特征分析—分布分析

特征分析—分布分析

 

分布分析 → 研究数据的分布特征和分布类型，分定量数据、定性数据区分基本统计量

极差 / 频率分布情况 / 分组组距及组数

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline
# 数据读取
​
data = pd.read_csv('C:/Users/83759/Desktop/深圳罗湖二手房信息.csv',engine = 'python')
plt.scatter(data['经度'],data['纬度'], # 按照经纬度显示
          s = data['房屋单价']/500, # 按照单价显示大小
          c = data['参考总价'], # 按照总价显示颜色
          alpha = 0.4, cmap = 'Reds')  
plt.grid()
print(data.dtypes)
print('-------
数据长度为%i条' % len(data))
data.head()
# 通过数据可见，一共8个字段
# 定量字段：房屋单价，参考首付，参考总价，*经度，*纬度，*房屋编码
# 定性字段：小区，朝向
​

极差：max-min

只针对定量字段

def d_range(df,*cols):
  krange = []
  for col in cols:
      crange = df[col].max() - df[col].min()
      krange.append(crange)
  return(krange)
​
# 创建函数求极差
​
key1 = '参考首付'
key2 = '参考总价'
dr = d_range(data,key1,key2)
print('%s极差为 %f 
%s极差为 %f' % (key1, dr[0], key2, dr[1]))
​
# 求出数据对应列的极差

频率分布情况 - 定量字段

① 通过直方图直接判断分组组数

简单查看数据分布，确定分布组数 → 一般8-16即可，这里以10组为参考

data[key2].hist(bins=10)

② 求出分组区间

pd.cut(x, bins, right)：按照组数对x分组，且返回一个和x同样长度的分组dataframe，right → 是否右边包含，默认True

通过groupby查看不同组的数据频率分布

给源数据data添加“分组区间”列

gcut = pd.cut(data[key2],10,right=False)
gcut_count = gcut.value_counts(sort=False) # 不排序
data['%s分组区间' % key2] = gcut.values
print(gcut.head(),'
------')
print(gcut_count)
data.head()

③ 求出目标字段下频率分布的其他统计量 → 频数，频率，累计频率

r_zj = pd.DataFrame(gcut_count)
r_zj.rename(columns ={gcut_count.name:'频数'}, inplace = True) # 修改频数字段名
r_zj['频率'] = r_zj / r_zj['频数'].sum() # 计算频率
r_zj['累计频率'] = r_zj['频率'].cumsum() # 计算累计频率
r_zj['频率%'] = r_zj['频率'].apply(lambda x: "%.2f%%" % (x*100)) # 以百分比显示频率
r_zj['累计频率%'] = r_zj['累计频率'].apply(lambda x: "%.2f%%" % (x*100)) # 以百分比显示累计频率
r_zj.style.bar(subset=['频率','累计频率'], color='green',width=100)

④ 绘制频率直方图

r_zj['频率'].plot(kind = 'bar',
                width = 0.8,
                figsize = (12,2),
                rot = 0,
                color = 'k',
                grid = True,
                alpha = 0.5)
plt.title('参考总价分布频率直方图')
​
# 绘制直方图
​
x = len(r_zj)
y = r_zj['频率']
m = r_zj['频数']
for i,j,k in zip(range(x),y,m):
  plt.text(i-0.1,j+0.01,'%i' % k, color = 'k')
​
# 添加频数标签

频率分布情况 - 定性字段

① 通过计数统计判断不同类别的频率

cx_g = data['朝向'].value_counts(sort=True)
print(cx_g)
​
# 统计频率
​
r_cx = pd.DataFrame(cx_g)
r_cx.rename(columns ={cx_g.name:'频数'}, inplace = True) # 修改频数字段名
r_cx['频率'] = r_cx / r_cx['频数'].sum() # 计算频率
r_cx['累计频率'] = r_cx['频率'].cumsum() # 计算累计频率
r_cx['频率%'] = r_cx['频率'].apply(lambda x: "%.2f%%" % (x*100)) # 以百分比显示频率
r_cx['累计频率%'] = r_cx['累计频率'].apply(lambda x: "%.2f%%" % (x*100)) # 以百分比显示累计频率
r_cx.style.bar(subset=['频率','累计频率'], color='#d65f5f',width=100)
​
# 可视化显示

 

② 绘制频率直方图、饼图

plt.figure(num = 1,figsize = (12,2))
r_cx['频率'].plot(kind = 'bar',
                width = 0.8,
                rot = 0,
                color = 'k',
                grid = True,
                alpha = 0.5)
plt.title('参考总价分布频率直方图')
​
# 绘制直方图
​
plt.figure(num = 2)
plt.pie(r_cx['频数'],
      labels = r_cx.index,
      autopct='%.2f%%',
      shadow = True)
plt.axis('equal')
​
# 绘制饼图