diamond数据集探索及可视化Python

该文章对机器学习中常见的diamond的数据及进行探索及可视化.

文章目录

前言

一、diamond数据集的介绍

二、数据集探索性分析

1.各特征的相关性

(1).成对分析图(成对散点图)

(2).成对分析图带拟合线

(3).diamond数据集的热力图

2.价格的直方图(带拟合线)

3.carat克拉的直方图

编辑

4.钻石的总深度与钻石的桌面比例的直方图

5.各特征的饼图

(1)cut切割质量饼图

(2)color颜色等级饼图

(3)clarity透明度等级饼图

6.各特征的核密度图

(1)价格与切割质量的核密度图

(2)价格与颜色的核密度图

(3)价格与透明度的核密度图

7.气泡散点图

(1)按照切割质量分类克拉与价格的气泡散点图

(2)按照颜色分类克拉与价格的气泡散点图

8.箱型图

(1)各钻石透明度价格的箱型图

(2)各钻石切割质量价格的箱型图

9 .堆积直方图

10 .分布直方图

(1)颜色

(2)透明度

(3)切割质量

总结

前言

该数据及是在机器学习常见数据集中的diamond数据集.diamonds是包括近54000颗钻石的价格和其他属性的内置数据集，共53940行个10变量.

对该数据集进行探索性分析，并做数据可视化处理，探索钻石的价格、重量分布，及钻石价格与重量、形状、切割状态、颜色、透明度之间的关系。接下来，进行非参数检验，探究不同切割类型、颜色和透明度的钻石，价格是否具有显著性差异.

我们所用到的绘图库为seaborn

大家要没有的话可以安装以下

打开cmd输入以下代码安装seaborn

pip install seaborn

安装完导入即可

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib as mpl

使用jupyternotebook.

那么我们就来具体的看一下吧!

一、diamond数据集的介绍

carat	cut	color	clarity	depth	table	price	x	y	z
0.23	Ideal	E	SI2	61.5	55	326	3.95	3.98	2.43
0.21	Premium	E	SI1	59.8	61	326	3.89	3.84	2.31
0.23	Good	E	VS1	56.9	65	327	4.05	4.07	2.31
0.29	Premium	I	VS2	62.4	58	334	4.2	4.23	2.63
0.31	Good	J	SI2	63.3	58	335	4.34	4.35	2.75
0.24	Very Good	J	VVS2	62.8	57	336	3.94	3.96	2.48
0.24	Very Good	I	VVS1	62.3	57	336	3.95	3.98	2.47
0.26	Very Good	H	SI1	61.9	55	337	4.07	4.11	2.53
0.22	Fair	E	VS2	65.1	61	337	3.87	3.78	2.49
0.23	Very Good	H	VS1	59.4	61	338	4	4.05	2.39

carat：钻石的重量（克拉）；

cut：钻石的切工，由低到高依次为Fair, Good, Very Good, Premium, Ideal；

color：钻石的颜色，从最低的J到最高的D；

clarity：钻石的纯净度，从低到高依次为I1, SI1, SI2, VS1, VS2, VVS1, VVS2, IF；

depth：钻石的总深度；

table：钻石的桌面比例；

price：钻石的价格；

x：钻石的长度；

y：钻石的宽度；

z：钻石的深度;

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib as mpl

import warnings
warnings.filterwarnings("ignore")

plt.rcParams['savefig.dpi'] = 300 #图片像素
plt.rcParams['figure.dpi'] = 300 #分辨率

data = pd.read_csv(r"C:\\Opencv\\Data_Visualization\\data\\datasets-master\\diamonds.csv")
data.head()

data.info()

columns = ["克拉","切割质量","钻石颜色","钻石透明度","总深度百分比","钻石顶部相对于最宽点的宽度","钻石价格(美元)","钻石长度","钻石宽度","钻石深度"]
[*zip(data.columns,columns)]

数据的描述性统计

data.describe([0.01,0.05,0.1,0.25,0.5,0.75,0.9,0.99]).T

这里对数据的描述性统计的结果大家可以仔细分析一下,会对数据的分析会更加理解.

二、数据集探索性分析

1.各特征的相关性

首先拿来个数据无从下手,那我们直接画成对分析图直接来观察各特征的相关性.

(1).成对分析图(成对散点图)

import matplotlib.pyplot as plt
import seaborn as sns
# 用Seaborn画成对关系
sns.pairplot(data)
plt.show()

从这个图大概我们可以看出各变量的相关程度,从图中我们可以发现钻石的克拉随着钻石的长度,钻石的宽度,钻石的深度增加而增加.

(2).成对分析图带拟合线

sns.pairplot(data #数据，各个特征和标签
            ,kind ='reg'#要绘制的图像类
              )

这就比较明显了但总觉得少了点什么,那么接下来我们画第一各正式的图.

(3).diamond数据集的热力图

coef = data.corr()
coef

#确保正常显示中文+负号
plt.rcParams['font.sans-serif']=['Simhei'] 
plt.rcParams['axes.unicode_minus']=False

#绘制图像
plt.figure(figsize=(12,10), dpi= 400) # dpi图像分辨率
sns.heatmap(data.corr() #需要输入的相关性矩阵
            , xticklabels=coef.columns #横坐标标签
            , yticklabels=coef.columns #纵坐标标签
            , cmap='RdYlGn' #使用的光谱，一般来说都会使用由浅至深，或两头颜色差距较大的光谱
            , center=0 #填写数据的中值，注意观察此时的颜色条，大于0的是越来越靠近绿色，小于0的越来越靠近红色
            , annot=True
           )

#装饰图像
plt.title('diamonds数据集的相关矩阵', fontsize=22)
plt.xticks(fontsize=12 #字体大小
           ,rotation=45 #字体是否进行旋转
           ,horizontalalignment='right' #刻度的相对位置
          )
plt.yticks(fontsize=12)
plt.show()

分析热力图

很直观的看到carat克拉与价钱,钻石的长度,钻石的宽度,钻石的深度相关程度很高.
根据我们的常识肯定也是钻石克拉越大钻石的体积也就越大,钻石也就越贵.
大就完事了其他都是次要的.

2.价格的直方图(带拟合线)

sns.distplot(data['price'],bins=50,kde_kws={"color":"seagreen", "lw":3 }, hist_kws={ "color": "b" })
plt.gca().set(xlim=(0.0, 21000),yticks = [],
              xlabel='price', ylabel='counts')
plt.show()

在价格方面上数据主要分布在<7500美元,折合人民币5万多,最多的主要大概分布在1500美元左右.

3.carat克拉的直方图

plt.hist(x=data.loc[:,"carat"] , bins=50, histtype='stepfilled' , orientation='vertical', color='blue')
plt.xlabel("the carat")
plt.ylabel("counts")
plt.show()

可见数据在克拉这个特征上的分布主要在carat<=2这个范围,钻石本身比较珍贵越大越稀有价格越贵.

4.钻石的总深度与钻石的桌面比例的直方图

import matplotlib.pyplot as plt
fig,(ax1,ax2) = plt.subplots(1,2)
plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=0.5)
plt.figure(figsize=(20,15),dpi=200)
ax1.hist(x=data.loc[:,"depth"] , bins=50, histtype='stepfilled' , orientation='vertical', color='blue')
ax2.hist(x=data.loc[:,"table"] , bins=50, histtype='stepfilled' , orientation='vertical', color='blue')
ax1.set_xlabel("the depth")
ax1.set_ylabel("the number of diamonds")
ax2.set_xlabel("the table")
ax2.set_ylabel("the number of diamonds")
plt.show()

从图中我们以可以看到钻石的总深度和钻石的桌面比例主要都分布在60左右
因为钻石的桌面和深度对钻石的火彩有着最大的影响，切磨太浅，光线由底部逸出导致钻石的亮度受损，没有达到最佳的折射效果，切磨太深，光线易从亭部逸出，钻石的亮度因此受损，失去光泽变得暗淡。
所以我查找最完美的钻石切割范围 (Total Depth):56.88%~63.92% (The table):58%至65%

5.各特征的饼图

(1)cut切割质量饼图

#数据准备
df = data.groupby('cut').size().reset_index(name = 'counts')

explode = [0,0,0,0,0.1]

#绘制图像
fig, ax = plt.subplots(figsize=(7, 7), dpi= 200)

wedges, texts, autotexts = ax.pie(x=X,
                                   autopct=lambda x:"{:.2f}%({})".format(x,int(x*df["counts"].sum())),
                                   colors=plt.cm.Dark2.colors, #图形的颜色
                                   startangle=150, #第一瓣扇叶从什么角度开始
                                   explode=explode #扇叶与扇叶之间的距离
                                  )

#装饰图像
categories = lables_cut #选取图例
ax.legend(categories #输入数据
          , title="Cut Class" #图例的标题
          , loc="center left"
          , bbox_to_anchor=(1, 0, 0.5, 1) #还记得bbox_to_anchor的用法么？
         ) 
ax.set_title("Class of diamonds: cut")
plt.setp(autotexts, size=12, weight=700, color="w"
        ) #设置某个对象(Artist)的属性(Property)
plt.show()

(2)color颜色等级饼图

lables_color = ['D', 'E', 'F', 'G', 'H', 'I', 'J']
df = data.groupby('color').size().reset_index(name = 'counts')
#数据准备
explode = [0.1,0,0,0,0,0,0]
X = df["counts"]
#绘制图像
fig, ax = plt.subplots(figsize=(7, 7), dpi= 200)

wedges, texts, autotexts = ax.pie(x=X,
                                   autopct=lambda x:"{:.2f}%".format(x),
                                   colors=plt.cm.Dark2.colors, #图形的颜色
                                   startangle=150, #第一瓣扇叶从什么角度开始
                                   explode=explode #扇叶与扇叶之间的距离
                                  )

#装饰图像
categories = lables_color #选取图例
ax.legend(categories #输入数据
          , title="Color Class" #图例的标题
          , loc="center left"
          , bbox_to_anchor=(1, 0, 0.5, 1)
         ) 
ax.set_title("Class of diamonds: color")
plt.setp(autotexts, size=12, weight=700, color="w"
        ) #设置某个对象(Artist)的属性(Property)
plt.show()

(3)clarity透明度等级饼图

lables_clarity = ['I1','SI2', 'SI1','VS2','VS1','VVS2','VVS1','IF']
df = data.groupby('clarity').size().reset_index(name = 'counts')
#数据准备
explode = [0,0,0,0,0,0,0,0.1]
X = df["counts"]
#绘制图像
fig, ax = plt.subplots(figsize=(7, 7), dpi= 200)

wedges, texts, autotexts = ax.pie(x=X,
                                   autopct=lambda x:"{:.2f}%".format(x),
                                   colors=plt.cm.Dark2.colors, #图形的颜色
                                   startangle=150, #第一瓣扇叶从什么角度开始
                                   explode=explode #扇叶与扇叶之间的距离
                                  )

#装饰图像
categories = lables_clarity #选取图例
ax.legend(categories #输入数据
          , title="Clarity Class" #图例的标题
          , loc="center left"
          , bbox_to_anchor=(1, 0, 0.5, 1) 
         ) 
ax.set_title("Class of diamonds: clarity")
plt.setp(autotexts, size=12, weight=700, color="w"
        ) #设置某个对象(Artist)的属性(Property)
plt.show()

6.各特征的核密度图

我们为什么要画和密度图呢

首先对于我们普通人来说钻石是很昂贵的奢饰品,会选择那些价格相对比较低的钻石.

对于富人来说可能会选择更大的价格更高的钻石,针对人群不同我们就需要对这些特征在价格上的分布情况,来分析对于某一类人来说,选择什么样的钻石会更好.

(1)价格与切割质量的核密度图

对于seaborn来说也就是一行代码.

sns.jointplot(x="cut_no", y="price", data=data1, kind='kde')
sns.jointplot(x="cut_no", y="price", data=data1, kind='hex')
plt.show()

对于切割质量这个特征来说是唯一一个可以进行认为干预的特征看,所以分布偏向于好的.