当前位置:   article > 正文

多元回归分析数据集_白酒数据集分析

回归分析数据集

本项目主要是利用Python的数据分析相关库对于白酒数据集进行分析,数据集的主要来源是

Wine Quality Data-数据集-阿里云天池​tianchi.aliyun.com
6af5536f8913ab189e6cd099b6641763.png

导入数据分析所需要的库:

  1. %matplotlib inline
  2. import pandas as pd
  3. import numpy as np
  4. import seaborn as sns
  5. import matplotlib.pyplot as plt
  6. color = sns.color_palette()
  7. pd.set_option('precision', 3)

读取数据:

df = pd.read_csv(r"winequality-white.csv",sep = ';')

探索性数据分析

df.head(10)

c675db25f5f7dd0b6426974080bf906a.png
df.info()

ad6c9fe2906c05eb6a9b397c8c1e60f7.png
df.describe()

2c5f8a9a35ef5e3b0d67173b2c9be047.png
  1. df['quality'].describe()
  2. #了解一下质量评分的描述性统计的情况

2e77e7116e803e96ea635e95310dd5bc.png

品质评分的范围是0-10, 该数据集的评分范围是3-9。

  1. print(df.isnull().sum())
  2. #可以看出这个数据集没有空值

59873c8451bc9228c4a770a06bb507b6.png

单变量分析

  1. # set plot style
  2. plt.style.use('ggplot')
  3. #对于每个特征变量画出箱型图
  4. colnm = df.columns.tolist()
  5. fig = plt.figure(figsize = (10, 6))
  6. for i in range(12):
  7. plt.subplot(2,6, i+1)
  8. sns.boxplot(df[colnm[i]], orient='v', width = 0.5, color = color[0])
  9. plt.ylabel(colnm[i], fontsize = 12)
  10. plt.tight_layout()
  11. print("nFigure 1 :Univariate Boxplots")

1095976791fef10551ba50a7f853ae19.png
  1. #对每个特征变量画出直方图
  2. colnm = df.columns.tolist()
  3. plt.figure(figsize = (10, 8))
  4. for i in range(12):
  5. plt.subplot(4, 3, i+1)
  6. df[colnm[i]].hist(bins = 100, color = color[0])
  7. plt.xlabel(colnm[i], fontsize = 12)
  8. plt.ylabel('Frequency')
  9. plt.tight_layout()
  10. print('nFigure 2 :Univariate Histograms')

0fb7eeed76d612939acd1e60bed695db.png

本数据集主要是用来研究白酒的品质和理化性质之间的关系,并建立模型预测白酒品质评分的准确率。品质的评价范围是0-10, 这个数据集主要范围是3到9。

酸度相关的特征

本数据集有7各酸度相关的特征:fixed acidity, volatile acidity, citric acid, free sulfur dioxide, total sulfur dioxide, sulphates,pH。前6个特征都与红酒的pH相关。 pH是对数的尺度,所以对前6个特征取对数然后做histogram。另外,pH值主要是与fixed acidity有关,fixed acidity比volatile acidity和citric acid高1到2个数量级(Figure 4),比free sulfur dioxide, total sulfur dioxide, sulphates高3个数量级。一个新特征total acid来自于前三个特征的和。

  1. acidityFeat = ['fixed acidity', 'volatile acidity', 'citric acid',
  2. 'free sulfur dioxide', 'total sulfur dioxide', 'sulphates']
  3. plt.figure(figsize = (10, 4))
  4. for i in range(6):
  5. ax = plt.subplot(2,3,i + 1)
  6. v = np.log10(np.clip(df[acidityFeature[i]].values, a_min = 0.001,
  7. a_max = None))
  8. plt.hist(v, bins = 50, color = color[0])
  9. plt.xlabel('log(' + acidityFeat[i] + ')', fontsize = 12)
  10. plt.ylabel('Frequency')
  11. plt.tight_layout()
  12. print('nFigure 3: Acidity Features in log10 Scale')

40971b3bfde4d786c8a0d11f8caad92f.png
  1. plt.figure(figsize = (6,3))
  2. bins = 10 ** (np.linspace(-2, 2))
  3. plt.hist(df['fixed acidity'], bins = bins, edgecolor = 'k', label =
  4. 'Fixed Acidity')
  5. plt.hist(df['volatile acidity'], bins = bins, edgecolor = 'k', label =
  6. 'Volatile Acidity')
  7. plt.hist(df['citric acid'], bins = bins, edgecolor = 'k', alpha = 0.8,
  8. label = 'Citric Acid')
  9. plt.xscale('log')
  10. plt.xlabel('Acid Concentration (g/dm^3)')
  11. plt.ylabel('Frequency')
  12. plt.title('Histogram of Acid Concentration')
  13. plt.legend()
  14. plt.tight_layout()
  15. print('Figure 4')

bff296ada48bb0204bace1b50f7bd307.png
  1. #总酸度
  2. df['total acid'] = df['fixed acidity'] + df['volatile acidity'] + df['citric acid']
  3. plt.figure(figsize = (8, 3))
  4. plt.subplot(121)
  5. plt.hist(df['total acid'], bins = 50, color = color[0])
  6. plt.xlabel('total acid')
  7. plt.ylabel('Frequency')
  8. plt.subplot(222)
  9. plt.hist(np.log(df['total acid']), bins = 50, color = color[0])
  10. plt.xlabel('log(total acid)')
  11. plt.ylabel('Frequency')
  12. plt.tight_layout()
  13. print("Figure 5: Total Acid Histogram")

515265513b39ebf15432073f0724991a.png

甜度(sweetness)

白酒的甜并不是糖类的甜。白酒的甜味和糖形成的甜味有差别,属甘甜兼有醇厚感和绵柔感,在品尝时常常在呈味感中来得比较迟,呈后味,称“回甜”。干红(<=4 g/L), 半干(4-12 g/L),半甜(12-45 g/L),和甜(>45 g/L)。

  1. df['sweetness'] = pd.cut(df['residual sugar'], bins = [0, 4, 12, 45],
  2. labels=["dry", "medium dry", "semi-sweet"])
  3. plt.figure(figsize = (5,3))
  4. df['sweetness'].value_counts().plot(kind = 'bar', color = color[0])
  5. plt.xticks(rotation=0)
  6. plt.xlabel('sweetness', fontsize = 12)
  7. plt.ylabel('Frequency', fontsize = 12)
  8. plt.tight_layout()
  9. print("Figure 6: Sweetness")

eb003b8791cc342cfd6ef81a2099fca1.png

可以看出大部分的红酒的甜度都不是很高。

双变量分析

白酒和理化性质的关系

  1. sns.set_style('ticks')
  2. sns.set_context("notebook", font_scale=1.1)
  3. colnm = df.columns.tolist()[:11] + ['total acid']
  4. plt.figure(figsize = (10, 8))
  5. for i in range(12):
  6. plt.subplot(4,3,i + 1)
  7. sns.boxplot(x = 'quality', y = colnm[i], data = df, color = color[1], width = 0.6)
  8. plt.ylabel(colnm[i], fontsize = 12)
  9. plt.tight_layout()
  10. print("nFigure 7: Physicochemical Properties and Wine Quality by Boxplot")

b4d67c0c56de734e7948b01fb386084a.png

品质好的酒有更高的PH和酒精度数,更低的挥发性酸、密度、硫酸盐。 其中酒精度数和品质的相关性更高。 柠檬酸、残留糖分、氯离子、二氧化硫似乎对酒的品质影响不大。

画出相关性分析图

  1. sns.set_style("dark")
  2. plt.figure(figsize = (10,8))
  3. colnm = df.columns.tolist()[:11] + ['total acid', 'quality']
  4. mcorr = df[colnm].corr()
  5. mask = np.zeros_like(mcorr, dtype=np.bool)
  6. mask[np.triu_indices_from(mask)] = True
  7. cmap = sns.diverging_palette(220, 10, as_cmap=True)
  8. g = sns.heatmap(mcorr, mask=mask, cmap=cmap, square=True, annot=True,
  9. fmt='0.2f')
  10. print("nFigure 8: Pairwise Correlation Plot")

8bfae01483bcb848eb97f3ce64478fd6.png

密度和酒精浓度

  1. sns.set_style('ticks')
  2. sns.set_context("notebook", font_scale = 1.4)
  3. plt.figure(figsize = (6,4))
  4. sns.regplot(x = 'density', y = 'alcohol', data = df, scatter_kws = {
  5. 's':10
  6. }, color = color[1])
  7. plt.xlim(0.986,1.040)
  8. plt.ylim(6.5,16)
  9. print("nFigure 9: Desity vs Alcohol")

753694c93837fa386ab4df024f5f1df2.png

酸性物质和pH

pH和非挥发性酸性物质有-0.43的相关性。因为非挥发性酸性物质的含量远远高于其他酸性物质,总酸性物质(total acidity)这个特征并没有太多意义。

  1. acidity_related = ['fixed acidity', 'volatile acidity', 'total sulfur dioxide',
  2. 'sulphates', 'total acid']
  3. plt.figure(figsize = (10, 6))
  4. for i in range(5):
  5. plt.subplot(2,3,i + 1)
  6. sns.regplot(x='pH', y = acidity_related[i], data = df, scatter_kws = {
  7. 's':10
  8. }, color = color[1])
  9. plt.tight_layout()
  10. print("Figure 10: pH vs acid")

fc26a26fab7fc7351325c98d1b66f517.png

多变量分析

与品质相关性最高的三个特征是酒精浓度、挥发性酸度和pH

  1. #酒精浓度、挥发性酸度和品质
  2. plt.style.use('ggplot')
  3. sns.lmplot(x = 'alcohol', y = 'volatile acidity', hue = 'quality',
  4. data = df, fit_reg = False, scatter_kws={'s':10},
  5. height = 5)
  6. print("Figure 11-1:Scatter Plots of Alcohol, Volatile Acid and Quality")

710a1ecc44561065e56bc0a182cfd03b.png
  1. sns.lmplot(x = 'alcohol', y = 'volatile acidity', col='quality', hue=
  2. 'quality',
  3. data = df, fit_reg = False, height = 3, aspect = 0.9, col_wrap=3,
  4. scatter_kws={'s':20})
  5. print("Figure 11-2: Scatter Plots of Alcohol, Volatile Acid and Quality")

63f3d46b23a6873aea5ba8bf70003eed.png

pH,非挥发性酸和柠檬酸

  1. #pH和非挥发性酸以及柠檬酸有相关性。整体趋势是浓度越高,pH越低。
  2. sns.set_style('ticks')
  3. sns.set_context("notebook", font_scale = 1.4)
  4. plt.figure(figsize = (6,5))
  5. cm = plt.cm.get_cmap('RdBu')
  6. sc = plt.scatter(df['fixed acidity'],df['citric acid'],c=df['pH'],
  7. vmin=2.6, vmax=4, s=15, cmap=cm)
  8. bar = plt.colorbar(sc)
  9. bar.set_label('pH', rotation = 0)
  10. plt.xlabel('fixed acidity')
  11. plt.ylabel('ctric acid')
  12. plt.xlim(4,18)
  13. plt.ylim(0,1)
  14. print('Figure 12: pH with Fixed Acidity and Citric Acid')

f77644d47ac77ba64deb660822793ca4.png

总结

整体来说,白酒的品质主要与酒精浓度、挥发性酸和pH有关。对于品质优于8,或者劣于4的酒,直观上是线性可分的。但是品质为5,6,7的酒很难线性区分。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小惠珠哦/article/detail/842108
推荐阅读
相关标签
  

闽ICP备14008679号