数据源：Kaggle网站上一个“blackFriday.csv”文件（Kaggle网站是一个流行的数据科学竞赛平台），下载下来的数据字段如下：

                              

本节通过该数据，练习使用数据的三维图形化、字段之间的相关性及相关性热力图，直观地查看出哪些因素影响购买力，其三维散点图是怎样的。

一、怎样查看哪些因素影响购买力？

方法1：逐一探索各字段对购买力的影响趋势

数据量较小时，可以逐一查看每个字段与购买额字段的相关系数。相关系数较大的，影响力就大。

而本文件数据量较大（53万条），不便直接展示各字段与购买额之间的散点图，所以可将研究字段比如年龄，可以按年龄段分组后取均值，然后再研究。

但该方法需要研究的字段较多，逐一探索的方法效率较低。因此考虑使用方法2。

方法2：使用Dataframe的corr()函数查看各字段之间的相关性

该方法可以更快地分析出各字段之间的相关性，自然也可以看出每个字段与购买额字段的相关系数，从而更快捷、更方便地观察出最具影响力的属性。

二、图形化展示某因素对购买力的影响

根据方法2，逐步在python中实现，步骤如下：

Step1、看各因素之间的相关性

使用pd.read_csv()读入数据，生成DataFrame类型的变量。

使用dataframe.corr()，查看各字段之间的相关性。

【脚本及结果】

我们发现，没有年龄、城市类别和居住时长与其他字段之间的关联，原因是，这三个字段的值不是数值类型的。

将其转换为数值类型后，重新查看各字段之间的相关性。

【脚本】

import pandas as pd
data = pd.read_csv(r'D:\cpda\python\data\BlackFriday.csv')
pd.set_option('display.max_columns', None)
# 将年龄、居住时长调整为数值型
data['Age'] = data['Age'].apply(lambda x: x[0])
# 表示输入一个字符串x,输出x[0] , 在此不能直接使用int()函数，因为系统认为apply(lambda x: x[0])是一个序列
data.loc[data['Stay_In_Current_City_Years'] == '4+', 'Stay_In_Current_City_Years'] = 4  # 将该列异常数据用正常数据代替
data['Age'] = data['Age'].astype(int)  # 数据类型转换
data['Stay_In_Current_City_Years'] = data['Stay_In_Current_City_Years'].astype(int)corr1 = data.corr()
print(corr1)【结果】

相关性矩阵

显然，这里数据量较大，不太容易一眼看出哪些字段相关性较强，所以我们需要可视化。

Step2、将相关性图形化

Seaborn是基于matplotlib的图形可视化python包，它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。Seaborn要求原始数据的输入类型为 pandas 的 Dataframe或 Numpy 数组。

这里我们使用他的heatmap()和clustermap()两个函数，可以展现相关性热力图，以及聚类情况。【脚本】sbn.heatmap(corr1)
sbn.clustermap(corr1)
plt.show()【结果】 heatmap()的结果

由heatmap()与相关性矩阵来看，与销售额相关性较强的属性并不多，甚至产品类别1和产品类别2还与购买力成负相关。年龄好像与购买力有相关性，但比较弱。

此外，我们从图中还可以看出，年龄与婚否有相关性，这与我们的正常认知一致。几个产品类别之间也有较强的相关性。当然这些不在我们本次研究范围内。

我们再看clustermap()的结果：

clustermap()的结果

对比heatmap()图和clustermap()图，发现后者将系数相近的类别聚在了一些，全图深色浅色各聚一簇，以便我们做聚类分析。

Step3、看单一因素的影响力

因为我们研究的目标是“什么样的用户购买的更多”，所以尽管产品类别与销售额有明显地负相关性，却因不是研究主体“人”的属性，所以在此不做仔细观察。我们着重看人的年龄、职业、居住时长及婚否这些属性，可以详细查看相应的散点图。如：

因数据量较大，散点图太多，可以将年龄等字段分组后取均值，以看整体效果。

【脚本】

# 将年龄、居住时长调整为数值型
data['Age'] = data['Age'].apply(lambda x: x[0])
# 表示输入一个字符串x,输出x[0] , 在此不能直接使用int()函数，因为系统认为apply(lambda x: x[0])是一个序列
data.loc[data['Stay_In_Current_City_Years'] == '4+', 'Stay_In_Current_City_Years'] = 4  # 将该列异常数据用正常数据代替
data['Age'] = data['Age'].astype(int)  # 数据类型转换
data['Stay_In_Current_City_Years'] = data['Stay_In_Current_City_Years'].astype(int)
y = data[['Purchase']].groupby(data['Age']).mean()
z = data[['Purchase']].groupby(data['Stay_In_Current_City_Years']).mean()
# 可视化相关性，二维
plt.scatter(y['Purchase'], y.index, c=y['Purchase']/10, s=y['Purchase']/10)
plt.show()
plt.scatter(z['Purchase'], z.index, c=z['Purchase']/10, s=z['Purchase']/10)
plt.show()

【结果】

年龄与购买额相关性

居住时长与购买额相关性

从上图可以看出，年龄、及居住时长都会对购买力产生影响。

此外，我们还可以查看这些因素的三维散点图。方法如下：

【脚本】

from mpl_toolkits.mplot3d import axes3d

result = data.groupby([data['Stay_In_Current_City_Years'], data['Age']]).mean()
# ax =plt.subplot(projection='3d')
fig = plt.figure('3D scatter')
ax3d = axes3d.Axes3D(fig)
ax3d.scatter(result['Purchase'], result.index.codes[0], result.index.codes[1],

                 color=cm.ScalarMappable().to_rgba(result['Purchase']), s=200)

plt.show()

【结果】

【看图分析】

上图中，X轴为购买额，Y轴为居住时长，Z轴为年龄段，我们可以看到：随着年龄段和居住时间的增加，购物额也在不断增加。

【特别说明】

针对3d可视化脚本，老师讲使用以下脚本即可：

ax =plt.subplot(projection='3d')

ax.scatter(result['Purchase'], result.index.codes[0], result.index.codes[1],

        color=cm.ScalarMappable().to_rgba(result['Purchase']), s=200)

但实际在我机器上使用时，却报“Unknown projection '3d'”的错误，百度一下，发现“matplotlib版本和python版本的更新问题”，所以使用了以上解决方案。见https://blog.csdn.net/weixin_40051325/article/details/102896416

三、总结

对我个人来说，本节学到的内容有：

1、      数据相关性的分析方法，使用dataframe.corr()

2、      相关性的图形化展示，使用Seaborn库下的heatmap()和clustermap()两个函数

   3、  3d图形展示时，如果不能直接使用plt.subplot(projection='3d')，则引入axes3d（ 3D图形绘制）。