print(load_boston().DESCR)#查看boston数据集基本信息

#加载数据集并进行数据处理
from sklearn.datasets import load_boston
import pandas as pd
rawdata = load_boston()#加载数据
features = pd.DataFrame(rawdata.data,columns = rawdata.feature_names)#提取特征集
label = pd.DataFrame(rawdata.target,columns = ['target'])#提取标签列boston = pd.concat([features,label],axis =1)#合并特征集和标签列
print(boston)

#绘制散点矩阵图，由于boston矩阵共有14个属性，全部属性两两绘制散点图过于庞大，因此选择其中3个属性进行两两组合绘制散点图
import matplotlib.pyplot as plt
import seaborn as sb
sb.pairplot(data = boston,vars = ['CRIM','INDUS','target'])#'CRIM','INDUS','target'三个变量之间两两组合绘制散点图
plt.savefig('C:UsersCaraDesktopscatter fig.png')#绘图结果存到本地

#更改显示设置，打印全部列
pd.set_option('display.max_columns',None)#若单行不够显示全部列，将会换行显示
print(boston.corr())

from scipy.stats import stats
help(stats.pearsonr)

#使用scipy中的函数计算相关系数及显著性
from scipy.stats import stats
r,p_value = stats.pearsonr(boston['CRIM'],boston['target'])#计算CRIM和target之间的相关系数和对应的显著性
print('相关系数为{:.3f},p值为{:.5f}'.format(r,p_value))#相关系数保留3位小数，p值保留5位小数

#绘制相关系数的热力图
import seaborn as sb
r_pearson = boston.corr()
sb.heatmap(data = r_pearson)

sb.heatmap(data = r_pearson,cmap="YlGnBu")

from sklearn.datasets import load_boston
import pandas as pd
#查看Boston数据集的基本信息
print(load_boston().DESCR)rawdata = load_boston()#加载数据集
features = pd.DataFrame(rawdata.data,columns = rawdata.feature_names)#提取特征列
label = pd.DataFrame(rawdata.target,columns = ['target'])#提取房价列（target列）
boston = pd.concat([features,label],axis =1)#组合特征列和房价列#绘制散点图
import matplotlib.pyplot as plt
import seaborn as sb
sb.pairplot(data = boston,vars = ['CRIM','INDUS','target'])
plt.savefig('C:UsersCaraDesktopscatter fig.png')#计算全部变量的相关性矩阵
print(boston.corr())#查看目标变量‘房价’与其他变量间的相关性
print(boston.corr()['target'])#查看犯罪率CRIM与其他变量之间的关系
print(boston.corr()['CRIM'])#更改显示设置，打印全部列
pd.set_option('display.max_columns',None)
print(boston.corr())#使用scipy中的函数计算CRIM和target的相关系数及显著性
from scipy.stats import stats
r,p_value = stats.pearsonr(boston['CRIM'],boston['target'])
print('相关系数为{:.3f},p值为{:.5f}'.format(r,p_value))#绘制相关系数的热力图
import seaborn as sb
r_pearson = boston.corr()
sb.heatmap(data = r_pearson,cmap="YlGnBu")#cmap设置色系