집 값 예측 분석...3

상관관계 시각화

1장 부분

# 먼저 상관계수 계산을 위해 텍스트 형식의 데이터를 숫자로 변환해줌.
from sklearn.preprocessing import LabelEncoder

# 딥 복사
corr_df = data.copy()
corr_df[corr_df.columns[corr_df.dtypes=='O']] = corr_df[corr_df.columns[corr_df.dtypes=='O']].astype(str).apply(LabelEncoder().fit_transform)
corr_df['Exter Qual'].unique()
## 상관관계를 분석해보면 반비례적 요소가 많음 
#이 부분은 sklearn을 통해 제대로 된 수치화가 이루어지지 않았다고 생각함.
corr_df.info()

개선된 코드

# 그래서 명목형 데이터들을  파악하고
data['Exter Qual'].unique()
data.info()
# 그  값들을  하나하나  바꿔줌  다행히  같은  척도로  계산이  되고  있어서  바꾸기가  쉬웠음
data2=data.copy() 
for i in data[data.columns[data.dtypes=='O']]:
  print(i)
  data2 = data2.replace({f'{i}' : {"Po":0, "Fa" : 1, "TA" : 2, "Gd" : 3, "Ex" : 4}})
data2.info()

수정전 heatmap

#상관관계 분석도 이게 데이터 분석하는데에 제일 유용한 시각화가 아닌가 싶다
plt.figure(figsize=(15,10))

heat_table = corr_df.corr()
mask = np.zeros_like(heat_table)
mask[np.triu_indices_from(mask)] = True
heatmap_ax = sns.heatmap(heat_table, annot=True, mask = mask, cmap='coolwarm')
heatmap_ax.set_xticklabels(heatmap_ax.get_xticklabels(), fontsize=15, rotation=45)
 # 글자 기울이기 및 폰트사이즈 각도는 반시계 방향
heatmap_ax.set_yticklabels(heatmap_ax.get_yticklabels(), fontsize=15)
plt.title('correlation between features', fontsize=40)
plt.show()

# target과  높은  상관관계를  가지는  것들
heat_table.loc[:,'target'].sort_values().tail(7)

수정 후 heatmap

plt.figure(figsize=(15,10))
heat_table2 =data2.corr()# 판다스 상관관계
# 삼각형 마스크를 만든다(위 쪽 삼각형에 True, 아래 삼각형에 False)
mask = np.zeros_like(heat_table2) #numpy heat_table과 shape동일한 0으로 채워진행렬
mask[np.triu_indices_from(mask)] = True
# heatmap
heatmap_ax = sns.heatmap(heat_table2, annot=True, mask = mask, cmap='coolwarm')
# x축 세팅
heatmap_ax.set_xticklabels(heatmap_ax.get_xticklabels(), fontsize=15, rotation=45)
 # 글자 기울이기 및 폰트사이즈 각도는 반시계 방향
# y축 세팅
heatmap_ax.set_yticklabels(heatmap_ax.get_yticklabels(), fontsize=15)
plt.title('correlation between features', fontsize=40)
plt.show()

# target과  높은  상관관계를  가지는  것들
heat_table2.loc[:,'target'].sort_values().tail(7)

sklearn으로 한 것과는 차이가 좀 있다.
역시 아직은 인공지능보다는 사람이다.