强大的数据可视化选项提供数据特性

数据科学行业中一个最常见的陷阱是花费数小时为他们的项目寻找最佳算法，而没有花足够的时间首先理解数据。

数据科学和机器学习项目的结构化方法从项目目标开始。同一组数据点可以推断出一些有意义的信息。基于我们所寻找的，我们需要关注数据的另一个方面。一旦我们明确了目标，我们就应该开始考虑我们需要的数据点。这将使我们能够专注于最相关的信息集，而忽略可能不重要的数据集。

在现实生活中，从多个来源收集到的大多数时间数据都有空白值、打字错误和其他异常。在进行任何数据分析之前，清除数据是至关重要的。

在本文中，我将讨论五个强大的数据可视化选项，它们可以立即提供数据特征的感觉。即使在正式建模或假设测试任务之前，执行EDA就可以传达大量关于数据和特征之间关系的信息。

第1步-我们将导入pandas、matplotlib、seaborn和NumPy包，我们将使用这些包进行分析。我们需要散点图、自相关图、滞后图和平行图。

1. import pandas as pd 
2. import numpy as np 
3. import matplotlib.pyplot as plt 
4. from pandas.plotting import autocorrelation_plot 
5. import seaborn as sns 
6. from pandas.plotting import scatter_matrix 
7. from pandas.plotting import autocorrelation_plot 
8. from pandas.plotting import parallel_coordinates 
9. from pandas.plotting import lag_plot 

第2步-在Seaborn包中，有一个内置的小数据集。我们将使用"mpg"、"tips"和"attention"数据进行可视化。数据集是在seaborn中使用load_dataset方法加载的。

1. """Download the datasets used in the program """ 
2. CarDatabase= sns.load_dataset("mpg") 
3. MealDatabase= sns.load_dataset("tips") 
4. AttentionDatabase= sns.load_dataset("attention") 

（编辑：我爱制作网_潮州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!