记录我是如何转型大数据分析(二）——iris

在学习数据分析的过程中，iris数据算是我第一个接触的比较官方的数据来源。这是一个关于鸢尾花的数据，有五个属性：花瓣的长和宽、萼片的长和宽、花的三类。其中三类鸢尾花分别是：setosa, versicolor, virginica。

数据库下载链接（点击这里）或者可以直接百度iris data。

美丽的鸢尾花

这里我用到的python库有

1、pandas

2、matploylib

3、seaborn

4、sklearn

iris = pd.read_csv(file_path,header=None)

iris.head()

我这里的数据没有列名称，所以我自己手动更改了列名称

col_list = ['sepal length in cm','sepal width in cm','petal length in cm','petal width in cm','class']



iris.columns = col_list



＃很喜欢describe这个功能，可以从宏观上很快的浏览我们的数据

iris.describe()

这是总体的数据，没有按照花的品种分类。我们可以看到总共有150条数据。

set(iris.loc[:,'class'])

返回数据：{'setosa', 'versicolor', 'virginica'}

接下来我想要把数据按照品种分开, 这里我用到了groupby

group = iris.groupby('class')

group = group.agg({'sepal length in cm':np.average,

                   'sepal width in cm':np.average,

                   'petal length in cm':np.average,

                   'petal width in cm':np.average})

print group

下面我们来看下每个品种，花瓣的长和宽的关系是怎样的

＃筛选setosa的数据，并作散点图

a = iris[iris['class']=='setosa']

ax = a.plot(kind="scatter",x = 'sepal length in cm',y ='sepal width in cm',label = 'seotsa')



＃筛选versicolor的数据，并作散点图

b = iris[iris['class']=='versicolor']

b.plot(kind="scatter",x = 'sepal length in cm',y ='sepal width in cm',color = 'red',label = 'versicolor',ax = ax)



＃筛选virginica的数据，并作散点图

c = iris[iris['class']=='virginica']

c.plot(kind="scatter",x = 'sepal length in cm',y ='sepal width in cm',color = 'green',label = 

同理，我们可以画出花萼的长和宽的关系，这里我用了另外一种方法：

sns.FacetGrid(iris,hue='class',size =5).map(plt.scatter,'petal length in cm','petal width in cm

sns.pairplot(iris,hue ='class')

将4个变量两两对比，可以看到蓝色，也就是setosa和其他两类很容易区分开来，但是红色和绿色有点不好区分开。

接下来我们想要看看，是否可以根据花瓣的长和宽、萼片的长和宽来判断属于哪一类品种。

mapping = {'setosa':1, 'versicolor':2, 'virginica':3}

iris['map'] = iris.loc[:,'class'].map(mapping)

iris.head()

这里我们将花的品种转化为1，2，3类，加入了新的一列map

我们将我们的数据分成两块，我是这样理解的，一块是放特征数据，一块是放判断结果

data = iris.iloc[:,0:4]



target = iris.iloc[:,5]

from sklearn.linear_model import LogisticRegression ＃逻辑回归

from sklearn.cross_validation import train_test_split＃分类训练值，测试值

from sklearn.metrics import classification_report ＃分析报告

from sklearn.metrics import confusion_matrix ＃混淆矩阵

x_train,x_test,y_train,y_test = train_test_split(data,target)



lr =LogisticRegression(C=10)

lr.fit(data,target)



pre_y = lr.predict(x_test)

print classification_report(y_test,pre_y)

1号类型的，准确率和召回率都是100%，很容易区分，但是2，3类型，不能做到100%准确

cnf = confusion_matrix(y_test,pre_y)

plt.matshow(cnf)

之后我应该要做一个AUC,ROC分析，这一段我还没有完全理解，所以给自己留个坑，下次继续填。

最后放一个鸢（yuan）尾花的百度百科，至少做完一个项目，还是要了解做的是啥吧。