python数据分析与可视化

python数据分析与可视化

1. 数据准备

数据加载：从文件、数据库、API 中导入数据。
数据清理：处理缺失值、重复数据、异常值，转换数据类型等。

2. 数据分析

基本统计分析：计算均值、中位数、方差等统计量，进行初步了解。
探索性数据分析（EDA）：使用分组、聚合、透视表等技术，深入分析不同维度数据。

3. 数据可视化

基础可视化：通过折线图、散点图、直方图等观察数据的分布和关系。
高级可视化：包括交互式可视化、分面图、多变量图等，进一步挖掘数据背后的复杂模式。

4. 模型构建与评估（如需）

机器学习模型：使用回归、分类或聚类模型，对数据进行预测、分类或分群。
模型评估：通过交叉验证、混淆矩阵、ROC 曲线等评价模型性能。
详细步骤和代码示例：

Step 1: 数据准备

1.1 导入必要的库

import pandas as pd  # 数据处理
import numpy as np   # 数值计算
import matplotlib.pyplot as plt  # 基础绘图
import seaborn as sns  # 高级绘图
import plotly.express as px  # 交互式绘图

1.2 加载数据

使用 Pandas 读取 CSV 文件（或 Excel、SQL 数据库等）。

# 从 CSV 文件加载数据
data = pd.read_csv('data.csv')

# 查看前几行数据
print(data.head())

# 查看数据的基本信息
print(data.info())

1.3 数据清理

处理缺失值：可以使用均值填充、删除等方法。
处理重复值：检查并删除重复的行。
转换数据类型：确保数据类型正确（例如字符串转换为类别型，日期转换为 datetime）。

# 检查缺失值
print(data.isnull().sum())

# 填充缺失值或删除缺失行
data['column_name'].fillna(data['column_name'].mean(), inplace=True)
data.dropna(subset=['important_column'], inplace=True)

# 删除重复行
data.drop_duplicates(inplace=True)

# 数据类型转换
data['date'] = pd.to_datetime(data['date'])

Step 2: 数据分析

2.1 基本统计分析

通过 .describe() 方法获得数据的基本统计信息。

# 查看数值型列的基本统计信息
print(data.describe())

# 统计类别型列的分布
print(data['category_column'].value_counts())

2.2 数据分组与聚合

使用 Pandas 的 .groupby() 方法进行分组和聚合，了解数据的各类统计信息。

# 按类别分组计算均值
grouped_data = data.groupby('category')['value_column'].mean()
print(grouped_data)

# 透视表（Pivot Table）
pivot_table = data.pivot_table(index='category', columns='sub_category', values='value_column', aggfunc='mean')
print(pivot_table)

Step 3: 数据可视化

3.1 基础可视化（Matplotlib 和 Seaborn）

1. 条形图（Bar Plot）：展示分类变量的比较。

# Seaborn 绘制条形图
sns.barplot(x='category', y='value_column', data=data)
plt.title("Category vs Value")
plt.show()

2. 折线图（Line Plot）：展示时间序列数据或趋势。

# Matplotlib 绘制折线图
plt.plot(data['date'], data['value_column'])
plt.title("Value over Time")
plt.xlabel('Date')
plt.ylabel('Value')
plt.show()

3. 直方图（Histogram）：展示单变量的分布。

# Seaborn 绘制直方图
sns.histplot(data['value_column'], bins=30, kde=True)
plt.title("Distribution of Values")
plt.show()

4. 散点图（Scatter Plot）：展示两变量间的关系。

# Seaborn 绘制散点图
sns.scatterplot(x='value_column1', y='value_column2', data=data, hue='category')
plt.title("Scatter Plot of Value 1 vs Value 2")
plt.show()

3.2 高级可视化（Seaborn、Plotly）

1. 热力图（Heatmap）：展示多变量的相关性。

# 计算相关矩阵
corr_matrix = data.corr()

# 绘制热力图
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.title("Correlation Matrix Heatmap")
plt.show()

2. 分面图（Facet Grid）：按子集分割数据进行可视化。

# Seaborn 的 FacetGrid
g = sns.FacetGrid(data, col='category')
g.map(sns.histplot, 'value_column')
plt.show()

3. 交互式图表（Plotly）：

# Plotly 绘制交互式散点图
fig = px.scatter(data, x='value_column1', y='value_column2', color='category', size='value_column3', hover_data=['extra_info'])
fig.show()

Step 4: 模型构建与评估（可选）

4.1 机器学习模型（Scikit-learn）

以回归分析为例：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 划分训练集和测试集
X = data[['feature1', 'feature2']]
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测并计算误差
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')

4.2 模型评估

通过交叉验证、混淆矩阵、ROC 曲线等技术评估模型性能。

from sklearn.model_selection import cross_val_score

# 交叉验证评估模型
scores = cross_val_score(model, X, y, cv=5, scoring='neg_mean_squared_error')
print(f'Cross-validated MSE: {-np.mean(scores)}')