Kaggel House Price 数据预处理及其可视化

最新推荐文章于 2025-06-27 10:39:38 发布

Amy_mm

最新推荐文章于 2025-06-27 10:39:38 发布

阅读量3.5k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： python 机器学习文章标签： kaggel house price 数据预处理数据可视化 python

本文链接：https://blog.youkuaiyun.com/Amy_mm/article/details/79538083

本文介绍了使用Python进行Kaggle House Price数据预处理和可视化的步骤。作者分析了'SalePrice'与其他特征的关系，发现'GrLivArea'、'TotalBsmtSF'、'OverallQual'和'YearBuilt'与价格相关。通过处理缺失值、离群值，以及进行正态性、方差齐性和线性检查，为模型建立打下基础。文章还包括了数据转换和非数值特征的处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考原文链接 https://www.kaggle.com/pmarcelino/comprehensive-data-exploration-with-python

数据预处理源码（详细注释）git 地址：

https://github.com/xuman-Amy/kaggel

引入要用的包

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns  #统计绘图 

from sklearn.preprocessing import StandardScaler
from scipy.stats import norm
from scipy import stats  #统计

import warnings
warnings.filterwarnings('ignore')
#画图直接显示
%matplotlib inline

加载数据 ——训练集测试集 train test

#bring in the six packs
df_train = pd.read_csv('G:Machine learning\\kaggel\\house prices\\train.csv')
df_test = pd.read_csv('G:Machine learning\\kaggel\\house prices\\test.csv')

粗略查看数据各字段利用常识简单分析之间的联系

#check the decoration
#数据.columns 各列名称 分析有哪些数据，可以将数据分为numerical (数值型)和categorical(类别型)
df_train.columns

1、分析【SalePrice】

#describe函数用来数据的快速统计汇总
df_train['SalePrice'].describe()

可以看出min大于0，所以不用担心0的问题了

【用直方图看下数据分布】

#seaborn 用法  https://zhuanlan.zhihu.com/p/24464836
#seaborn的displot()集合了matplotlib的hist()与核函数估计kdeplot的功能，
#增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途

sns.distplot(df_train['SalePrice'])

【峰值和偏态】

#show skewness and Kurtosis  偏态和峰度
print("Skewness : %f " % df_train['SalePrice'].skew())
print("Kurtosis : %f " % df_train['SalePrice'].kurt())

【分析与价钱有关的特征值】

分析价钱可能会与'GrLivArea' and 'TotalBsmtSF'. 'OverallQual' and 'YearBuilt'. 有关

分别查看关系

【 GrLivArea】

#scatter plot  Grlivearea / SalePrice

var = 'GrLivArea'
#pd.concat 函数 可以将数据根据不同的轴作简单的融合 axis = 0-->代表行  axis = 1 --> 代表列

data = pd.concat([df_train['SalePrice'],df_train[var]],axis = 1)
data.plot.scatter(x = var, y = 'SalePrice',ylim = (0,800000));

看起来二者呈线性分布

【TotalBsmtSF】

#scatter plot saleprice / totalbsmtsf
var = 'TotalBsmtSF'
data = pd.concat([df_train['SalePrice'],df_train[var]],axis = 1)
data.plot.scatter(x = var, y = 'SalePrice',ylim = (0,800000))