机器学习速成第二集——监督学习之回归+数据处理（实践部分）！

import pandas as pd

import as plt

import seaborn as sns

#加载数据

data_path=r'D:\机器学习\数据集：国家划分的生活成本\Cost_of_Living_Index_by_Country_2024.csv'

df=pd.read_csv(data_path)

#显示数据前几行

print(())

#检查是否有缺失值

print(().sum())

#基本统计信息

print(())

#可视化

#单变量分析

(bins=20,figsize=(12,10),color='blue')

plt.tight_layout() #调整子图参数，使之填充整个图像区域

()

#多变量分析

numeric_df = df.select_dtypes(include=['float64', 'int64'])

corr_matrix=numeric_df.corr()

(corr_matrix,annot=True,cmap='coolwarm')

('Correlation Matrix')

()

# #保存图片

# ('8.11Cost_of_Living_Index_by_Country_2024.png')

#柱状图-排名前十的国家的生活成本指数

top_10_countries=(10)

(figsize=(12,6))

(x='Country',y='Cost of Living Index',data=top_10_countries)

(rotation=90)#旋转x轴标签

('Top 10 Countries by Cost of Living Index')

()

#散点图-生活成本指数与租金指数关系

(figsize=(10,6))

(x='Cost of Living Index',y='Rent Index',data=df)#添加标题和标签

('Cost of Living Index vs Rent Index')

()

#热力图-各个指标之间的相关性

(figsize=(10,6))

numeric1_df = df.select_dtypes(include=['float64', 'int64'])

(numeric1_df.corr(),annot=True,cmap='coolwarm')

('Correlation Heatmap')

()