《数据探索性分析案例实现（EDA） 》

 

一、数据描述

1.1数据集描述

diamonds数据框包含53940行，有carat、cut、color、clarity、depth、table、price、x、y、z共10列，对应每个钻石的一些参数值。

carat：克拉，钻石的重量

cut：代表了钻石的切工，由低到高依次为Fair, Good, Very Good, Premium, Ideal

color：代表了钻石的颜色从最低的J到最高的D

clarity：钻石的纯净度,代表了钻石的透明程度从低到高依次为I1, SI1, SI2, VS1, VS2, VVS1, VVS2, IF

depth：深度比例

table：代表了钻石的桌面比例

price：代表了钻石的价格

x,y,z：分别代表了钻石的长/宽/高

1.2数据展示

 

二、问题提出

1、每个数据有什么特征？

3、价格和什么成正比？

2、克拉、切割、颜色、钻石的纯净度对价格的影响？

三、数据清洗和预处理

3.1查找缺失值

pd.isnull(df).sum()

 

可以看出，该数据集没有缺失值。

3.2查看数据集类型

df.info()

查看数据集类型，可以看到一个10x3的列表，该数据集有10列，53940条数据。Not-Null记录该列是否有空值，Dtype描述每列数据的类型。

四、各变量相关性数据分析与可视化

4.1通过库，用代码实现可视化

查看数据描述

df.describe()

 

对每个特征绘制柱状图

扇形图

 

如上绘制clarity列扇形图。同理绘制color、cut列扇形图。图片如下：

 

可以看到clarity主要分布在VS2、SI1、SI2、VS1，I1、IF占比很少。

可以看到，color为G占比最大，J最小。

 

可以看出，cut切割理想(Ideal)的占比最大，失败的很少。

单个特征的分布情况（直方图）

sns.distplot(df[‘price‘],kde=False)

由直方图可以看出加出价格的分布情况。

4.2使用dtale可视化数据

查看数据

 

结果如下：

 

通过左上角的三角形打开功能菜单（通过language可将语言切换为中文）

描述

以price为例详细展开说明：

 

查看描述，可知价格分布及频率，还有最大值、中值、最小值、总和等。通过箱式图可知道：

 

最小值：326

1/4分位点：950

中位数：2401

3/4分位点：5324.25

最大值：18823

直方图：

 

可以看到价格为1250左右的最多，2000-7000其次，更贵就更少了。

细分

500个数据

 

5000个数据

 

50000条数据

 

从此细分计数图可以看出，价格为600左右的最多。

price-carat

 

可以看出price-carat是正比例相关，价格越高，carat越高

以下给出了其他列和price计数图

 

 

 

图表功能

以price为x轴，其他列为y轴，可以得到如下结果：

carat by price

 

随着钻石重量的增加钻石的价格也呈上升的趋势

depth by price

 

cut by price

 

color by price

 

clarity by price

 

可以得出，克拉和价格成正相关，质量越重，价格越高，而价格高的钻石的切工、纯净度不会太差，而颜色没有太大相关。

ScatterPlot-散点图

 

 

Wordcloud-词云图

 

 

 

相关性

 

可以知道影响价格的最重要因素是carat。

五、主要结论

钻石的重量越高价格越高，钻石的重量越高其价格受其他因素的影响越大。

颜色、切工、透明度越好的钻石价格均值越低。

钻石的价格随克拉数的升高而升高，透明度越好(IF)的钻石的单价越高。

钻石的价格随克拉数的升高而升高，切工越好(Ideal)的钻石的单价越高。

钻石的价格随克拉数的升高而升高，颜色越好(D)的钻石的单价越高。