python数据处理过程——房价预测

最新推荐文章于 2025-06-19 16:14:34 发布

math_computer

最新推荐文章于 2025-06-19 16:14:34 发布

阅读量1.7k

点赞数

CC 4.0 BY-SA版权

分类专栏： python 数据分析

本文链接：https://blog.youkuaiyun.com/math_computer/article/details/103040245

python 同时被 2 个专栏收录

47 篇文章

订阅专栏

数据分析

3 篇文章

订阅专栏

本文通过使用Python进行房价预测，详细介绍了从数据读取到初步分析的过程。运用pandas、numpy、matplotlib和seaborn等库，对训练数据进行描述性统计分析，并通过散点图和分布图展示目标变量'SalePrice'的分布特性，揭示其偏态和峰度。同时，分析了'GrLivArea'与'SalePrice'之间的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考：https://blog.youkuaiyun.com/Amy_mm/article/details/79538083

https://www.kaggle.com/pmarcelino/comprehensive-data-exploration-with-python（处理回归）

https://www.kaggle.com/pmarcelino/data-analysis-and-feature-extraction-with-python/data#Exploratory-data-analysis-and-feature-extraction-with-Python（处理分类）

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')
df_train = pd.read_csv('train.csv')
df_test = pd.read_csv('test.csv')
print(f"columns:{df_train.columns}")

print(df_train['SalePrice'].describe())

sns.distplot(df_train['SalePrice'])
plt.show()

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

# 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))
plt.show()