('ggplot')

sns.lmplot(x='alcohol',y='volatile acidity',hue='quality',
           data=df, fit_reg = False, scatter_kws={'s':10})#lmplot用于绘制回归图,fit_reg参数为Fasle时不显示拟合线

plt.title("Figure 11-1: Scatter Plots of Alcohol,Volatile Acid and Quality")
plt.show()

在这里插入图片描述

酒精浓度，挥发性酸和品质对于好酒（7，8）以及差酒（3，4），关系很明显。但是对于中等酒（5，6），酒精浓度的挥发性酸度有很大程度的交叉。

sns.lmplot(x='alcohol',y='volatile acidity',col='quality',hue='quality',
           data=df,fit_reg=False,
           aspect=0.9,col_wrap=3,scatter_kws={'s':20})
print("Figure 11-2: Scatter Plots of Alcohol,Volatile Acid and quality")
plt.show()

Figure 11-2: Scatter Plots of Alcohol,Volatile Acid and quality

在这里插入图片描述

pH，非挥发性酸，和柠檬酸

pH和非挥发性的酸以及柠檬酸有相关性。整体趋势也很合理，即浓度越高，pH越低。

#style
sns.set_style('ticks')
sns.set_context("notebook",font_scale=1.4)

plt.figure(figsize=(12,10))
cm = plt.cm.get_cmap('RdBu')
sc = plt.scatter(df['fixed acidity'],df['citric acid'],c=df['pH'],
               vmin=2.6,vmax=4,s=15,cmap=cm)
bar=plt.colorbar(sc)
bar.set_label('pH',rotation=0)
plt.xlabel('fixed acidity')
plt.ylabel('citric acid')
plt.xlim(4,18)
plt.ylim(0,1)
print('Figure 12: pH with Fixed Acidity and Citric Acid')

C:\Users\60545\AppData\Local\Temp\ipykernel_8216\1399992010.py:6: MatplotlibDeprecationWarning: The get_cmap function was deprecated in Matplotlib 3.7 and will be removed two minor releases later. Use ``matplotlib.colormaps[name]`` or ``matplotlib.colormaps.get_cmap(obj)`` instead.
  cm = plt.cm.get_cmap('RdBu')


Figure 12: pH with Fixed Acidity and Citric Acid

在这里插入图片描述

红酒品质主要与酒精浓度，挥发性酸和柠檬酸有关。对于品质优于7，或者劣于4的酒，直观上是线性可分的。但是分支为5，6的酒很难线性区分。

lt.colorbar(sc)
bar.set_label('pH',rotation=0)
plt.xlabel('fixed acidity')
plt.ylabel('citric acid')
plt.xlim(4,18)
plt.ylim(0,1)
print('Figure 12: pH with Fixed Acidity and Citric Acid')

Figure 12: pH with Fixed Acidity and Citric Acid

在这里插入图片描述

红酒品质主要与酒精浓度，挥发性酸和柠檬酸有关。对于品质优于7，或者劣于4的酒，直观上是线性可分的。但是分支为5，6的酒很难线性区分。

参考：https://aistudio.baidu.com/aistudio/projectdetail/757183?channelType=0&channe

雩风木

关注

2
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
红酒数据分析-python

目的：研究红酒品质和理化性质的关系。
复制链接

扫一扫