Ɖ7-根/ 鐵達尼號的 Python 的資料關聯性視覺化

2022 iThome 鐵人賽

DAY 7

AI & Data

先別急著學 Python | The Secret to Success in Python系列第 7 篇

14th鐵人賽 python excel 數據分析 youarewhatyoulearn

juck30808

2022-09-21 16:49:08

1132 瀏覽

分享至

關聯性視覺化 Analyze by visualizing

資料視覺會是最常被使用的方法之一，除了樞紐分析快速幫助原始資料來進行分組與分類外，另外一種執行的方式是直接進行原始資料搜尋來做視覺化，視覺化能夠讓閱讀者更加的直覺了解資料彼此之間的相關聯以及其與其他資料集的關聯性，快速的進行相關性分析與轉換。

資料與資料間的關聯 Correlating

「資料間的關聯性」可以說是資料分析中最重要的一件事情之一，我們進行數據分析可以了解售價與購買意願的差別，可以了解商品成交量與顧客評價的差異，在這篇文章中也能了解鐵達尼號各項指標與存活率的關聯性。關聯性的應用程面甚至遠到未來機器學習與深度學習中，也是藉由資料與資料間的關聯性來找出其中的機會。

Correlating : numerical features 數值相關性

一般來說直方圖(histogram chart)對於分析連續數值變量（如年齡）很有用，其中帶狀或範圍將有助於識別有用的模式。直方圖可以觀察樣本的分佈，這有助於我們回答與特定波段相關的問題

g = sns.FacetGrid(train_df, col='Survived')
g.map(plt.hist, 'Age', bins=20)

我們可以注意到的觀察點

在存活(Survived=1)的狀況下，我們可以注意到嬰兒（年齡<=4）的存活率很高。
在存活(Survived=1)的狀況下，最年長的倖存年齡乘客為 80 歲左右。
死亡的乘客(Survived=0)中，大多數的死亡年齡層集中在 15-25 歲。
整體來說鐵達尼號大多數乘客的年齡在 15-35 歲之間。
年齡是很好的參數，未來我們應該在模型訓練中考慮年齡。

Correlating : numerical and ordinal features 序數特徵相關性

我們可以使用單個圖組合多個特徵來識別相關性。這可以通過具有數值的數值和分類特徵來完成。

grid = sns.FacetGrid(train_df, col='Survived', row='Pclass', height=2.2, aspect=1.6)
grid.map(plt.hist, 'Age', alpha=.5, bins=20)
grid.add_legend();

我們可以注意到的觀察點

這次攤開了乘客艙位與倖存機率的分佈，我們可以注意到 P3 有最多乘客，但大多數沒有倖存。
很有趣的事情是在 P2,P3 的艙位中嬰兒乘客大多倖存下來。而 P1 大多數乘客倖存下來。
Pclass 看來也是很好的參數，未來可以應用在模型訓練中。

Correlating : categorical features 分類特徵

或者是說將分類特徵與我們的解決方案目標相關聯。

grid = sns.FacetGrid(train_df, col='Embarked')
grid.map(sns.pointplot, 'Pclass', 'Survived', 'Sex', palette='deep')
grid.add_legend()

我們可以注意到的觀察點

在 Embarked = S 跟 Q 的情況下，女性乘客的存活率遠高於男性。而 Embarked=C 則是例外情況。
男性在 Pclass=3 時的存活率更高，而且登船港口的存活率也不盡相同。
推薦在模型訓練中添加性別。

Correlating : categorical and numerical features 分類和數字特徵

我們可能還希望將分類特徵（具有非數字值）和數字特徵相關聯。我們可以考慮將 Embarked（分類非數字）、Sex（分類非數字）、Fare（連續數字）與 Survived（分類數字）關聯。

grid = sns.FacetGrid(train_df, row='Embarked', col='Survived', height=2.2, aspect=1.6)
grid.map(sns.barplot, 'Sex', 'Fare', alpha=.5, ci=None)
grid.add_legend()

我們可以注意到的觀察點

更高票價的乘客有更好的生存且登船港口與存活率相關。
票價的高低也許未來可以放入模型學習，但效果可能較不顯著（先 List 起來）。

對於現有特徵的顯示 Feature

以上主要是根據現有的資料集來做特徵辨識，我們根據已有的資料來做視覺化分析與解讀，可視化大大的幫助了我們降低對於數據解讀的難度，而且能夠更有利的驗證我們本身的假設。但是值得注意的是在實際的資料集中，更有可能會有缺值的狀況發生，因此下一篇文章我們將會討論放棄特徵議題，來優化整體數據分析，或是進行資料糾正。