对数据进行理解的最快最有效的方式是：数据的可视化。
单一图表
- 直方图
- 密度图
- 箱线图
直方图
通过直方图可以非常直观地看出每个属性的分布状况：高斯分布，指数分布还是偏态分布。
from pandas import read_csv
import matplotlib.pyplot as plt
filename = 'data/pima_data.csv'
# names = ['Number of times pregnant',
# 'Plasma glucose concentration a 2 hours in an oral glucose tolerance test',
# 'Diastolic blood pressure (mm Hg)',
# 'Triceps skin fold thickness (mm)',
# '2-Hour serum insulin (mu U/ml)',
# 'Body mass index (weight in kg/(height in m)^2)',
# 'Diabetes pedigree function',
# 'Age (years)',
# 'Class variable (0 or 1)'
# ]
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename, names=names) # 手动指定头部
# 直方图
data.hist()
plt.show()
密度图
也是用于显示数据分布的图表，类似于对直方图进行抽象，用平滑的曲线来描述数据的分布。
data.plot(kind='density', subplots=True, layout=(3,3), sharex=False)
plt.show()
箱线图
用于显示数据分布， 中位线 + 上下四分数线 + 上下边缘线。
data.plot(kind='box', subplots=True, layout=(3,3), sharex=False, sharey=False)
plt.show()
多重图表
主要是两种图表：
- 相关矩阵图
- 散点矩阵图
相关矩阵图
用于展示两个不同属性相互影响的程度。把所有的属性两两影响的关系展示出来的图就是相关矩阵图。
散点矩阵图
两组数据构成多个坐标点，两两特征之间的数据散点图组合成一个散点矩阵图。
# 相关矩阵图
from pandas import read_csv
import matplotlib.pyplot as plt
import numpy as np
filename = 'data/pima_data.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(filename, names=names)
correlations = data.corr()
fig = plt.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(correlations, vmin=-1, vmax=1)
fig.colorbar(cax)
ticks = np.arange(0,9,1)
ax.set_xticks(ticks)
ax.set_yticks(ticks)
ax.set_xticklabels(names)
ax.set_yticklabels(names)
plt.show()
# 散点矩阵图
from pandas.plotting import scatter_matrix
scatter_matrix(data)
plt.show()
这个使用是非常简单的，三行代码即可。
总结
结合前面的7种审查数据的武器 + 这里讲到的数据可视化的方法，现在拿到一个CSV数据集，我们就可以迅速对数据集进行审查，然后加深对数据的理解，这个过程中解题的思路也会慢慢清晰。
END.
参考：
《机器学习Python实践》