Python数据处理从零开始----第四章（可视化）①③多变量绘图目录
Python数据处理从零开始----第四章（可视化）①③多变量绘图目录
用户1359560
发布于 2018-12-21 14:13:21
发布于 2018-12-21 14:13:21
- 关联矩阵点图
科研工作中我们经常需要把每两个变量之间的关系计算， 然后可以得到一个相关矩阵。 如果两个变量的变化趋势一样， 那么这个值就会大于零， 表明连个变量正相关，值越大代表相关性越强。 相反的话，如果两个变量的变化趋势相反， 这个值就会小于零。我们经常需要关注这个值，是因为在许多机器学习算法中，强相关的变量会导致算法能力下降。
- 1.导入数据
%clear
%reset -f
# In[*]
# 加载Python库
import numpy as np
from numpy import loadtxt
import xgboost as xgb
from xgboost import XGBClassifier
from matplotlib import pyplot
import os
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np
os.chdir("D:\\train")
# In[*]
from matplotlib import pyplot
from pandas import read_csv
filename = 'pima-indians-diabetes.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename, names=names)- 绘制相关关系图
correlations = data.corr()
# plot correlation matrix
fig = pyplot.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(correlations, vmin=-1, vmax=1)
fig.colorbar(cax)
ticks = np.arange(0,9,1)
ax.set_xticks(ticks)
ax.set_yticks(ticks)
ax.set_xticklabels(names)
ax.set_yticklabels(names)
pyplot.show()
- 密度图
data.plot(kind='density', subplots=True, layout=(3,3), sharex=False)
pyplot.show()
-4.散点图
from pandas.plotting import scatter_matrix
scatter_matrix(data)
pyplot.show()
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2018.12.03 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读