飞速搞定数据分析与处理-day5-pandas入门教程（相关性与绘图）

背景

这个并不是书籍里的章节，因为书籍中的 pandas 节奏太快了，基本都是涉及很多中高级的操作，好容易把小伙伴给劝退。我这里先出几期入门的教程，然后再回到书籍里的教程。这几章节作为入门，书籍作为进阶。

数据的关联性

寻找关系

Pandas模块的一个重要方面是corr()方法。corr()方法计算你的数据集中每一列之间的关系。本页中的例子使用了一个CSV文件，名为：'data.csv'。

Download data.csv[1]. or Open data.csv[2]****

#Show the relationship between the columns
df.corr()

Result Duration Pulse Maxpulse Calories Duration 1.000000 -0.155408 0.009403 0.922721 Pulse -0.155408 1.000000 0.786535 0.025120 Maxpulse 0.009403 0.786535 1.000000 0.203814 Calories 0.922721 0.025120 0.203814 1.000000

Note:corr()方法忽略了 "非数字 "列。

结果解释

corr()方法的结果是一个有很多数字的表格，表示两列之间的关系有多好。这个数字从-1到1不等。

1意味着存在1比1的关系（完美的相关性），对于这个数据集，每当第一列的数值上升时，另一列也会上升。

0.9也是一个很好的关系，如果你增加一个值，另一个值可能也会增加。

-0.9和0.9的关系一样好，但是如果你增加一个值，另一个值可能会下降。

0.2意味着不是一个好的关系，意味着如果一个值上升并不意味着另一个也会上升。

什么是好的相关性？这取决于用途，但我认为可以说你至少要有0.6（或-0.6）才能称之为好的相关性。

完美的关联性：

我们可以看到 "持续时间 "和 "持续时间 "得到的数字是1.000000，这很有意义，每一列总是与自己有完美的关系。

坏的相关性：

"持续时间 "和 "最大脉冲 "得到了一个0.009403的相关性，这是一个非常糟糕的相关性，这意味着我们不能仅仅通过查看锻炼的持续时间来预测最大脉冲，反之亦然。

绘图

绘图

Pandas使用plot()方法来创建图表。

我们可以使用Pyplot，Matplotlib库的一个子模块，在屏幕上实现图表的可视化。

在[Matplotlib教程]（https://www.w3schools.com/python/matplotlib_intro.asp）中阅读更多关于Matplotlib的信息。

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data.csv')

df.plot()

plt.show()

本页中的例子使用了一个名为：'data.csv'的CSV文件。

Download data.csv[3] or Open data.csv[4]

散点图

用kind参数指定你想要的散点图：

kind = 'scatter'

散点图需要一个X轴和一个Y轴。在下面的例子中，我们将使用 "持续时间 "作为X轴，"卡路里 "作为Y轴。包括x和y的参数，像这样：

x = 'Duration', y = 'Calories'

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data.csv')

df.plot(kind = 'scatter', x = 'Duration', y = 'Calories')

plt.show()

让我们创建另一个散点图，其中各列之间存在不良关系，如 "持续时间 "和 "脉冲"，相关度为0.009403。

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data.csv')

df.plot(kind = 'scatter', x = 'Duration', y = 'Maxpulse')

plt.show()

柱状图

使用kind参数来指定你想要一个直方图：

kind = 'hist'

直方图只需要一列。直方图向我们显示每个间隔的频率，例如，有多少次锻炼是在50至60分钟之间进行的？在下面的例子中，我们将使用 "持续时间 "列来创建柱状图：

df["Duration"].plot(kind = 'hist')