下面是小编为大家整理的Python数据分析实战,尾鸢花数据集数据分析(全文),供大家参考。
Python 数据分析实战,尾鸢花数据集数据分析 本节所使用的尾鸢花数据集是 Python 中自带的数据集,常用于机器学习分类算法模型,其中 sepal_length_cm、sepal_width_cm、petal_length_cm、petal_width_cm、class 字段代表的含义分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度、尾鸢花的类别。
一、数据来源
from pandas import Series,DataFrameimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport matplotlib as mplimport seaborn as sns
#导入 seaborn 绘图库 %matplotlib inline
iris_data = pd.read_csv(open("D:\python 数据分析\数据\iris-data.csv")) iris_data.head()
二、问题探索
通过数据可视化和分析,按照尾鸢花的特征分出尾鸢花的类别。
三、数据清洗
iris_data.shape
(150, 5) 共有 150 条数据,5 列。
iris_data.describe()
由描述统计可以看出,数据没有缺失值。
iris_data["class"].unique() #查看唯一值
array(["Iris-setosa", "Iris-setossa", "Iris-versicolor", "versicolor","Iris-virginica"], dtype=object)
iris_data.ix[iris_data["class"] == "versicolor", "class"] = "Iris-versicolor" iris_data.ix[iris_data["class"] == "Iris-setossa", "class"] = "Iris-setosa" iris_data["class"].unique() #查看唯一值
array(["Iris-setosa", "Iris-versicolor", "Iris-virginica"], dtype=object)
sns.pairplot(iris_data, hue="class")
利用 seaborn 绘制散点图矩阵,通过第一列可看出,有几个 Iris-versicolor 样本中的 sepal_length_cm 值偏移了大部分的点,通过第二行可看出,一个Iris-setosa 样本的 sepal_width_cm 值偏离了大部分点。
iris_data.ix[iris_data["class"] == "Iris-setosa", "sepal_width_cm"].hist()
对通过 Iris-setosa 的花萼宽度绘制直方图也能观测出异常。
过滤小于 2.5cm 的数据后再做直方图。
iris_data = iris_data.loc[(iris_data["class"] != "Iris-setosa") | (iris_data["sepal_width_cm"] >= 2.5)] iris_data.loc[iris_data["class"] == "Iris-setosa", "sepal_width_cm"].hist()
通过索引选取 Iris-versicolor 样本中 sepal_length 值小于 0.1 的数据,选取异常数据。
iris_data.loc[(iris_data["class"] == "Iris-versicolor") &(iris_data["sepal_length_cm"] < 1.0)]
iris_data.loc[(iris_data["class"] == "Iris-versicolor") &(iris_data["sepal_length_cm"] < 1.0),"sepal_length_cm"] *= 100.0
发现花瓣宽度有 5 条缺失值,由于 3 种分类数据样本均衡,直接将缺失值删除处理。
iris_data.isnull().sum()
发现花瓣宽度有 5 条缺失值。
iris_data[iris_data["petal_width_cm"].isnull()] #处理缺失值
iris_data.dropna(inplace=True)
iris_data.to_csv("D:\python 数据分析\数据\iris-clean-data.csv", index=False) #保存清洗后的数据
iris_data = pd.read_csv(open("D:\python 数据分析\数据\iris-clean-data.csv")) iris_data.head()
iris_data.shape
(144, 5) 数据清洗后,有 144 条数据,5 列。
四、数据探索
sns.pairplot(iris_data, hue="class")
绘制散点矩阵图可以发现,大部分情况下数据接近正态分布,而且 Iris-setosa与其他两种花是线性可分的,其他两种花型可能需要非线性算法进行分类。
iris_data.boxplot(column="petal_length_cm", by="class",grid=False,figsize=(6,6))
通过 petal_length_cm(花瓣长度)可以轻松区分 Iris-setosa 与其他两种花。