欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

使用Seaborn和Pandas进行相关性分析和可视化

程序员文章站 2022-04-04 08:34:04
...

使用Seaborn和Pandas进行相关性分析和可视化

数据集可以讲述很多故事。要想了解这些故事的展开,最好的方法就是从检查变量之间的相关性开始。在研究数据集时,我首先执行的任务之一是查看哪些变量具有相关性。这让我更好地理解我正在使用的数据。这也是培养对数据的兴趣和建立一些初始问题来尝试回答的好方法。简单地说,相关性是非常重要的。

Python的最大好处就库多,有很多库已经为我们提供了快速有效地查看相关性所需的工具。让我们简要地看看什么是相关性,以及如何使用热图在数据集中找到强相关性。

什么是相关性?

相关性是一种确定数据集中的两个变量是否以任何方式关联的方法。 关联具有许多实际应用。 我们可以查看使用某些搜索词是否与youtube上的观看次数相关。 或者查看广告是否与销售相关。 建立机器学习模型时,相关性是确定特征的重要因素。 这不仅可以帮助我们查看哪些要素是线性相关的,而且如果要素之间的相关性很强,我们可以将其删除以防止信息重复。

您如何衡量相关性?

在数据科学中,我们可以使用r值,也称为Pearson的相关系数。 这可测量两个数字序列(即列,列表,序列等)之间的相关程度。

r值是介于-1和1之间的数字。它告诉我们两列是正相关,不相关还是负相关。 越接近1,则正相关越强。 接近-1时,负相关性越强(即,列越“相反”)。 越接近0,相关性越弱。

r值公式

使用Seaborn和Pandas进行相关性分析和可视化

让我们通过一个简单的数据集进行相关性的可视化

它具有以下列,重量,年龄(以月为单位),乳牙数量和眼睛颜色。眼睛颜色列已分类为1 =蓝色,2 =绿色和3 = 棕色。

使用Seaborn和Pandas进行相关性分析和可视化

让我们使用以上数据绘制3个散点图。 我们将研究以下3种关系:年龄和体重,年龄和乳牙以及年龄和眼睛的颜色。

年龄和体重

使用Seaborn和Pandas进行相关性分析和可视化

当我们观察年龄和体重之间的相关性时,图上的点开始形成一个正斜率。当我们计算r值时,得到0.954491。随着r值如此接近1,我们可以得出年龄和体重有很强的正相关关系的结论。一般情况下,这应该是正确的。在成长中的孩子中,随着年龄的增长,他们的体重开始增加。

年龄和乳牙

使用Seaborn和Pandas进行相关性分析和可视化

相反,年龄和乳牙散点图上的点开始形成一个负斜率。该相关性的r值为-0.958188。这表明了很强的负相关关系。直观上,这也是有道理的。随着孩子年龄的增长,他们乳牙会被替换掉。

年龄和眼睛颜色

使用Seaborn和Pandas进行相关性分析和可视化

在上一个散点图中,我们看到一些点没有明显的斜率。该相关性的r值为-0.126163。年龄和眼睛颜色之间没有显著的相关性。这也应该说得通,因为眼睛的颜色不应该随着孩子长大而改变。如果这种关系显示出很强的相关性,我们会想要检查数据来找出原因。

使用Python查找相关性

让我们看看一个更大的数据集,并且使用Python的库查找相关性。

我们将使用来自于一个Kaggle上关于流媒体平台上的电影数据集。这个数据集包含哪些电影来自于哪个平台,它还包括关于每部电影的一些不同的列,如名称、IMDB分数等。

导入数据和简单的清洗

我们将首先导入数据集,然后使用PANDAS将其转换为DataFrame。

import pandas as pd
movies = pd.read_csv("MoviesOnStreamingPlatforms_updated.csv")

Rotten Tomatoes列(烂番茄,国外著名的电影评分网站)是一个字符串,让我们将数据类型改为浮点数。

movies['Rotten Tomatoes'] = 
movies['Rotten Tomatoes'].str.replace("%" , "").astype(float)

Type列似乎没有正确输入,让我们删除它。

movies.drop("Type", inplace=True, axis=1)

好了,现在可以进行我们的工作了!

使用core()方法

使用Pandas correlation方法,我们可以看到DataFrame中所有数字列的相关性。因为这是一个方法,我们所要做的就是在DataFrame上调用它。返回值将是一个新的DataFrame,显示每个相关性。

corr()方法有一个参数,允许您选择查找相关系数的方法。默认方法是Pearson方法,但您也可以选择Kendall或Spearman方法。

correlations = movies.corr()
print(correlations)\\ID      Year      IMDb  Rotten Tomatoes   Netflix  \
ID               1.000000 -0.254391 -0.399953        -0.201452 -0.708680   
Year            -0.254391  1.000000 -0.021181        -0.057137  0.258533   
IMDb            -0.399953 -0.021181  1.000000         0.616320  0.135105   
Rotten Tomatoes -0.201452 -0.057137  0.616320         1.000000  0.017842   
Netflix         -0.708680  0.258533  0.135105         0.017842  1.000000   
Hulu            -0.219737  0.098009  0.042191         0.020373 -0.107911   
Prime Video      0.554120 -0.253377 -0.163447        -0.049916 -0.757215   
Disney+          0.287011 -0.046819  0.075895        -0.011805 -0.088927   
Runtime         -0.206003  0.081984  0.088987         0.003791  0.099526

Hulu  Prime Video   Disney+   Runtime  
ID              -0.219737     0.554120  0.287011 -0.206003  
Year             0.098009    -0.253377 -0.046819  0.081984  
IMDb             0.042191    -0.163447  0.075895  0.088987  
Rotten Tomatoes  0.020373    -0.049916 -0.011805  0.003791  
Netflix         -0.107911    -0.757215 -0.088927  0.099526  
Hulu             1.000000    -0.255641 -0.034317  0.033985  
Prime Video     -0.255641     1.000000 -0.298900 -0.067378  
Disney+         -0.034317    -0.298900  1.000000 -0.019976  
Runtime          0.033985    -0.067378 -0.019976  1.000000

输出的列太多,使其难以读取。这只是9个变量的相关性,结果是一个9x9的网格。你能想象看到20或30个吗?这将是非常困难的。

输出

如果我们不调用打印,只是让Jupyter格式返回。

movies.corr()

使用Seaborn和Pandas进行相关性分析和可视化

我们还可以通过使用列名进行切片来单独检查每个变量。

print(correlations["Year"])
//
ID                -0.254391
Year               1.000000
IMDb              -0.021181
Rotten Tomatoes   -0.057137
Netflix            0.258533
Hulu               0.098009
Prime Video       -0.253377
Disney+           -0.046819
Runtime            0.081984

如果仅查看1个变量的相关性,则它较易读且足够。 但是,必须有一种更简单的方法来查看整个数据集。

使用Seaborn进行可视化

我们可以通过seaborn快速生成热图。为什么使用seaborn?因为seaborn是基于matplotlib开发的并且提供了更多的扩展功能,最主要是的,它比matplotlib漂亮。

#always remember your magic function if using Jupyter
%matplotlib inline

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(correlations)
plt.show()

使用Seaborn和Pandas进行相关性分析和可视化

我们的发现

现在我们可以快速看到一些相关性。

  • IMDb和烂番茄之间有很强的正相关性。 以及主要视频和ID之间的强正相关性。
  • Netflix与Year之间存在轻微的正相关。
  • Netflix与ID,Netflix和Prime Video之间的强烈负相关
  • Year和Prime Video,Disney Plus和Prime Video,Hulu和Prime Video以及Netflix和ID之间存在轻微的负相关。
  • runtime 与任何流平台之间都没有关联
  • Netflix与年份之间没有关联

有了这些信息,我们可以进行一些观察。

  • 由于ID与所显示的两个平台之间的正相关和负相关性很强,因此先按顺序添加数据,然后依次添加Netflix和Prime Video。 如果我们要用这些数据来构建模型,则最好在将其拆分为测试和训练数据之前将其打乱。
  • 看起来Netflix有较新的电影。 这可能是要探索的假设。
  • 与其他流媒体平台相比,Netflix和亚马逊似乎拥有最多的独特电影。 要探索的另一个假设。
  • 不同的平台似乎不会根据评论者的得分来选择电影。 我们可以探索另一个很酷的假设。

在几秒钟内,我们就能看到如何输入数据,并至少可以探索3个想法。

结论

通过使用seaborn的热图,我们可以轻松地看到最相关的位置。这对于了解一个新的数据集是非常有帮助的

作者:Jeremiah Lutes

deephub翻译组