当前位置：首页 > article >正文

[DS]使用 Python 库中自带的数据集来实现上述 50 个数据分析和数据可视化程序的示例代码

article 2025/8/23 21:10:58

使用 Python 库中自带的数据集来实现上述 50 个数据分析和数据可视化程序的示例代码

摘要：由于 sample_data.csv 是一个占位符文件，用于代表任意数据集，我将使用 Python 库中自带的数据集来实现上述 50 个数据分析和数据可视化程序的示例代码。Python 的 seaborn 库提供了多个内置数据集，其中 iris 数据集是一个经典的例子，包含了鸢尾花的特征数据，适合用于演示数据分析和可视化技术。iris 数据集包含 150 个样本，4 个特征（sepal_length, sepal_width, petal_length, petal_width）和 1 个目标变量（species），非常适合用于分类、回归和可视化任务。

以下是基于 iris 数据集重新实现的上述 50 个程序中的代表性示例，覆盖数据加载、预处理、统计分析、可视化基础、高级可视化和高级分析等部分。由于篇幅限制，我将选择每个部分的几个关键程序进行完整代码展示，并对其他程序提供简要说明。如果你需要某个特定程序的完整代码或对其他数据集有需求，请进一步说明。

使用 Seaborn 的 Iris 数据集实现示例

1. 数据分析基础 - 数据加载与预处理

1.1 数据加载

目标：加载 iris 数据集并查看基本信息。
代码：

import seaborn as sns
import pandas as pd# 加载 iris 数据集
df = sns.load_dataset('iris')# 查看前 5 行数据
print("First 5 rows:\n", df.head())# 查看数据集信息
print("\nDataset Info:\n", df.info())# 查看基本统计量
print("\nBasic Statistics:\n", df.describe())

1.2 数据清洗 - 缺失值处理

目标：检查并处理缺失值（iris 数据集无缺失值，仅作演示）。
代码：

import seaborn as sns
import pandas as pddf = sns.load_dataset('iris')# 检查缺失值
print("Missing Values:\n", df.isnull().sum())# 如果有缺失值，用均值填充（这里无缺失，仅演示）
df['sepal_length'].fillna(df['sepal_length'].mean(), inplace=True)# 删除包含缺失值的行（如果有）
df.dropna(inplace=True)print("Missing Values after Handling:\n", df.isnull().sum())

1.3 数据清洗 - 异常值检测

目标：使用 IQR 方法检测并移除 sepal_length 的异常值。
代码：

import seaborn as sns
import pandas as pd
import numpy as npdf = sns.load_dataset('iris')# 计算 IQR
Q1 = df['sepal_length'].quantile(0.25)
Q3 = df['sepal_length'].quantile(0.75)
IQR = Q3 - Q1# 移除异常值
df_cleaned = df[(df['sepal_length'] >= Q1 - 1.5 * IQR) & (df['sepal_length'] <= Q3 + 1.5 * IQR)]print("Data after removing outliers in sepal_length:\n", df_cleaned.describe())

其他程序简要说明 (1.4-1.10)：

1.4 数据转换 - 标准化：对 iris 的特征（如 sepal_length, petal_length）使用 StandardScaler 标准化。
1.5 数据转换 - 类别编码：对 species 列进行标签编码或独热编码。
1.6 数据聚合 - 分组统计：按 species 分组，计算各特征的均值和计数。
1.7 数据合并 - 合并数据集：可将 iris 数据集拆分为两部分后合并（演示 merge）。
1.8 数据重塑 - 透视表：创建 species 和特征的透视表，计算均值。
1.9 时间序列 - 日期处理：iris 无时间数据，可使用其他数据集（如 sns.load_dataset('flights')）演示。
1.10 数据过滤 - 条件筛选：筛选 sepal_length 大于某个值的样本。

2. 统计分析与探索

2.1 描述性统计

目标：计算 iris 数据集的基本统计量。
代码：

import seaborn as sns
import pandas as pddf = sns.load_dataset('iris')# 计算描述性统计量
stats = df.describe()
print("Descriptive Statistics:\n", stats)

2.3 相关性分析

目标：计算 iris 数据集特征间的相关系数。
代码：

import seaborn as sns
import pandas as pddf = sns.load_dataset('iris')# 计算相关性矩阵
corr_matrix = df.corr()
print("Correlation Matrix:\n", corr_matrix)

其他程序简要说明 (2.2, 2.4-2.10)：

2.2 频次分布：计算 species 的频次分布。
2.4 假设检验 - t 检验：比较两个 species 的 sepal_length 均值差异。
2.5 方差分析 (ANOVA)：比较三个 species 的 sepal_length 均值差异。
2.6 数据分布 - 直方图分析：绘制 sepal_length 的直方图。
2.7 箱线图 - 异常值分析：绘制 sepal_length 的箱线图。
2.8 数据分组 - 分位数分析：对 sepal_length 进行分位数分组。
2.9 滚动平均 - 时间序列平滑：iris 无时间数据，可使用其他数据集。
2.10 数据排序 - 排名分析：对 sepal_length 进行排名。

3. 数据可视化基础 - Matplotlib

3.2 散点图 - 相关性分析

目标：绘制 sepal_length 和 sepal_width 的散点图。
代码：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as pltdf = sns.load_dataset('iris')# 绘制散点图
plt.scatter(df['sepal_length'], df['sepal_width'])
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.title('Scatter Plot of Sepal Length vs Sepal Width')
plt.show()

3.3 直方图 - 分布分析

目标：绘制 sepal_length 的直方图。
代码：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as pltdf = sns.load_dataset('iris')# 绘制直方图
plt.hist(df['sepal_length'], bins=20)
plt.xlabel('Sepal Length')
plt.ylabel('Frequency')
plt.title('Histogram of Sepal Length')
plt.show()

其他程序简要说明 (3.1, 3.4-3.10)：

3.1 折线图 - 趋势分析：绘制 sepal_length 的折线图（可按索引排序）。
3.4 箱线图 - 异常值可视化：绘制 sepal_length 的箱线图。
3.5 条形图 - 类别比较：绘制 species 类别中 sepal_length 均值的条形图。
3.6 饼图 - 比例分析：绘制 species 分布的饼图。
3.7 面积图 - 累计趋势：绘制 sepal_length 的面积图。
3.8 多子图 - 对比分析：绘制 sepal_length 和 sepal_width 的多子图。
3.9 自定义样式 - 美化图表：自定义 sepal_length 折线图样式。
3.10 注释 - 图表标注：在 sepal_length 图表上添加最大值注释。

4. 数据可视化高级 - Seaborn 和 Plotly

4.1 Seaborn 热图 - 相关性可视化

目标：绘制 iris 数据集的特征相关性热图。
代码：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as pltdf = sns.load_dataset('iris')# 计算相关性矩阵
corr_matrix = df.corr()# 绘制热图
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', vmin=-1, vmax=1, center=0)
plt.title('Correlation Heatmap of Iris Dataset')
plt.show()

4.2 Seaborn 成对图 - 多变量关系

目标：绘制 iris 数据集的成对图。
代码：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as pltdf = sns.load_dataset('iris')# 绘制成对图
sns.pairplot(df, hue='species', diag_kind='hist')
plt.suptitle('Pair Plot of Iris Dataset', y=1.02)
plt.show()

其他程序简要说明 (4.3-4.10)：

4.3 Seaborn 箱线图 - 分组分布：绘制按 species 分组的 sepal_length 箱线图。
4.4 Seaborn 小提琴图 - 分布密度：绘制按 species 分组的 sepal_length 小提琴图。
4.5 Seaborn 回归图 - 线性关系：绘制 sepal_length 和 sepal_width 的回归图。
4.6 Plotly 交互式折线图：绘制 sepal_length 的交互式折线图。
4.7 Plotly 交互式散点图：绘制 sepal_length 和 sepal_width 的交互式散点图。
4.8 Plotly 3D 散点图：绘制 sepal_length、sepal_width 和 petal_length 的 3D 散点图。
4.9 Plotly 地图可视化：iris 无地理数据，可使用其他数据集（如 px.data.gapminder()）。
4.10 Seaborn 主题与样式：设置 Seaborn 主题，绘制 sepal_length 折线图。

5. 高级数据分析与可视化

5.1 主成分分析 (PCA)

目标：对 iris 数据集进行 PCA 降维。
代码：

import seaborn as sns
import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScalerdf = sns.load_dataset('iris')# 选择特征
X = df[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']]# 标准化数据
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)# 应用 PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)print("Explained Variance Ratio:", pca.explained_variance_ratio_)

5.2 K 均值聚类

目标：对 iris 数据集进行 K 均值聚类。
代码：

import seaborn as sns
import pandas as pd
from sklearn.cluster import KMeansdf = sns.load_dataset('iris')# 选择特征
X = df[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']]# 应用 K 均值聚类
kmeans = KMeans(n_clusters=3, random_state=42)
df['cluster'] = kmeans.fit_predict(X)print("Data with Clusters:\n", df.head())

其他程序简要说明 (5.3-5.10)：

5.3 线性回归预测：使用 sepal_length 预测 sepal_width。
5.4 决策树分类：使用特征预测 species。
5.5 特征重要性分析：使用随机森林分析 iris 特征重要性。
5.6 时间序列预测 - ARIMA：iris 无时间数据，可使用其他数据集。
5.7 聚类结果可视化：可视化 K 均值聚类结果。
5.8 回归预测可视化：可视化线性回归预测。
5.9 主成分分析可视化：可视化 PCA 降维结果。
5.10 交互式仪表盘 - Dash：创建 iris 数据集的交互式仪表盘。

总结和运行说明

数据集说明

Iris 数据集：seaborn.load_dataset('iris') 提供了 150 个鸢尾花样本，包含 4 个特征和 1 个类别标签，适合分类、回归和可视化任务。
其他数据集：对于时间序列或地理数据分析，可使用 Seaborn 的 flights 数据集或 Plotly 的 gapminder 数据集。

运行环境

安装库：确保安装必要的库：

pip install pandas numpy matplotlib seaborn plotly scikit-learn statsmodels dash

运行代码：将上述代码复制到 Python 环境（如 Jupyter Notebook 或 VS Code）中，运行即可查看结果。
数据集适配：如果使用自己的 sample_data.csv，确保包含类似特征列（如数值列、类别列），并根据列名调整代码。

学习建议

逐步执行：从数据加载和预处理开始，逐步进行统计分析和可视化，理解每个步骤的作用。
对比结果：对比不同可视化方法（如 Matplotlib vs Seaborn）对同一数据的呈现效果。
扩展实践：尝试对 iris 数据集应用所有 50 个程序，记录分析结果，构建完整分析报告。

通过以上基于 iris 数据集的示例，你可以快速实现上述 50 个程序，并逐步掌握数据分析和数据可视化的技能。如果需要某个程序的完整代码或其他数据集的适配示例，请进一步说明，我会提供更详细的支持。