红酒数据集数据分析

导入相关包
导入数据及总览
单变量分析
- 处理红酒的酸度特征
- 处理甜度特征
双变量分析
- 红酒品质vs.其他特征
- 密度vs.酒精浓度
- 酸性物质含量vs.pH
多变量分析
- pH，非挥发性酸，和柠檬酸

目标：了解影响红酒品质的主要理化因素

导入相关包

#import相关的库
%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style="darkgrid") #这是seaborn默认的风格
pd.set_option('precision',3) #设置数据精度

导入数据及总览


df = pd.read_csv("datasets/wine/winequality-red.csv",sep = ';')
df.head()
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   11.20.28    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各指标介绍
-fixed acidity           固定酸度
-volatile acidity        挥发性酸度
-citric acid             柠檬酸
-residual sugar          残留糖
-chlorides               氯化物
-free sulfur dioxide     游离二氧化硫
-total sulfur dioxide    总二氧化硫
-density                 密度
-pH                      酸碱度
-sulphates               硫酸盐
-alcohol                 酒精度
-quality                 品质df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1599 entries, 0 to 1598
Data columns (total 12 columns):#   Column                Non-Null Count  Dtype
---  ------                --------------  -----  0   fixed acidity         1599 non-null   float641   volatile acidity      1599 non-null   float642   citric acid           1599 non-null   float643   residual sugar        1599 non-null   float644   chlorides             1599 non-null   float645   free sulfur dioxide   1599 non-null   float646   total sulfur dioxide  1599 non-null   float647   density               1599 non-null   float648   pH                    1599 non-null   float649   sulphates             1599 non-null   float6410  alcohol               1599 non-null   float6411  quality               1599 non-null   int64
dtypes: float64(11), int64(1)
memory usage: 150.0 KB
查看红酒品质分布
df["quality"].value_counts()5    681
6    638
7    199
4     53
8     18
3     10
Name: quality, dtype: int64
查看下与品质相关度最高的特征
corr_matrix = df.corr()
corr_matrix["quality"].sort_values(ascending= False)quality                 1.000
alcohol                 0.476
sulphates               0.251
citric acid             0.226
fixed acidity           0.124
residual sugar          0.014
free sulfur dioxide    -0.051
pH                     -0.058
chlorides              -0.129
density                -0.175
total sulfur dioxide   -0.185
volatile acidity       -0.391
Name: quality, dtype: float64

单变量分析

首先简单查看每个变量分布情况

colnm = df.columns.tolist()#把列名转换为列表
fig = plt.figure(figsize = (10, 6))for i in range(12):plt.subplot(3,4,i+1)sns.boxplot(df[colnm[i]], orient="v", width = 0.5, color = color[0])#箱图显示plt.ylabel(colnm[i],fontsize = 12)#设置y轴名称plt.tight_layout()#自动调整子图参数，使之填充整个图像区域
print('\nFigure 1: Univariate Boxplots')

colnm = df.columns.tolist()# 将每一列放入列表
plt.figure(figsize = (10, 8)) #生成画布for i in range(12):plt.subplot(4,3,i+1)df[colnm[i]].hist(bins = 100, color = color[0])#直方图显示plt.xlabel(colnm[i],fontsize = 12)plt.ylabel('Frequency')
plt.tight_layout()
print('\nFigure 2: Univariate Histograms')

处理红酒的酸度特征

由于pH影响红酒酸度，故考察与pH相关度高的几个特征

corr_matrix = df.corr()
corr_matrix["pH"].sort_values(ascending= False)pH                      1.000
volatile acidity        0.235
alcohol                 0.206
free sulfur dioxide     0.070
quality                -0.058
total sulfur dioxide   -0.066
residual sugar         -0.086
sulphates              -0.197
chlorides              -0.265
density                -0.342
citric acid            -0.542
fixed acidity          -0.683
Name: pH, dtype: float64

观察到volatile acidity 、alcohol、citric acid、fixed acidity这四个因素与pH相关度较高

acidityFeat = ['fixed acidity', 'volatile acidity', 'citric acid','alcohol']
plt.figure(figsize=(12,6))
for i in range(4):ax = plt.subplot(2,2,i+1)v = np.log10(np.clip(df[acidityFeat[i]].values,a_min = 0.001, a_max = None))plt.hist(v, bins = 50, color = color[0])#直方图看分布plt.xlabel('log(' + acidityFeat[i] + ')',fontsize = 12)#横坐标名称plt.ylabel('Frequency')                                #纵坐标名称
plt.tight_layout()#调整格式自动填充
print('\nFigure 3: Acidity Features in log10 Scale')

查看四个特征分布

构造新特征

df['total acid'] = df['fixed acidity'] + df['volatile acidity'] + df['citric acid'] + df['alcohol']

处理甜度特征

甜度(sweetness)
Residual sugar 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

df['sweetness'] = pd.cut(df["residual sugar"],bins = [0, 4, 12, 45],labels=["dry", "medium dry", "semi-sweet"])#注意labls参数
plt.hist(df['sweetness'])

双变量分析

红酒品质vs.其他特征

plt.figure(figsize=(10,8))
colnm = df.columns.tolist()[:11] + ['total acid']#转换成list
for i in range(12):ax = plt.subplot(4,3,i+1)sns.boxplot(data= df ,x ='quality', y= colnm[i],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")

结论：
正相关：citric acid，sulphates，alcohol，total acid
负相关：volatile acidity，density，pH
转换成人话
1.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。
2.品质好的酒有较低的挥发性酸类，密度，和pH。
3.残留糖分，氯离子，二氧化硫似乎对酒的品质影响不大。

绘制热力学关系图查看相关性

plt.figure(figsize = (10,8))
cmap = sns.diverging_palette(200, 20)#设置自己的调色盘
sns.heatmap(data=mcorr,cmap=cmap,annot= True,fmt='0.2f')
#annot显示数字，fmt='0.2f'保留两位小数

密度vs.酒精浓度

（sns.regplot线性回归拟合）

# style :风格选择包括："white", "dark", "whitegrid", "darkgrid", "ticks"
sns.set_style('ticks')
#设置显示比例尺度  选择包括：'paper', 'notebook', 'talk', 'poster'
sns.set_context("notebook", font_scale= 1.4)# plot figure
plt.figure(figsize = (6,4))
sns.regplot(x='density', y = 'alcohol', data = df, scatter_kws = {'s':10}, color = color[1])
#scatter_kws 散点大小
plt.xlim(0.989, 1.005)
plt.ylim(7,16)
print('Figure 9: Density vs Alcohol')

seaborn英文文档
seaborn中文文档

酸性物质含量vs.pH

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

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。

sns.lmplot(x = 'alcohol', y = 'volatile acidity', hue = 'quality', data = df, fit_reg = False, scatter_kws={'s':10}, size = 5)
#hue 为类别，fit_reg：是否展示拟合曲线

sns.lmplot(x = 'alcohol', y = 'volatile acidity', col='quality', hue = 'quality', data = df,fit_reg = False, size = 3,  aspect = 0.9, col_wrap=3,scatter_kws={'s':20})

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，即浓度越高，pH越低。

plt.figure(figsize=(6,5))
cm = plt.cm.get_cmap('RdBu')#plt设置调色方式
sc = plt.scatter(df['fixed acidity'], df['citric acid'], c=df['pH'], vmin=2.6, vmax=4, s=20, cmap=cm)
bar = plt.colorbar(sc)#设置颜色渐变图例
bar.set_label('pH', rotation = 0)#图例名称，偏移量
plt.xlabel('fixed acidity')
plt.ylabel('citric acid')
plt.xlim(4,18)
plt.ylim(0,1)

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。
主要掌握单变量-双变量-多变量分析模式及相应可视化方法
红酒数据分析

红酒数据集分析（纯数字数据集）相关推荐

红酒数据集分析【详细版】
红酒数据集分析[详细版] 原文链接:阿里云天池数据连接:链接:https://pan.baidu.com/s/1UpVkbgOEIjpc_GQTGHyqTQ 提取码:ztjs 介绍这个notebo ...
matlab 对mnist手写数字数据集进行判决分析_Python神经网络编程：手写数字的数据集MNIST...
识别人的笔迹这个问题相对复杂,也非常模糊,因此这是一种检验人工智能的理想挑战.这不像进行大量数字相乘那样明确清晰. 让计算机准确区分图像中包含的内容,有时也称之为图像识别问题.科学家对这个问题进行了几 ...
数据分析案例--红酒数据集分析
介绍: 这篇文章主分析了红酒的通用数据集,这个数据集一共有1600个样本,11个红酒的理化性质,以及红酒的品质(评分从0到10).这里主要用python进行分析,主要内容分为:单变量,双变量,和多变量 ...
红酒、白酒数据集分析——案例(1)
详见:red_white_wine_quality数据集分析 (一)数据集概览有两个样本: winequality-red.csv:红葡萄酒样本 red-wine 数据集 winequality-w ...
DL之NN/Average_Darkness/SVM：手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness、SVM、NN各自的准确率
DL之NN/Average_Darkness/SVM:手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness.SVM.NN各自的准确率目录数据集下 ...
sklearn基础篇（三）-- 鸢尾花(iris)数据集分析和分类
后面对Sklearn的学习主要以<Python机器学习基础教程>和<机器学习实战基于scikit-learn和tensorflow>,两本互为补充进行学习,下面是开篇的学习内容 ...
svm对未知数据的分类_SVM对sklearn自带手写数字数据集进行分类
sklearn自带一些数据集,其中手写数字数据集可通过load_digits加载,我找到load_digits里头是这样 def load_linnerud(): """ ...
如何从TensorFlow的mnist数据集导出手写体数字图片
在TensorFlow的官方入门课程中,多次用到mnist数据集. mnist数据集是一个数字手写体图片库,但它的存储格式并非常见的图片格式,所有的图片都集中保存在四个扩展名为idx3-ubyte的二 ...
PASCAL VOC数据集分析（分类部分）
PASCAL VOC数据集分析 PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集,从2005年到2012年每年都会举行一场图像识别challenge. 每一年都有自己的数据集.pa ...

红酒数据集分析（纯数字数据集）