# -*- coding: utf-8 -*- ''' Created on 2018年1月24日 @author: Jason.F @summary: 有監督回歸學習-探索式數據分析(EDA，Exploratory Data Analysis)，發現數據的異常和分布情況以及特征間的相互關系 ''' import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import numpy as np#導入波士頓房屋數據集 df=pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data',header=None,sep='\s+') df.columns=['CRIM','ZM','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PTRATIO','B','LSTAT','MEDV'] #散點圖矩陣，可視化不同特征間的兩兩關系，發現特征間關系以及異常點 sns.set(style='whitegrid',context='notebook') #sns.reset_orig()#重設matplotlib風格 cols=['LSTAT','INDUS','NOX','RM','MEDV'] sns.pairplot(df[cols],size=2.5) plt.show() #皮爾遜積矩相關系數pearson product-moment correlation coefficient,衡量兩兩特征間的線性依賴關系 #標準化各特征間的協方差 cm = np.corrcoef(df[cols].values.T) sns.set(font_scale=1.5) hm= sns.heatmap(cm,cbar=True,annot=True,square=True,fmt='.2f',annot_kws={'size':15},yticklabels=cols,xticklabels=cols) plt.show()

結果：

總結

以上是生活随笔為你收集整理的【Python-ML】探索式数据分析EDA(Exploratory Data Analysis)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。