ML之FE：對人類性別相關屬性數(shù)據集進行數(shù)據特征分布可視化分析與挖掘

?

?

?

目錄

對人類性別相關屬性數(shù)據集進行數(shù)據特征分布可視化分析與挖掘

輸出結果

實現(xiàn)代碼

---

?

?

?

?

對人類性別相關屬性數(shù)據集進行數(shù)據特征分布可視化分析與挖掘

輸出結果

?

?

實現(xiàn)代碼

# coding: utf8 import pandas as pd import matplotlib.pyplot as plt# ML之FE：對人類性別相關屬性數(shù)據集進行數(shù)據特征分布可視化分析與挖掘#1、定義數(shù)據集 # 頭發(fā)(長發(fā)/短發(fā))、身高、下巴(棱角/圓滑)、胡長(mm)、皮膚、體重 contents={"name": ['Mary', 'Bob', 'Lisa', 'Tom', 'Alan', 'Jason','Sophia', 'Aiden', 'Sarah', 'Miqi', 'Temp01', 'Temp02'],"age": [ 16, 24, 19, 20, 33, 23, 29, 31, 34, 24, 27, 30],"Hair": ['長發(fā)', '短發(fā)', '長發(fā)', '短發(fā)', '長發(fā)', '短發(fā)', '長發(fā)', '長發(fā)', '長發(fā)', '長發(fā)', '短發(fā)', '長發(fā)'],"Height": [158, 175, 162, 170, 175, 168, 166, 169, 164, 157, 182, 161],"Jaw": ['圓滑', '棱角', '圓滑', '棱角', '圓滑', '圓滑', '圓滑', '棱角', '圓滑', '圓滑', '棱角', '圓滑'], "Beard": [2, 7, 3, 5, 2, 3, 5, 6, 3, 4, 5, 3],"Skin": ['細膩', '粗糙', '細膩', '粗糙', '細膩', '粗糙', '細膩', '粗糙', '細膩', '細膩', '粗糙', '粗糙'], "Weight": [99, 143, 105, 135, 120, 160, 95, 145, 125, 112, 155, 100],"Sex": ['女性', '男性', '女性', '男性', '男性', '男性', '女性', '男性', '女性', '女性', '男性', '女性'], } data_frame = pd.DataFrame(contents) print(type(data_frame))data_name = 'HumanGender_RelatedAttributes' col_cat='Jaw' label_name='Sex'for col in data_frame.columns[1:-2]:if data_frame[col].dtypes in ['object']:print(col)# T1、采用函數(shù)col_cats=[col,label_name] # SNCountPlot(col_cats,data_frame,imgName='')# T2、自定義函數(shù)？？？x_subname = list(data_frame[col].value_counts().to_dict().keys())label_y1 = list(data_frame[label_name].value_counts().to_dict().keys())[0]label_y2 = list(data_frame[label_name].value_counts().to_dict().keys())[1]y1=list(data_frame[data_frame[label_name]==label_y1][col].value_counts().to_dict().values())y2=list(data_frame[data_frame[label_name]==label_y2][col].value_counts().to_dict().values())print(x_subname)print(label_y1,label_y2)print(y1,y2)# # T2、自定義函數(shù)？？？ # y01Lists,y02Lists=[],[] # for x in x_subname: # if x not in data_frame[data_frame[label_name]==label_y2][col].value_counts(dropna=False).to_dict().keys(): # pass # else: # # y01=data_frame[data_frame[label_name]==label_y1][col].value_counts(dropna=False).to_dict()[x] # y02=data_frame[data_frame[label_name]==label_y2][col].value_counts(dropna=False).to_dict()[x] # y01Lists.append(y01) # y02Lists.append(y02) # print(y01Lists,y02Lists)DoubleBarAddText(y1,y2, col,label_name, x_subname,label_y1,label_y2,data_name)else:Num_col_Plot2_ByLabels(data_name,data_frame,label_name,col)

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的ML之FE：对人类性别相关属性数据集进行数据特征分布可视化分析与挖掘的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。