首先，我們使用的三個包分別為pandas，matplotlib.pyplot，seaborn，首先我們導(dǎo)入這三個包，代碼如下所示：

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

我們用到的黑五數(shù)據(jù)表如下：

黑五購物數(shù)據(jù)表（前半部分）

黑五購物數(shù)據(jù)表（后半部分）

一：可視化年齡與購物金額的關(guān)系

我們想要知道年齡和購買金額是否有聯(lián)系，該如何可視化它們來供我們決策呢？

首先我們導(dǎo)入數(shù)據(jù)，然后創(chuàng)建一個新表，等于以年齡分組購買金額的均值，之后X軸為購買金額，Y軸為年齡，顏色設(shè)置為購買金額越大，顏色越淺，此處圓圈大小設(shè)置為購買金額的1/4，其代碼如下所示：

frame = pd.read_csv(r'C:\Users\Administrator\Desktop\新建文件夾\BlackFriday.csv')

result = frame[['Purchase']].groupby(frame['Age']).mean()

plt.scatter(result['Purchase'],result.index,c=result['Purchase'],s=result['Purchase']*(1/4))

plt.colorbar()

plt.show()

得到可視化圖表，如下所示：

年齡與購買金額之間的關(guān)系

根據(jù)數(shù)據(jù)可視化散點(diǎn)圖，我們可以得知消費(fèi)者年齡在36到45之前，隨著年齡增長，購買金額會越來越大，但是到了46歲到50歲的時候，購買金額會大幅下降，到了51到55歲時候購物金額會大幅上漲，55歲之后會小幅下降

二：可視化當(dāng)?shù)鼐幼r長和購物金額的關(guān)系

我們想要知道當(dāng)?shù)鼐幼r長和購買金額是否有聯(lián)系，該如何可視化它們來供我們決策呢？

首先我們導(dǎo)入數(shù)據(jù)，然后創(chuàng)建一個新表，等于以當(dāng)?shù)鼐幼r長分組購買金額的均值，之后X軸為購買金額，Y軸為當(dāng)?shù)鼐幼r長，顏色設(shè)置為購買金額越大，顏色越淺，此處圓圈大小設(shè)置為購買金額的1/4，其代碼如下所示：

frame = pd.read_csv(r'C:\Users\Administrator\Desktop\新建文件夾\BlackFriday.csv')

result = frame[['Purchase']].groupby(frame['Stay_In_Current_City_Years']).mean()

plt.scatter(result['Purchase'],result.index,c=result['Purchase'],s=result['Purchase']*(1/4))

plt.colorbar()

plt.show()

居住時間與年齡間的關(guān)系

根據(jù)圖表可知，居住不到一年的顧客購買金額最少，而購買最多的是居住2年的用戶，其各自購買程度如圖所示：

三：可視化各種因素的相關(guān)性

我們該如何知道各種因素之間的關(guān)聯(lián)性如何呢？

這時候我們就需要熱力圖了，應(yīng)對無法進(jìn)行相關(guān)性分析的數(shù)據(jù)進(jìn)行修改，將其修改為可相關(guān)的數(shù)據(jù)類型，并對其進(jìn)行擬合，將其繪制成熱力圖來進(jìn)行展示，其代碼如下：

frame = pd.read_csv(r'C:\Users\Administrator\Desktop\新建文件夾\BlackFriday.csv')

pd.set_option('display.max_columns',None)

frame['Age'] = frame['Age'].apply(lambda x :x[0])

frame.loc[frame["Stay_In_Current_City_Years"]=='4+',"Stay_In_Current_City_Years"]=4

frame['Age'] = frame['Age'].astype(int)

frame["Stay_In_Current_City_Years"] = frame["Stay_In_Current_City_Years"].astype(int)

sns.heatmap(frame.corr())

plt.show()

可得到下圖：

熱力圖

其中白色的部分由于是自己和自己進(jìn)行相關(guān)，所以最高為1，沒有參考價值，剩下的方格顏色越淺，證明其相關(guān)性越高，所以我們可以得知購買了1,2類產(chǎn)品的人購物額較低。

如果想要將數(shù)據(jù)格進(jìn)行分組，可以使用代碼：

sns.clustermap(frame.corr())

它可以將數(shù)據(jù)的相關(guān)性進(jìn)行歸類分層：

也可以通過sns.countplot()來計算不同屬性的數(shù)據(jù)的計數(shù)，例如我們使用代碼：

sns.countplot(frame['Age'])

可以統(tǒng)計到不同年齡組的購物人數(shù)，其圖如下：

各年齡組購物人數(shù)

本項目來自中國大學(xué)mooc：中國大學(xué)mooc：南京財經(jīng)大學(xué)Python大數(shù)據(jù)分析