Python打卡训练营学习记录Day6

关注

原创最新推荐文章于 2026-02-15 00:25:42 发布 232 阅读 AI 写同款· GEO 优化 ›

【AIOPS实战】Dify+Zabbix：构建智能告警分析助手的核心架构与实现本文详细介绍了如何利用Dify平台与Zabbix-MCP接口构建智能告警分析助手，实现自然语言查询告警、智能分析和报告生成。该系统通过AIOPS技术显著提升运维效率，支持中英文混合查询、自动根因分析，并内置多种优化方案确保稳定可靠。阅读详情

数据初步可视化

内容回顾：

单特征可视化：连续变量箱线图（还说了核密度直方图）、离散特征直方图
特征和标签关系可视化
箱线图美化--->直方图

作业：去针对其他特征绘制单特征图和特征和标签的关系图，并且试图观察出一些有意思的结论

#导入库并查看数据
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv('data.csv')
print(data.head())
#找到连续特征
continuous_features = []
for i in data.columns:
    if data[i].dtype!= 'object':
        continuous_features.append(i)
print(continuous_features)
# 设置全局字体为支持中文的字体 (例如 SimHei)
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号'-'显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
#对年收入进行箱线图分析
sns.boxplot(x=data['Annual Income'])
plt.title('年收入的箱线图')
plt.xlabel('Annual Income')
plt.show()

#对未结清账户数量进行箱线图分析
sns.boxplot(x=data['Number of Open Accounts'])
plt.title('未结清账户数量的箱线图')
plt.xlabel('Tax Liens')
plt.show()

#对信用记录年限进行箱线图分析
sns.boxplot(x=data['Years of Credit History'])
plt.title('信用记录年限的箱线图')
plt.xlabel('Years of Credit History')
plt.show()

#对当前工作年限进行条形图分析
sns.countplot(x=data['Years in current job'])
plt.title('当前工作年限的条形图')
plt.xlabel('Years in current job')
plt.xticks(rotation=45, ha='right')  # 旋转45度，并右对齐
plt.tight_layout()  # 自动调整子图参数，提供足够的空间
plt.show()

#分别考虑年收入在违约和不违约情况下的连续特征，画2个箱线图
# 箱线图
plt.figure(figsize=(8, 6))
sns.boxplot(x='Credit Default', y='Annual Income', data=data)
plt.title('Annual Income vs. Credit Default')
plt.xlabel('Credit Default')
plt.ylabel('Annual Income')
plt.show()
#小提琴图，相较于箱线图，小提琴图更加美观
plt.figure(figsize=(8, 6))
sns.violinplot(x='Credit Default', y='Annual Income', data=data)
plt.title('Annual Income vs. Credit Default')
plt.xlabel('Credit Default')
plt.ylabel('Annual Income')
plt.show()
# 绘制年收入和违约的关系图
plt.figure(figsize=(8, 6))
sns.histplot(x='Annual Income', hue='Credit Default', data=data, kde=True, element="step")
plt.title('Annual Income vs. Credit Default')
plt.xlabel('Annual Income')
plt.ylabel('Count')
plt.show()

# 绘制未结清账户数量和违约的关系图
data['Open Accounts Group'] = pd.cut(data['Number of Open Accounts'], bins=[0, 5, 10, 15, 20, float('inf')], labels=['0-5', '6-10', '11-15', '16-20', '20+']) # 根据你的数据调整分组

plt.figure(figsize=(10, 6))
sns.countplot(x='Open Accounts Group', hue='Credit Default', data=data)
plt.title('Number of Open Accounts (Grouped) vs. Credit Default')
plt.xlabel('Number of Open Accounts Group')
plt.ylabel('Count')
plt.show()

总代码

#导入库并查看数据
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv('data.csv')
print(data.head())
#找到连续特征
continuous_features = []
for i in data.columns:
    if data[i].dtype!= 'object':
        continuous_features.append(i)
print(continuous_features)
# 设置全局字体为支持中文的字体 (例如 SimHei)
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号'-'显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
#对年收入进行箱线图分析
sns.boxplot(x=data['Annual Income'])
plt.title('年收入的箱线图')
plt.xlabel('Annual Income')
plt.show()
#对未结清账户数量进行箱线图分析
sns.boxplot(x=data['Number of Open Accounts'])
plt.title('未结清账户数量的箱线图')
plt.xlabel('Tax Liens')
plt.show()
#对信用记录年限进行箱线图分析
sns.boxplot(x=data['Years of Credit History'])
plt.title('信用记录年限的箱线图')
plt.xlabel('Years of Credit History')
plt.show()
#找到离散特征
lists_final = data.columns.difference(continuous_features)
print(lists_final)
#对当前工作年限进行条形图分析
sns.countplot(x=data['Years in current job'])
plt.title('当前工作年限的条形图')
plt.xlabel('Years in current job')
plt.xticks(rotation=45, ha='right')  # 旋转45度，并右对齐
plt.tight_layout()  # 自动调整子图参数，提供足够的空间
plt.show()

#分别考虑年收入在违约和不违约情况下的连续特征，画2个箱线图
# 箱线图
plt.figure(figsize=(8, 6))
sns.boxplot(x='Credit Default', y='Annual Income', data=data)
plt.title('Annual Income vs. Credit Default')
plt.xlabel('Credit Default')
plt.ylabel('Annual Income')
plt.show()
#小提琴图，相较于箱线图，小提琴图更加美观
plt.figure(figsize=(8, 6))
sns.violinplot(x='Credit Default', y='Annual Income', data=data)
plt.title('Annual Income vs. Credit Default')
plt.xlabel('Credit Default')
plt.ylabel('Annual Income')
plt.show()
# 绘制年收入和违约的关系图
plt.figure(figsize=(8, 6))
sns.histplot(x='Annual Income', hue='Credit Default', data=data, kde=True, element="step")
plt.title('Annual Income vs. Credit Default')
plt.xlabel('Annual Income')
plt.ylabel('Count')
plt.show()
# 绘制未结清账户数量和违约的关系图
data['Open Accounts Group'] = pd.cut(data['Number of Open Accounts'], bins=[0, 5, 10, 15, 20, float('inf')], labels=['0-5', '6-10', '11-15', '16-20', '20+']) # 根据你的数据调整分组

plt.figure(figsize=(10, 6))
sns.countplot(x='Open Accounts Group', hue='Credit Default', data=data)
plt.title('Number of Open Accounts (Grouped) vs. Credit Default')
plt.xlabel('Number of Open Accounts Group')
plt.ylabel('Count')
plt.show()

@浙大疏锦行