准备数据和相关的库

主要利用Pandas库和Seaborn库.

import pandas as pd
import numpy as np
import seaborn as sns
%matplotlib inline

生成4组数据，转为DataFrame数据类型

xarray = np.linspace(0,10,100)#生成从0倒10，100个数
yarray = xarray**3+np.random.normal(0,100,100) # y=x^3+正态扰动项
zarray = -100*xarray+np.random.normal(0,10,100) # y=-100x+正态扰动项
warray = 200*xarray**0.5+np.random.normal(0,10,100)

	x	y	z	w
0	0	66.5297	-7.81256	14.5319
1	0.10101	-34.835	-18.8105	65.9947
2	0.20202	37.5717	-21.8944	96.7367
3	0.30303	140.38	-28.7846	101.061
4	0.40404	202.198	-47.9113	127.187

单变量分析

频率分布直方图

df.hist(bins=15, color='steelblue', edgecolor='black', linewidth=1.0,
           xlabelsize=8, ylabelsize=8, grid=False)

概率密度曲线

sns.kdeplot(df['w'])

箱线图

sns.boxplot(data=df)

小提琴图

使用核密度图显示分组数值数据的另一种有效方法（描绘了数据在不同值下的概率密度）

sns.violinplot(data=df)

多变量分析

相关性热力图

sns.heatmap(round(df.corr(),2), annot=True, cmap="coolwarm",fmt='.2f',
                 linewidths=.05)

热力图中的梯度根据相关性的强度而变化，你可以很容易发现彼此之间具有强相关性的潜在属性.

配对散点图

sns.pairplot(data=df,diag_kind='kde')

联合概率分布

sns.jointplot(x='x',y='y',data=df,kind='kde')

---

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from mpl_toolkits.mplot3d import Axes3D
%matplotlib inline

xarray = np.linspace(0,10,100)#生成从0倒10，100个数
yarray = xarray**3+np.random.normal(0,100,100) # y=x^3+正态扰动项
zarray = -100*xarray+np.random.normal(0,10,100) # y=-100x+正态扰动项
warray = 200*xarray**0.5+np.random.normal(0,10,100)

df = pd.DataFrame({'x':xarray,'y':yarray,'z':zarray,'w':warray})

print(df.head().to_markdown())

|    |       x |        y |         z |        w |
|---:|--------:|---------:|----------:|---------:|
|  0 | 0       |  66.5297 |  -7.81256 |  14.5319 |
|  1 | 0.10101 | -34.835  | -18.8105  |  65.9947 |
|  2 | 0.20202 |  37.5717 | -21.8944  |  96.7367 |
|  3 | 0.30303 | 140.38   | -28.7846  | 101.061  |
|  4 | 0.40404 | 202.198  | -47.9113  | 127.187  |

df.hist(bins=15, color='steelblue', edgecolor='black', linewidth=1.0,
           xlabelsize=8, ylabelsize=8, grid=False)
plt.savefig('images/pad0301.png')

df.hist(bins=15, color='steelblue', edgecolor='black', linewidth=1.0,
           xlabelsize=8, ylabelsize=8, grid=False)

#help(df.hist)

sns.kdeplot(df['w'])
plt.savefig('images/pad0302.png')

sns.boxplot(data=df)
plt.savefig('images/pad0303.png')

sns.heatmap(round(df.corr(),2), annot=True, cmap="coolwarm",fmt='.2f',
                 linewidths=.05)
plt.savefig('images/pad0304.png')

sns.pairplot(data=df,diag_kind='kde')
plt.savefig('images/pad0305.png')

sns.jointplot(x='x',y='y',data=df,kind='kde')
plt.savefig('images/pad0306.png')

sns.violinplot(x='y',data=df)
plt.savefig('images/pad0307.png')