关于红酒品质的python数据分析

最新推荐文章于 2024-09-27 13:52:34 发布

置顶 BRYTLEVSON

最新推荐文章于 2024-09-27 13:52:34 发布

阅读量1.1w

点赞数 22

CC 4.0 BY-SA版权

分类专栏： python 数据分析

本文链接：https://blog.csdn.net/brytlevson/article/details/106019084

python 同时被 2 个专栏收录

48 篇文章

订阅专栏

数据分析

5 篇文章

订阅专栏

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 颜色
color = sns.color_palette()
print(color)
# 数据精度
pd.set_option('precision', 3)

[(0.8862745098039215, 0.2901960784313726, 0.2), (0.20392156862745098, 0.5411764705882353, 0.7411764705882353), (0.596078431372549, 0.5568627450980392, 0.8352941176470589), (0.4666666666666667, 0.4666666666666667, 0.4666666666666667), (0.984313725490196, 0.7568627450980392, 0.3686274509803922), (0.5568627450980392, 0.7294117647058823, 0.25882352941176473), (1.0, 0.7098039215686275, 0.7215686274509804)]

df=pd.read_csv('winequality-red.csv',sep = ';')
df.head()

#  字段含义
#"fixed acidity";"volatile acidity";"citric acid";"residual sugar";"chlorides";"free sulfur dioxide";"total sulfur dioxide";"density";"pH";"sulphates";"alcohol";"quality"
# “固定酸度”；“挥发性酸度”；    “柠檬酸”；     “残糖”；    氯化物”；“游离二氧化硫”；       “总二氧化硫”；     “密度”；“pH”；“硫酸盐”；“酒精”；“质量”

	fixed acidity	volatile acidity	citric acid	residual sugar	chlorides	free sulfur dioxide	total sulfur dioxide	density	pH	sulphates	alcohol	quality
0	7.4	0.70	0.00	1.9	0.076	11.0	34.0	0.998	3.51	0.56	9.4	5
1	7.8	0.88	0.00	2.6	0.098	25.0	67.0	0.997	3.20	0.68	9.8	5
2	7.8	0.76	0.04	2.3	0.092	15.0	54.0	0.997	3.26	0.65	9.8	5
3	11.2	0.28	0.56	1.9	0.075	17.0	60.0	0.998	3.16	0.58	9.8	6
4	7.4	0.70	0.00	1.9	0.076	11.0	34.0	0.998	3.51	0.56	9.4	5

df.info()
df.describe()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1599 entries, 0 to 1598
Data columns (total 12 columns):
fixed acidity           1599 non-null float64
volatile acidity        1599 non-null float64
citric acid             1599 non-null float64
residual sugar          1599 non-null float64
chlorides               1599 non-null float64
free sulfur dioxide     1599 non-null float64
total sulfur dioxide    1599 non-null float64
density                 1599 non-null float64
pH                      1599 non-null float64
sulphates               1599 non-null float64
alcohol                 1599 non-null float64
quality                 1599 non-null int64
dtypes: float64(11), int64(1)
memory usage: 150.0 KB

	fixed acidity	volatile acidity	citric acid	residual sugar	chlorides	free sulfur dioxide	total sulfur dioxide	density	pH	sulphates	alcohol	quality
count	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000	1599.000
mean	8.320	0.528	0.271	2.539	0.087	15.875	46.468	0.997	3.311	0.658	10.423	5.636
std	1.741	0.179	0.195	1.410	0.047	10.460	32.895	0.002	0.154	0.170	1.066	0.808
min	4.600	0.120	0.000	0.900	0.012	1.000	6.000	0.990	2.740	0.330	8.400	3.000
25%	7.100	0.390	0.090	1.900	0.070	7.000	22.000	0.996	3.210	0.550	9.500	5.000
50%	7.900	0.520	0.260	2.200	0.079	14.000	38.000	0.997	3.310	0.620	10.200	6.000
75%	9.200	0.640	0.420	2.600	0.090	21.000	62.000	0.998	3.400	0.730	11.100	6.000
max	15.900	1.580	1.000	15.500	0.611	72.000	289.000	1.004	4.010	2.000	14.900	8.000

# 获取所有的自带样式
print(plt.style.available)

#  使用plt自带的样式美化
plt.style.use('ggplot')

['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']

#  获取每个字段
# 方法1
colnm = df.columns.to_list()
print(colnm)
print(len(colnm))
# 方法2
print()
print(list(df))

['fixed acidity', 'volatile acidity', 'citric acid', 'residual sugar', 'chlorides', 'free sulfur dioxide', 'total sulfur dioxide', 'density', 'pH', 'sulphates', 'alcohol', 'quality']
12

['fixed acidity', 'volatile acidity', 'citric acid', 'residual sugar', 'chlorides', 'free sulfur dioxide', 'total sulfur dioxide', 'density', 'pH', 'sulphates', 'alcohol', 'quality']

#  绘制箱线图1
fig = plt.figure(figsize=(15,9))
for i in range(12):
    plt.subplot(3,4,i+1)  # 三行四列 位置是i+1的子图
    # orient："v"|"h" 用于控制图像使水平还是竖直显示（这通常是从输入变量的dtype推断出来的，此参数一般当不传入x、y，只传入data的时候使用）
    sns.boxplot(df[colnm[i]], orient="v", width = 0.3, color = color[0])
    plt.ylabel(colnm[i],fontsize = 13)
    # plt.xlabel('one_pic')
#  图形调整
plt.subplots_adjust(left=0.2, wspace=0.8, top=0.9, hspace=0.1)  #  子图的左侧 子图之间的宽度间隔   子图的高   子图之间的高度间隔
# tight_layout会自动调整子图参数，使之填充整个图像区域
plt.tight_layout()
print('箱线图')

箱线图

在这里插入图片描述

# 绘制直方图
fig = plt.figure(figsize=(15, 9))
for i in range(12):
    plt.subplot(3,4,i+1)  # 3行4列 位置是i+1的子图
    df[colnm[i]].hist(bins=80, color=color[1])  # bins 指定显示多少竖条
    plt.xlabel(colnm[i], fontsize=13)
    plt.ylabel('Frequency')
# tight_layout会自动调整子图参数，使之填充整个图像区域
plt.tight_layout()
# plt.savefig('hist.png')
print('直方图')

直方图

在这里插入图片描述

结论

根据箱线图和直方图,这个数据集主要研究红酒品质和理化性质之间的关系，品质质量评价范围是0-10，这个数据集的评价范围是3-8，其中82%的品质是5和6.

“fixed acidity”;“volatile acidity”;“citric acid”;“free sulfur dioxide” ;total sulfur dioxide; “sulphates”; PH
“固定酸度”； “挥发性酸度”； “柠檬酸”； “游离二氧化硫” “总二氧化硫”； “硫酸盐”；

这个数据集总共有七个和酸度有关系的；前六个特征都是与酸度ph有关系的, pH是在对数的尺度，下面对前6个特征取对数然后作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。

acidityFeat = ['fixed acidity', 'volatile acidity', 'citric acid',
               'free sulfur dioxide', 'total sulfur dioxide', 'sulphates']
fig = plt.figure(figsize=(15, 9))
for i in range(6):
    plt.subplot(2,3,i+1)
    v = np.log10(np.clip(df[acidityFeat[i]].values, a_min = 0.001, a_max = None))  # clip这个函数将将数组中的元素限制在a_min, a_max之间，大于a_max的就使得它等于 a_max，小于a_min,的就使得它等于a_min
    plt.hist(v, bins = 50, color = color[2])
    plt.xlabel('log(' + acidityFeat[i] + ')',fontsize = 12)

    plt.ylabel('Frequency')
plt.tight_layout()
print('\nFigure 3: Acidity Features in log10 Scale')

Figure 3: Acidity Features in log10 Scale

在这里插入图片描述

plt.figure(figsize=(10,6))
# print(np.linspace(-2, 2))
bins = 10**(np.linspace(-2, 2))  #  间隔采样 默认stop=True  可以取到最后
# bins= 20
plt.hist(df['fixed acidity'], bins = bins, edgecolor = 'k', label = 'Fixed Acidity')  # edgecolor 直方图边框颜色
plt.hist(df['volatile acidity'], bins = bins, edgecolor = 'black', label = 'Volatile Acidity')
plt.hist(df['citric acid'], bins = bins, edgecolor = 'red', alpha = 0.8, label = 'Citric Acid')
plt.xscale('log')  #  把当前的图形x轴设置为对数坐标。
plt.xlabel('Acid Concentration (g/dm^3)')
plt.ylabel('Frequency')
plt.title('Histogram of Acid Concentration')
plt.legend()
plt.tight_layout()
print('Figure 4')

Figure 4

在这里插入图片描述

# 总酸度
df['total acid'] = df['fixed acidity'] + df['volatile acidity'] + df['citric acid']
# print(df)

plt.figure(figsize = (8,5))

plt.subplot(121)  #  # 第一张图中中图片排列方式为1行2列第一张图
plt.hist(df['total acid'], bins = 50, color = color[4])
plt.xlabel('total acid')
plt.ylabel('Frequency')

plt.subplot(122)
plt.hist(np.log(df['total acid']), bins = 80 , color = color[5])
plt.xlabel('log(total acid)')
plt.ylabel('Frequency')

plt.tight_layout()
print("Figure 5: Total Acid Histogram")

#  不设置plt.subplot 的话就是一张图了
# plt.hist(df['total acid'], bins = 50, color = color[4])
# plt.xlabel('total acid')
# plt.ylabel('Frequency')
# plt.hist(np.log(df['total acid']), bins = 80 , color = color[5])
# plt.xlabel('log(total acid)')
# plt.ylabel('Frequency')

Figure 5: Total Acid Histogram

在这里插入图片描述

甜度

Residual sugar “残糖” 与酒的甜度相关，通常用来区别各种红酒，干红（<=4 g/L), 半干（4-12 g/L）,半甜（12-45 g/L），和甜（>45 g/L)。这个数据中，主要为干红，没有甜葡萄酒。

# 构建新的dataframe ['Residual sugar']   0,4  dry  4,12 medium dry 12,45 semi-sweet
df['sweetness'] = pd.cut(df['residual sugar'], bins = [0, 4, 12, 45], 
                         labels=["dry", "medium dry", "semi-sweet"])
# print(df.head(10))
print()
print(df['sweetness'].value_counts())

dry           1474
medium dry     117
semi-sweet       8
Name: sweetness, dtype: int64

plt.figure(figsize = (8,5))

df['sweetness'].value_counts().plot(kind='bar', color=color)
plt.xticks(rotation=45)
plt.xlabel('sweetness', fontsize = 12)
plt.ylabel('Frequency', fontsize = 12)
plt.tight_layout()
print("Figure 6: Sweetness")

Figure 6: Sweetness

在这里插入图片描述

双变量分析

红酒品质和理化特征的关系

下面Figure 7和8分别显示了红酒理化特征和品质的关系。其中可以看出的趋势有：

品质好的酒有更高的柠檬酸，硫酸盐，和酒精度数。硫酸盐(硫酸钙)的加入通常是调整酒的酸度的。其中酒精度数和品质的相关性最高。
品质好的酒有较低的挥发性酸类，密度，和pH。
残留糖分，氯离子，二氧化硫似乎对酒的品质影响不大。

# set_style 有五种预设的seaborn主题：暗网格(darkgrid)，白网格(whitegrid)，全黑(dark)，全白(white)，全刻度(ticks)。
# 样式控制  set_style(), set_context()会设置matplotlib的默认参数。
sns.set_style('ticks')
sns.set_context("notebook", font_scale= 1.1)


# s = df.columns.tolist()
# print(s)
# colnm = df.columns.tolist()[:11] + ['total acid']
# print(colnm)

#  获取指定的列
colnm = df.columns.to_list()[:11] + ['total acid']
# print(df)
# print(colnm)
# final_df = df[colnm]
# print(final_df)

plt.figure(figsize = (10, 8))

for i in range(12):
    plt.subplot(4,3,i+1)
    sns.boxplot(x ='quality', y = colnm[i], data = df, color = color[1], width = 0.6)    
    plt.ylabel(colnm[i],fontsize = 12)
plt.tight_layout()
print("\nFigure 7: Physicochemical Properties and Wine Quality by Boxplot")

Figure 7: Physicochemical Properties and Wine Quality by Boxplot

在这里插入图片描述

sns.set_style("dark")

plt.figure(figsize = (10,8))
colnm = df.columns.to_list()[:11] + ['total acid', 'quality']
# 不满足连续数据，正态分布，线性关系，用spearman相关系数是最恰,当两个定序测量数据之间也用spearman相关系数
# pearson：Pearson相关系数来衡量两个数据集合是否在一条线上面，即针对线性数据的相关系数计算，针对非线性数据便会有误差。
# kendall：用于反映分类变量相关性的指标，即针对无序序列的相关系数，非正太分布的数据
# spearman：非线性的，非正太分析的数据的相关系数
# mcorr = df[colnm].corr(method='spearman')

#  如果不是数字   get_dummies   one_hot 编码之后 计算相关系数

mcorr = df[colnm].corr()
# print(mcorr)

# zeros_like函数主要是想实现构造一个矩阵W_update，其维度与矩阵W一致，并为其初始化为全0；这个函数方便的构造了新矩阵，无需参数指定shape大小
# mask = np.zeros_like(mcorr, dtype=None)   #  0 0 0 0

mask = np.zeros_like(mcorr, dtype=np.bool)
# print(mask)

mask[np.triu_indices_from(mask)] = True   # 1
# print(mask)
# 调色盘 对图表整体颜色、比例进行风格设置，包括颜色色板等  调用系统风格进行数据可视化
cmap = sns.diverging_palette(220, 10, as_cmap=True)
#  热力图
g = sns.heatmap(mcorr, mask=mask, cmap=cmap, square=True, annot=True, fmt='0.2f')
print("\nFigure 8: Pairwise Correlation Plot")

Figure 8: Pairwise Correlation Plot

在这里插入图片描述

密度和酒精的关系

密度和酒精浓度是相关的，物理上，两者并不是线性关系。Figure 9展示了两者的关系。另外密度还与酒中其他物质的含量有关，但是关系很小。

sns.set_style('ticks')
sns.set_context("notebook", font_scale= 1.4)

# plot figure
plt.figure(figsize = (6,4))
#  scatter_kws 设置点的大小 density
sns.regplot(x='density', y = 'alcohol', data = df, scatter_kws = {'s':15}, color = color[6])
# 设置y轴刻度
plt.xlim(0.989, 1.005)
plt.ylim(7,16)
print('Figure 9: Density vs Alcohol')

Figure 9: Density vs Alcohol

在这里插入图片描述

密度和其他特征的关系

由图10可以看出来密度与固定酸度和酒精的相关性最好

otherFeat = ['fixed acidity', 'volatile acidity', 'citric acid',"chlorides",
               'free sulfur dioxide', 'total sulfur dioxide', 'sulphates', 'alcohol']
fig = plt.figure(figsize=(15, 9))
for i in range(8):
    plt.subplot(3,4,i+1)
    sns.regplot(x='density', y = otherFeat[i], data = df, scatter_kws = {'s':15}, color = color[2])
plt.tight_layout()
print('Figure 10: Density vs Other')

Figure 10: Density vs Other

在这里插入图片描述

酸性物质含量和pH

pH和非挥发性酸性物质有-0.683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。

acidity_related = ['fixed acidity', 'volatile acidity', 'total sulfur dioxide', 
                   'sulphates', 'total acid']

plt.figure(figsize = (10,6))

for i in range(5):
    plt.subplot(2,3,i+1)
    sns.regplot(x='pH', y = acidity_related[i], data = df, scatter_kws = {'s':10}, color = color[6])
plt.tight_layout()
print("Figure 11: pH vs acid")

Figure 11: pH vs acid

在这里插入图片描述

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，和柠檬酸。下面图中显示的酒精浓度，挥发性酸和品质的关系。

酒精浓度，挥发性酸和品质：

对于好酒（7，8）以及差酒（3，4），关系很明显。但是对于中等酒（5，6），酒精浓度的挥发性酸度有很大程度的交叉。

根据下图可以得到质量较好的酒含的酒精量较高，质量不好的酒的挥发性酸较高。

plt.style.use('ggplot') #  样式美化

#  绘制回归模型
# lmplot  hue, col, row #定义数据子集的变量，并在不同的图像子集中绘制  
# col_wrap: int, #设置每行子图数量            order: int, optional #多项式回归，设定指数         markers: 定义散点的图标

sns.lmplot(x = 'alcohol', y = 'volatile acidity', hue = 'quality', 
           data = df, fit_reg = True, scatter_kws={'s':10}, height = 5)
print("Figure 12-1: Scatter Plots of Alcohol, Volatile Acid and Quality")
plt.show()

sns.lmplot(x = 'alcohol', y = 'volatile acidity', hue = 'quality', 
           data = df, fit_reg = False, scatter_kws={'s':10}, height = 5)
print("Figure 12-2: Scatter Plots of Alcohol, Volatile Acid and Quality")
plt.show()

Figure 12-1: Scatter Plots of Alcohol, Volatile Acid and Quality

在这里插入图片描述
Figure 12-2: Scatter Plots of Alcohol, Volatile Acid and Quality

# hue, col, row #定义数据子集的变量，并在不同的图像子集中绘制    col 列表示的元素   显示格式：col=1
# col_wrap: int, #设置每行子图数量，即限制列         order: int, optional #多项式回归，设定指数         markers: 定义散点的图标
sns.lmplot(x = 'alcohol', y = 'volatile acidity', col='quality', hue = 'quality', 
           data = df,fit_reg = False, height = 3,  aspect = 0.8, col_wrap=3,
           scatter_kws={'s':20})
print("Figure 12-3: Scatter Plots of Alcohol, Volatile Acid and Quality")
print()
plt.show()
sns.lmplot(x = 'alcohol', y = 'volatile acidity', col='quality', hue = 'quality', 
           data = df,fit_reg = True, height = 3,  aspect = 0.9, col_wrap=3,
           scatter_kws={'s':20})
print("Figure 12-4: Scatter Plots of Alcohol, Volatile Acid and Quality")

Figure 12-3: Scatter Plots of Alcohol, Volatile Acid and Quality

在这里插入图片描述
Figure 12-4: Scatter Plots of Alcohol, Volatile Acid and Quality

pH，非挥发性酸，和柠檬酸

pH和非挥发性的酸以及柠檬酸有相关性。整体趋势也很合理，浓度越高，pH越低,酒越酸。

# style
sns.set_style('ticks')
sns.set_context("notebook", font_scale= 1.4)

plt.figure(figsize=(6,5))
#get_cmap中取值可为：Possible values are: Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r,
# CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r,
# PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r,
# PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn,
# RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, 
# YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r...其中末尾加r是颜色取反。

cm = plt.cm.get_cmap('RdBu')
sc = plt.scatter(df['fixed acidity'], df['citric acid'], c=df['pH'], vmin=2.6, vmax=4, s=15, cmap=cm)
bar = plt.colorbar(sc)
bar.set_label('pH', rotation = 0)
plt.xlabel('fixed acidity')
plt.ylabel('citric acid')
plt.xlim(4,18)
plt.ylim(0,1)
print('Figure 12-1: pH with Fixed Acidity and Citric Acid')

Figure 12: pH with Fixed Acidity and Citric Acid

在这里插入图片描述

cm = plt.cm.get_cmap('YlOrRd')
sc = plt.scatter(x=df['fixed acidity'], y=df['citric acid'], c=df['pH'], vmin=2.6, vmax=4, s=15, cmap=cm)
bar = plt.colorbar(sc)
bar.set_label('pH', rotation = 0)
plt.xlabel('fixed acidity')
plt.ylabel('citric acid')
plt.xlim(4,18)
plt.ylim(0,1)
print('Figure 12-2: pH with Fixed Acidity and Citric Acid')

Figure 12-2: pH with Fixed Acidity and Citric Acid

在这里插入图片描述

总结：

整体而言，红酒的品质主要与酒精浓度，挥发性酸，和柠檬酸有关。对于品质优于7，或者劣于4的酒，直观上是线性可分的。但是品质为5，6的酒很难线性区分。

参考：阿里天池