首要给咱们介绍一个很好用的学习地址：https://cloudstudio.net/columns

在上一章节中，咱们对聚类的相关常识进行了全面的介绍，旨在为咱们打下坚实的理论根底。今日，咱们的首要任务是深入探讨数据可视化的技能和办法。在之前的学习中，咱们现已触摸过回归剖析中的可视化技能，而今日咱们将专心于聚类剖析的可视化。咱们将学习怎么运用散点图、同心圆等可视化东西，以更直观地舆解聚类成果。

数据可视化——聚类

今日咱们的方针是从一个特定的文件中读取和剖析数据。该文件包含了很多的歌曲信息，包含多个字段，例如歌曲名称、音乐门户、歌唱家、盛行度、可舞性、发布时刻等。在咱们的剖析进程中，咱们将首要过滤出这份数据中最为杰出的三大门户，并提取相关数据。接下来，咱们将深入探讨这三大门户在其他字段上的相关性，并剖析其数据散布状况。

需求留意的是，本章节并不计划过多评论聚类算法及其详细作用，咱们的重点将放在怎么运用可视化东西来展现和了解这些数据。这将有助于咱们更直观地捕捉到数据中的趋势和形式，从而为后续的剖析打下根底。

过滤数据

首要，咱们需求引进一些要害的依靠包：

!pip install seaborn

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv("../data/nigerian-songs.csv")
df.head()

接下来，咱们将对数据集进行开始检查，以了解其全体结构和内容。

运用以下指令，咱们能够全面检查数据的大致格局以及数据量等要害信息。

df.info()
df.isnull().sum()
df.describe()

df.info()：快速了解数据的结构和列的类型。

df.isnull().sum()：辨认哪些列存在缺失数据以及缺失的程度。

df.describe()：首要用于数值型数据，供给了每列的根本计算特性，便于了解数据的散布状况。

咱们能够先检查一下describe办法输出的数据，这部分信息将为咱们供给重要的计算成果和数据散布状况。其他相关的内容咱们之前现已评论过，详细状况能够参阅附图。

数据挑选

接下来，咱们将对数据进行挑选，方针是提取出最盛行的三大音乐门户。为了完成这一方针，咱们将以artist_top_genre作为X轴，以便更明晰地调查数据的散布状况。以下是相应的代码：

import seaborn as sns

top = df['artist_top_genre'].value_counts()
plt.figure(figsize=(10,7))
sns.barplot(x=top[:5].index,y=top[:5].values)
plt.xticks(rotation=45)
plt.title('Top genres',color = 'blue')

如图所示，咱们提取出了前五个音乐门户，并成功辨认出其间的三个：afro dancehall、afropop以及nigerian pop。

请留意，因为在检查数据时未发现任何缺失值（即没有null数据），因而咱们决议不删去任何行，直接进行绘图。但是，假如你的数据会集存在缺失值，主张你在进行绘图之前，首要删去包含缺失值的行，以保证数据的完整性和图形的准确性。这样能够防止潜在的数据误差，保证剖析成果的可靠性。

df = df[(df['artist_top_genre'] == 'afro dancehall') | (df['artist_top_genre'] == 'afropop') | (df['artist_top_genre'] == 'nigerian pop')]
df = df[(df['popularity'] > 0)]
top = df['artist_top_genre'].value_counts()
plt.figure(figsize=(10,7))
sns.barplot(x=top.index,y=top.values)
plt.xticks(rotation=45)
plt.title('Top genres',color = 'blue')

咱们的数据挑选作业总算圆满完成。现在，咱们现已辨认出当时最受欢迎的三大门户，详细信息如图所示。

强相关性

同样地，让咱们再来检查一下热力求。这一部分内容咱们在回归剖析中现已详细解说过，因而在这里咱们将直接供给相关的代码。以下是详细的完成代码：

corrmat = df.corr(numeric_only=True)
f, ax = plt.subplots(figsize=(12, 9))
sns.heatmap(corrmat, vmax=.8, square=True)

依据图片所示的数据剖析，咱们能够清楚地看到，仅有表现出强相关性的变量是能量（energy）与响度（loudness）之间的联络。这一点并不令人惊奇，因为喧闹的音乐往往伴随着极高的生机和激烈的节奏感。

接下来，咱们将深入探讨一种新的可视化办法，以协助咱们更好地舆解聚类剖析中的数据散布状况。

数据散布

同心圆

接下来，咱们将依据受欢迎程度和可舞性这两个目标进行数据剖析，详细方法包含制作同心圆和散点图。这些图表将协助咱们更直观地舆解数据的散布和趋势。当然，你也能够挑选其他字段进行比照剖析，完全能够依据个人的喜爱和需求进行调整。

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
df.iloc[:, 6:8] = df.iloc[:, 6:8].apply(LabelEncoder().fit_transform)

sns.set_theme(style="ticks") 
g = sns.jointplot(
    data=df,
    x="popularity", y="danceability", hue="artist_top_genre",
    kind="kde",
)

因为数据散布和数据类型不一致，为了保证剖析的准确性和一致性，我决议将一切数据一致转换为整数格局。如图所示：

他的意图是成一个联合散布图，用于展现数据会集盛行度（popularity）和舞蹈性（danceability）之间的联络，一起经过不同色彩标识不同的音乐风格（artist_top_genre）

散点图

sns.FacetGrid(df, hue="artist_top_genre").map(plt.scatter, "popularity", "danceability",s=5) .add_legend()

一行代码即可调查其散点散布，如图所示：

一般来说，关于聚类剖析，运用散点图来展现数据的聚类作用对错常有用的，因而把握这种可视化技能对咱们了解数据的结构和形式至关重要。在接下来的课程中，咱们将使用经过过滤后的数据，选用 k-means 聚类算法来探究和辨认数据中以风趣方法堆叠的组。

总结

在本章节中，咱们深入探讨了数据可视化在聚类剖析中的使用。经过对歌曲信息数据集的剖析，咱们成功辨认了三大门户，并运用散点图和同心圆等可视化东西，直观地展现了数据的散布与趋势。可视化不只增强了咱们对数据的了解，还为后续的聚类剖析打下了坚实的根底。

经过这种方法，咱们不只能辨认出数据中的形式，还能为决议计划供给有力支撑。正如咱们所见，数据的可视化进程是一个探究性的旅程，它协助咱们在杂乱的数据中找到躲藏的联络和含义。接下来，咱们将使用 k-means 聚类算法，进一步发掘这些数据背面的故事。

我是尽力的小雨，一名 Java 服务端码农，潜心研究着 AI 技能的奥妙。我酷爱技能交流与共享，对开源社区充满热情。一起也是一位腾讯云创造之星、阿里云专家博主、华为如此享专家、掘金优异作者。

💡 我将不惜共享我在技能道路上的个人探究与经历，期望能为你的学习与生长带来一些启示与协助。

🌟 欢迎重视尽力的小雨！🌟