如何进行有意义的探索性数据分析(EDA)
目录
- 1. 设置
- 1.1 导入库
- 1.2 导入数据
- 1.3 数据集特征
- 1.4 数据集属性
- 2. 探索训练集和测试集
- 2.1 训练集 - 快速概览
- 2.2 训练集 - 基本统计
- 2.3 测试集 - 快速概览
- 2.4 测试集 - 基本统计
- 3. 特征分布
- 4. 数据不平衡检查 - 为什么重要
- 4.1 不平衡数据需要不同的处理方法
- 5. 我们应该删除异常值吗?
- 5.1 检查训练集中的异常值
- 5.2 四分位距(IQR)
- 5.3 检测和删除异常值
- 5.4 我们做了什么?
- 6. 处理重复值
- 7. 相关性
- 8. 更多可视化
1 | 设置
1.1 导入库
# 导入所需的库
import numpy as np
import pandas as pd
import seaborn as sns
import plotly.express as px
import tkinter
from matplotlib import pyplot as plt
from sklearn.model_selection import cross_val_score
from collections import Counter
# 设置seaborn的样式为ticks,并将上下文设置为talk
sns.set(style="ticks", context="talk")
<a id="1.2"></a>
## <b>1.2 <span style='color:#F1A424'>导入数据</span></b>
```python
# 读取训练数据和测试数据
try:
# 尝试从指定路径读取训练数据和测试数据
raw_train = pd.read_csv('/kaggle/input/playground-series-s3e4/train.csv', index_col='id')
raw_test = pd.read_csv('/kaggle/input/playground-series-s3e4/test.csv', index_col='id')
except:
# 如果指定路径读取失败,则从当前路径读取训练数据和测试数据
raw_train = pd.read_csv('train.csv', index_col='id')
raw_test = pd.read_csv('test.csv', index_col='id')
1.3 数据集特征
比赛的数据集(包括训练集和测试集)是从一个在信用卡欺诈检测(https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud)上训练的深度学习模型生成的。特征分布与原始数据集接近,但并非完全相同。请随意将原始数据集用作比赛的一部分,既可以探索差异,也可以查看是否将原始数据集纳入训练可以提高模型性能。
请注意,与之前的Tabular Tuesdays数据集相比,这个比赛的基础数据集要大得多,因此可能包含更多的伪像。
https://www.kaggle.com/competitions/playground-series-s3e4/overview
1.4 数据集属性
数据集说明
该数据集仅包含经过PCA转换的数值型输入变量。不幸的是,由于保密问题,我们无法提供原始特征和更多关于数据的背景信息。特征V1、V2、…、V28是通过PCA获得的主成分,唯一没有经过PCA转换的特征是’Time’和’Amount’。特征’Time’表示每个交易与数据集中第一笔交易之间经过的秒数。特征’Amount’表示交易金额,该特征可以用于基于示例的成本敏感学习。特征’Class’是响应变量,如果是欺诈交易则取值为1,否则为0。
-
Id
- 每行的唯一标识符。 -
Time
- 该交易与数据集中第一笔交易之间经过的秒数 -
V1-V28
- 经过降维处理以保护用户身份和敏感特征的特征 -
Amount
- 交易金额 -
Class
- 目标类别(1表示欺诈交易,0表示真实交易)
🔝返回目录🔝
2 | 探索训练集和测试集
训练数据集中的观察结果:
- 共有32列:30列连续型变量,0列分类变量,1列id和1列目标变量
- 共有219129行
- 类别是目标变量
- 没有缺失值
测试数据集中的观察结果:
- 共有31列:30列连续型数据,0列分类数据和1列id
- 共有146087行
- 没有缺失值
2.1 训练数据集 - 快速概览
# 查看训练数据的前几行
raw_train.head()
Time | V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | ... | V21 | V22 | V23 | V24 | V25 | V26 | V27 | V28 | Amount | Class | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
id | |||||||||||||||||||||
0 | 0.0 | 2.074329 | -0.129425 | -1.137418 | 0.412846 | -0.192638 | -1.210144 | 0.110697 | -0.263477 | 0.742144 | ... | -0.334701 | -0.887840 | 0.336701 | -0.110835 | -0.291459 | 0.207733 | -0.076576 | -0.059577 | 1.98 | 0 |
1 | 0.0 | 1.998827 | -1.250891 | -0.520969 | -0.894539 | -1.122528 | -0.270866 | -1.029289 | 0.050198 | -0.109948 | ... | 0.054848 | -0.038367 | 0.133518 | -0.461928 | -0.465491 | -0.464655 | -0.009413 | -0.038238 | 84.00 | 0 |
2 | 0.0 | 0.091535 | 1.004517 | -0.223445 | -0.435249 | 0.667548 | -0.988351 | 0.948146 | -0.084789 | -0.042027 | ... | -0.326725 | -0.803736 | 0.154495 | 0.951233 | -0.506919 | 0.085046 | 0.224458 | 0.087356 | 2.69 | 0 |
3 | 0.0 | 1.979649 | -0.184949 | -1.064206 | 0.120125 | -0.215238 | -0.648829 | -0.087826 | -0.035367 | 0.885838 | ... | -0.095514 | -0.079792 | 0.167701 | -0.042939 | 0.000799 | -0.096148 | -0.057780 | -0.073839 | 1.00 | 0 |
4 | 0.0 | 1.025898 | -0.171827 | 1.203717 | 1.243900 | -0.636572 | 1.099074 | -0.938651 | 0.569239 | 0.692665 | ... | 0.099157 | 0.608908 | 0.027901 | -0.262813 | 0.257834 | -0.252829 | 0.108338 | 0.021051 | 1.00 | 0 |
5 rows × 31 columns
2.2 训练数据集 - 基本统计信息
# 使用describe()函数对raw_train进行描述性统计分析
raw_train.describe()
Time | V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | ... | V21 | V22 | V23 | V24 | V25 | V26 | V27 | V28 | Amount | Class | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
count | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | ... | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 | 219129.000000 |
mean | 62377.415376 | 0.096008 | 0.048345 | 0.592102 | 0.069273 | -0.161555 | 0.133688 | -0.128224 | 0.149534 | -0.048337 | ... | -0.031064 | -0.050852 | -0.050531 | -0.002992 | 0.124005 | 0.009881 | 0.014034 | 0.017313 | 66.359803 | 0.002140 |
std | 25620.348569 | 1.395425 | 1.159805 | 1.132884 | 1.253125 | 1.069530 | 1.202411 | 0.817207 | 0.716212 | 1.054143 | ... | 0.422777 | 0.597812 | 0.318175 | 0.593100 | 0.406741 | 0.473867 | 0.233355 | 0.164859 | 150.795017 | 0.046214 |
min | 0.000000 | -29.807725 | -44.247914 | -19.722872 | -5.263650 | -37.591259 | -25.659750 | -31.179799 | -28.903442 | -8.756951 | ... | -14.689621 | -8.748979 | -11.958588 | -2.836285 | -3.958591 | -1.858672 | -9.234767 | -4.551680 | 0.000000 | 0.000000 |
25% | 47933.000000 | -0.846135 | -0.573728 | -0.027154 | -0.769256 | -0.847346 | -0.631835 | -0.646730 | -0.095948 | -0.711444 | ... | -0.190418 | -0.473099 | -0.174478 | -0.332540 | -0.126080 | -0.318330 | -0.050983 | -0.009512 | 5.990000 | 0.000000 |
50% | 63189.000000 | 0.385913 | 0.046937 | 0.735895 | 0.064856 | -0.229929 | -0.087778 | -0.098970 | 0.111219 | -0.131323 | ... | -0.042858 | -0.032856 | -0.063307 | 0.038708 | 0.145934 | -0.086388 | 0.015905 | 0.022163 | 21.900000 | 0.000000 |
75% | 77519.000000 | 1.190661 | 0.814145 | 1.306110 | 0.919353 | 0.356856 | 0.482388 | 0.385567 | 0.390976 | 0.583715 | ... | 0.109187 | 0.354910 | 0.060221 | 0.394566 | 0.402926 | 0.253869 | 0.076814 | 0.066987 | 68.930000 | 0.000000 |
max | 120580.000000 | 2.430494 | 16.068473 | 6.145578 | 12.547997 | 34.581260 | 16.233967 | 39.824099 | 18.270586 | 13.423914 | ... | 22.062945 | 6.163541 | 12.734391 | 4.572739 | 3.111624 | 3.402344 | 13.123618 | 23.263746 | 7475.000000 | 1.000000 |
8 rows × 31 columns
2.3 测试数据集 - 快速概览
raw_test.head()
Time | V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | ... | V20 | V21 | V22 | V23 | V24 | V25 | V26 | V27 | V28 | Amount | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
id | |||||||||||||||||||||
219129 | 120580.0 | 2.115519 | -0.691809 | -1.305514 | -0.685655 | -0.641265 | -0.764784 | -0.924262 | -0.023030 | -0.230126 | ... | 0.067367 | 0.241708 | 0.682524 | 0.037769 | -0.546859 | -0.123055 | -0.084889 | 0.004720 | -0.021944 | 29.95 |
219130 | 120580.0 | 1.743525 | -1.681429 | -0.547387 | -1.061113 | -0.695825 | 2.458824 | -1.632859 | 1.073529 | 1.068183 | ... | 0.441788 | 0.543278 | 1.294571 | 0.309541 | 3.703925 | -0.242579 | 0.068708 | 0.002629 | 0.064690 | 163.50 |
219131 | 120580.0 | 2.205568 | -1.571445 | -0.238965 | -1.662517 | -1.652324 | -0.054701 | -1.682064 | 0.105613 | -1.177858 | ... | -0.366906 | -0.131527 | 0.086623 | 0.291375 | 0.739087 | -0.543006 | -0.297813 | 0.043699 | -0.037855 | 16.00 |
219132 | 120580.0 | 1.989728 | -0.972909 | -1.938259 | -1.440129 | -0.166855 | -0.794048 | 0.252889 | -0.399789 | 2.079398 | ... | -0.049136 | -0.080115 | -0.010732 | -0.038550 | 0.656830 | 0.343470 | -0.627529 | -0.024338 | -0.036143 | 120.98 |
219133 | 120580.0 | -1.943548 | -1.668761 | 0.363601 | -0.977610 | 2.684779 | -2.037681 | 0.039709 | -0.048895 | -0.281749 | ... | 0.391627 | 0.083389 | -0.306918 | 0.247822 | -0.391799 | -0.790716 | -0.025706 | 0.330758 | 0.335537 | 1.98 |
5 rows × 30 columns
2.4 测试数据集 - 基本统计信息
# 使用describe()函数对raw_test数据进行描述性统计分析
raw_test.describe()
Time | V1 | V2 | V3 | V4 | V5 | V6 | V7 | V8 | V9 | ... | V20 | V21 | V22 | V23 | V24 | V25 | V26 | V27 | V28 | Amount | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
count | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | ... | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 | 146087.000000 |
mean | 144637.928166 | 0.512929 | -0.013098 | -0.697478 | -0.273258 | 0.321856 | -0.050204 | 0.073419 | 0.043803 | -0.071620 | ... | -0.056678 | 0.044729 | 0.175461 | 0.018471 | 0.016029 | -0.118352 | -0.015199 | 0.006236 | 0.002035 | 66.182463 |
std | 14258.025396 | 1.628455 | 1.247749 | 1.292522 | 1.365752 | 1.146215 | 1.332880 | 0.946681 | 0.749513 | 0.924996 | ... | 0.458364 | 0.449017 | 0.710704 | 0.359597 | 0.633929 | 0.479720 | 0.446154 | 0.255935 | 0.174613 | 153.151535 |
min | 120580.000000 | -34.755944 | -37.803827 | -18.934952 | -5.497560 | -25.639591 | -14.133040 | -18.715915 | -26.926164 | -4.823352 | ... | -26.412867 | -13.087263 | -5.392649 | -12.814296 | -2.789084 | -3.361564 | -1.743223 | -9.412538 | -8.262339 | 0.000000 |
25% | 132698.000000 | -0.679988 | -0.715885 | -1.619268 | -1.021205 | -0.418547 | -0.891441 | -0.570042 | -0.231824 | -0.634695 | ... | -0.237529 | -0.166715 | -0.393667 | -0.135059 | -0.368957 | -0.409938 | -0.284914 | -0.066037 | -0.057447 | 5.990000 |
50% | 144493.000000 | 0.285798 | 0.009058 | -0.719060 | -0.482945 | 0.306851 | -0.372813 | 0.118545 | 0.014979 | -0.075909 | ... | -0.096729 | 0.058393 | 0.250169 | 0.017835 | 0.029727 | -0.142325 | -0.069342 | -0.003539 | -0.026955 | 21.790000 |
75% | 156140.000000 | 1.974015 | 0.827420 | 0.073874 | 0.369725 | 0.955997 | 0.302724 | 0.734503 | 0.296969 | 0.513770 | ... | 0.065753 | 0.244817 | 0.749555 | 0.167514 | 0.562138 | 0.182937 | 0.216632 | 0.069334 | 0.066954 | 66.000000 |
max | 172790.000000 | 2.452901 | 12.390128 | 4.492640 | 11.232928 | 24.352818 | 16.596635 | 27.023955 | 12.098322 | 7.888980 | ... | 15.829261 | 15.333546 | 5.771245 | 17.481609 | 4.541724 | 4.555960 | 3.374748 | 12.673968 | 13.093229 | 4630.600000 |
8 rows × 30 columns
🔝返回目录🔝
3 | 特征分布
# 获取数值型特征列
numeric_columns = (list(raw_train.loc[:, 'Time':'Amount']))
# 创建一个图形对象
fig = plt.figure(figsize=(20, 50))
# 设置子图的行数和列数
rows, cols = 10, 3
# 遍历数值型特征列
for idx, num in enumerate(numeric_columns[:30]):
# 在图形对象中添加子图
ax = fig.add_subplot(rows, cols, idx+1)
# 设置网格线的透明度和轴
ax.grid(alpha = 0.7, axis ="both")
# 绘制训练集的核密度估计曲线
sns.kdeplot(x = num, fill = True, color ="#3386FF", linewidth=0.6, data = raw_train, label = "Train")
# 绘制测试集的核密度估计曲线
sns.kdeplot(x = num, fill = True, color ="#EFB000", linewidth=0.6, data = raw_test, label = "Test")
# 设置x轴标签
ax.set_xlabel(num)
# 添加图例
ax.legend()
# 调整子图的布局
fig.tight_layout()
# 显示图形对象
fig.show()
对于训练集和测试集来说,“时间”(Time)的分布非常不同。这可能会导致严重的问题,因为算法将更容易地区分这些集合。
我们可以通过将时间分解为一天中的小时特征或删除它来转换时间。
# 从原始训练数据中删除'Time'列,得到训练数据集
train_df = raw_train.drop('Time', axis=1)
# 从原始测试数据中删除'Time'列,得到测试数据集
test_df = raw_test.drop('Time', axis=1)
🔝返回目录🔝
4 | 数据不平衡检查 - 为什么它很重要
# 创建一个包含两种颜色的调色板
palette = ["#ADD8E6","#EFB000"]
# 给饼图添加注释
# 获取训练数据集中每个类别的数量,并转换为列表
l1 = list(train_df['Class'].value_counts())
# 计算每个类别在总数中的比例,并乘以100,得到饼图的数值
pie_values = [l1[0] / sum(l1) * 100, l1[1] / sum(l1) * 100]
# 创建一个包含两个子图的图形,设置图形大小为(20, 7)
fig = plt.subplots(nrows=1, ncols=2, figsize=(20, 7))
# 在第一个子图中绘制饼图
plt.subplot(1, 2, 1)
plt.pie(pie_values, labels=['Genuine', 'Fraud'],
autopct='%1.2f%%', # 设置饼图上显示的百分比格式
startangle=90, # 设置饼图的起始角度为90度
explode=(0.1, 0.1), # 设置饼图中每个扇区的偏移量,使其突出显示
colors=palette, # 设置饼图的颜色
wedgeprops={'edgecolor': 'black', 'linewidth': 1, 'antialiased': True}) # 设置饼图的边缘颜色、线宽和抗锯齿效果
plt.title('Fraud vs Genuine transactions in train data set %'); # 设置子图标题
# 在第二个子图中绘制柱状图
plt.subplot(1, 2, 2)
ax = sns.countplot(data=train_df,
x='Class',
palette=palette, # 设置柱状图的颜色
edgecolor='black') # 设置柱状图的边缘颜色
for i in ax.containers:
ax.bar_label(i,) # 在每个柱状图上添加标签,显示每个类别的数量
ax.set_xticklabels(['Genuine', 'Fraud']) # 设置x轴刻度标签为类别名称
plt.title('Fraud vs Genuine transactions in train data set') # 设置子图标题
plt.show() # 显示图形
4.1 不平衡数据需要不同的方法
我们有**99.8%的真实交易(218,660笔),只有0.214%**的欺诈交易(469笔)!
这意味着盲猜(押注真实交易)将给我们**99.8%**的准确率。
- 不要使用准确率作为不平衡数据集的度量标准 - 它通常会非常高且具有误导性(您可以使用AUC-ROC、召回率、F1分数等)。
- 考虑利用欠采样或过采样技术。
- 在训练测试拆分期间使用分层拆分。
- 在处理异常值时要特别小心(您可以删除有意义的信息)。
5 | 我们应该删除异常值吗?
5.1 检查训练数据集中的异常值
# 定义一个函数,用于绘制数据集中数值型变量的箱线图
# 参数包括数据集、数值型变量列表、行数、列数和总标题
def boxplots_custom(dataset, columns_list, rows, cols, suptitle):
# 创建一个绘图对象和子图对象
fig, axs = plt.subplots(rows, cols, sharey=True, figsize=(16,25))
# 设置总标题
fig.suptitle(suptitle,y=1, size=25)
# 将子图对象展平为一维数组
axs = axs.flatten()
# 遍历数值型变量列表,绘制每个变量的箱线图
for i, data in enumerate(columns_list):
# 使用seaborn库的boxplot函数绘制箱线图
sns.boxplot(data=dataset[data], orient='h', ax=axs[i])
# 设置每个子图的标题,包括变量名和偏度值
axs[i].set_title(data + ', skewness is: '+str(round(dataset[data].skew(axis = 0, skipna = True),2)))
# 调用函数,绘制训练集中数值型变量的箱线图
boxplots_custom(dataset=train_df, columns_list=numeric_columns, rows=10, cols=3, suptitle='Boxplots for each variable')
# 调整子图的布局
plt.tight_layout()
看起来我们在异常值方面有很大的问题:
-
巨大的异常值;
-
高度偏斜的数据;
-
很多异常值。
5.2 四分位距 (IQR)
Tukey’s (1977) 方法用于检测偏斜或非钟形分布的数据中的异常值,因为它不做分布假设。然而,对于小样本大小,Tukey’s 方法可能不适用。一般规则是,不在 (Q1 - 1.5 IQR) 和 (Q3 + 1.5 IQR) 范围内的任何值都是异常值,并可以被移除。
四分位距离(IQR)是最常用的异常值检测和移除方法之一。
过程:
- 找到第一四分位数,Q1。
- 找到第三四分位数,Q3。
- 计算 IQR。IQR = Q3-Q1。
- 将正常数据范围定义为下限为 Q1-1.5 IQR,上限为 Q3+1.5 IQR。
def IQR_method(df, n, features):
"""
使用Tukey IQR方法,接受一个数据框并返回一个索引列表,该列表对应于包含n个以上异常值的观测值。
"""
outlier_list = [] # 初始化一个空列表,用于存储异常值的索引
for column in features: # 遍历每个特征列
# 第一四分位数(25%)
Q1 = np.percentile(df[column], 25)
# 第三四分位数(75%)
Q3 = np.percentile(df[column],75)
# 四分位距(IQR)
IQR = Q3 - Q1
# 异常值步长
outlier_step = 1.5 * IQR
# 确定异常值索引列表
outlier_list_column = df[(df[column] < Q1 - outlier_step) | (df[column] > Q3 + outlier_step )].index
# 将异常值索引列表添加到总的异常值列表中
outlier_list.extend(outlier_list_column)
# 选择包含多于n个异常值的观测值
outlier_list = Counter(outlier_list)
multiple_outliers = list(k for k, v in outlier_list.items() if v > n)
# 计算低于和高于边界值的记录数
out1 = df[df[column] < Q1 - outlier_step]
out2 = df[df[column] > Q3 + outlier_step]
# 打印删除的异常值总数
print('删除的异常值总数为:', out1.shape[0]+out2.shape[0])
return multiple_outliers
5.3 检测和删除异常值
# 使用IQR方法检测并处理离群值
Outliers_IQR = IQR_method(train_df, 1, numeric_columns)
# 在原始数据集中删除离群值,并重新设置索引
df_out = train_df.drop(Outliers_IQR, axis=0).reset_index(drop=True)
Total number of deleted outliers is: 20617
5.4我们做了什么?
# 打印输出在删除异常值之前数据集中的欺诈交易数量
print ('The amount of frauds in df before dropping outliers: ', len(train_df[train_df['Class'] == 1]))
# 打印输出在删除异常值之后数据集中的欺诈交易数量
print ('The amount of frauds in df after dropping outliers: ', len(df_out[df_out['Class'] == 1]))
The amount of frauds in df before dropping outliers: 469
The amount of frauds in df after dropping outliers: 188
通过删除异常值,我们丢失了约**40%的非常重要的数据!我们不应该这样做!**
我们有几个选择,但对于这项研究,我们将回到删除异常值之前的阶段。这里一个非常有趣的选择是创建一个仅包含异常值的新数据框。您可以在此处查看此方法的结果:
https://www.kaggle.com/code/marcinrutecki/credit-card-fraud-detection-tensorflow
🔝返回目录🔝
6 | 处理重复值
# 打印数据集中重复值的数量
print('Number of duplicated values in dataset: ', train_df.duplicated().sum())
Number of duplicated values in dataset: 94
# 复制train_df数据框并赋值给df
df = train_df.copy()
# 删除df数据框中的重复行
df.drop_duplicates(inplace=True)
# 打印提示信息,表示重复值已成功删除
print("Duplicated values dropped succesfully")
# 打印100个"*",用于分隔输出信息
print("*" * 100)
Duplicated values dropped succesfully
****************************************************************************************************
让我们检查一下是否有任何欺诈交易被删除了。这很重要,因为如果是这样的话,我们应该再次考虑它们是否是真正的重复交易。
# 打印在去除重复值之前df中的欺诈数量
print ('The amount of frauds in df before dropping duplicates: ', len(train_df[train_df['Class'] == 1]))
# 打印在去除重复值之后df中的欺诈数量
print ('The amount of frauds in df after dropping duplicates: ', len(df[df['Class'] == 1]))
The amount of frauds in df before dropping duplicates: 469
The amount of frauds in df after dropping duplicates: 469
如我们所见,我们没有丢失任何重要的数据。
🔝返回目录🔝
7 | 相关性
# 创建一个11x11的图像
plt.figure(figsize=(11, 11))
# 计算数据集的相关系数矩阵
corr = df.corr()
# 创建一个与相关系数矩阵相同形状的布尔矩阵,上三角为True,下三角为False
mask = np.triu(np.ones_like(corr, dtype=bool))
# 使用热力图可视化相关系数矩阵,只显示上三角部分,颜色映射为viridis
sns.heatmap(corr, mask=mask, robust=True, center=0, square=True, cmap="viridis", linewidths=.6)
# 设置图像标题
plt.title('Correlation Table')
# 显示图像
plt.show()
# 创建一个大小为7x4的图形
plt.figure(figsize=(7,4))
# 计算数据框df中'Class'列与其他列的相关系数,并取绝对值,按照相关系数的大小进行排序,并绘制柱状图
d = df.corr()['Class'][:-1].abs().sort_values().plot(kind='bar', title='Highly correlated features with Class')
🔝返回目录🔝
8 | 更多可视化
# 设置绘图大小
plt.figure(figsize=(10,10))
# 绘制联合分布图,x轴为V3,y轴为V1,颜色按照Class分类,数据来源为df,调色板为dark,点的大小为9
sns.jointplot(x='V3', y='V1',hue='Class', data=df, palette='dark', s=9)
<seaborn.axisgrid.JointGrid at 0x7f36c0b01f50>
<Figure size 720x720 with 0 Axes>
# 设置图形大小
plt.figure(figsize=(10,10))
# 创建联合图
# x轴为特征V14,y轴为特征V8
# 根据Class变量的不同值对数据点进行着色
# 使用'dark'调色板进行着色
# 设置数据点的大小为6
sns.jointplot(x='V14', y='V8', hue='Class', data=df, palette='dark', s=6)
<seaborn.axisgrid.JointGrid at 0x7f36c0b01050>
<Figure size 720x720 with 0 Axes>
🔝返回目录🔝