kaggle鳄梨数据集

I_Like_AI

1 简介
    鳄梨数据集是kaggle上的一个数据集，包含了鳄梨在美国的市场销量历史数据，用来预测鳄梨的平均价格，只有1.9M大小，18340条记录，13列，正是适合用来入门的数据集。数据有12个特征，分别是日期(Date)，总体积(Total Volume)，三个数字代码(4046,4225,4770)，大型号鳄梨个数(Large Bags)，小型号鳄梨个数(Small Bags)，特大型号鳄梨个数(XLarge Bags)，各个型号鳄梨的个数总和(Total Bags)，鳄梨类型(Type)，年份(year)，区域(region)。三个数字代码指的是不同价格查询代码下的价格，而日期包括了年份信息，年份似乎是多余的。预测的目标是平均价格。下载地址：https://www.kaggle.com/neuromusic/avocado-prices
2 数据探索
  2.1 读取数据

1. import os
   
2. import pandas as pd
   
3. import numpy as np
   
4. import pylab as pl
   
5. from pylab import rcParams
   
6. rcParams['figure.figsize'] = 12, 8
   
7. import matplotlib.pyplot as pl
   
8. import seaborn as sns
   
9. data = pd.read_csv('../input/avocado.csv')import os
   
10. import pandas as pd
    
11. import numpy as np
    
12. import pylab as pl
    
13. from pylab import rcParams
    
14. rcParams['figure.figsize'] = 12, 8
    
15. import matplotlib.pyplot as pl
    
16. import seaborn as sns
    
17. data = pd.read_csv('../input/avocado.csv')

复制代码

2.2 数据缺失值检测

    进行数据缺失值检测看是否有数据是否有缺失值。

1. data.isnull().sum()

复制代码

图2.2-1

2.3 查看鳄梨平均价格分布

1. pl.figure(figsize=(12,5))
   
2. pl.title("Distribution Price")
   
3. ax = sns.distplot(data["AveragePrice"], color = 'r')

复制代码

图2.3-1

2.4 比较不同类型鳄梨的平均价格范围

1. sns.boxplot(y="type", x="AveragePrice", data=data, palette = 'pink')

复制代码

图2.4-1

    从上图可以看出有机鳄梨相对于传统鳄梨价格更加高，由此可知鳄梨类型对鳄梨价格能产生显著的影响。

2.5 比较不同地区有机鳄梨的平均价格范围

1. mask = data['type']=='organic'
   
2. g = sns.factorplot('AveragePrice','region',data=data[mask],
   
3.                    hue='year',
   
4.                    size=13,
   
5.                    aspect=0.8,
   
6.                    palette='magma',
   
7.                    join=False,
   
8.               )

复制代码

图2.5-1

2.6 比较不同地区常规鳄梨的平均价格范围

1. mask = data['type']=='conventional'
   
2. g = sns.factorplot('AveragePrice','region',data=data[mask],
   
3.                    hue='year',
   
4.                    size=13,
   
5.                    aspect=0.8,
   
6.                    palette='magma',
   
7.                    join=False,
   
8.               )

复制代码

图2.6-1

2.7 比较不同列之间的简单相关关系

1. cols = ['AveragePrice','type','year','Total Volume','Total Bags']
   
2. cm = np.corrcoef(data[cols].values.T)
   
3. sns.set(font_scale = 1.7)
   
4. hm = sns.heatmap(cm,cbar = True, annot = True,square = True, fmt = '.2f', annot_kws = {'size':15}, yticklabels = cols, xticklabels = cols)

复制代码

图2.7-1

    从相关系数图可以看出，与AveragePrice具有最强相关性的是type列，与之前的不同类型的鳄梨价格分布图所展现的意思一致，type能显著影响AveragePrice价格。

3 小结

    数据探索就到这里结束了，感兴趣的小伙伴可以试试训练不同的模型来预测下价格，或者做更详尽的探索分析。

天使与魔鬼

数据集好评，鳄梨好吃

2919005896

棒棒棒棒

蛋蛋超人

很好的数据集，练手刚好

蛋蛋超人

很好的数据集，练手刚刚好。