用数据讲故事：Seaborn可视化解锁波士顿房价的13个秘密

当我们拿到一份数据集时，第一反应往往是"如何建模预测"。但在这之前，数据本身已经蕴含了无数故事等待讲述。波士顿房价数据集作为机器学习入门的经典案例，常被简化为线性回归的练习题，而它真正的价值远不止于此。

1. 数据可视化：超越代码的认知工具

数据科学不仅仅是编写算法，更是理解数据的过程。可视化在这个过程中扮演着不可替代的角色：

  • 直观认知：人脑处理图像信息的速度比数字快60,000倍
  • 模式识别：可视化能揭示统计指标无法展现的非线性关系和异常值
  • 决策支持：为后续特征工程和模型选择提供方向性指导
  • 故事讲述：将抽象数据转化为可理解的商业洞察

提示：优秀的可视化应当回答业务问题，而不仅仅是展示数据

Seaborn作为基于Matplotlib的高级接口，提供了更简洁的API和更美观的默认样式。它特别适合用于探索性数据分析(EDA)，让我们能够用更少的代码产生更具信息量的可视化结果。

2. 数据初探：从整体到细节

加载数据后，我们首先需要建立对数据集的基本认知：

import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_openml

# 加载数据
boston = fetch_openml(name='boston', version=1, as_frame=True)
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target

# 基本信息查看
print(f"数据集形状: {df.shape}")
print(f"特征列表: {list(df.columns)}")

波士顿房价数据集包含506个样本和14个字段（13个特征+目标变量PRICE）。这些特征涵盖了房屋本身属性（如房间数RM）、社区环境（如犯罪率CRIM）和区位因素（如到就业中心的距离DIS）。

2.1 目标变量分布分析

房价的分布情况直接影响我们的建模策略：

plt.figure(figsize=(10, 6))
sns.histplot(df['PRICE'], bins=30, kde=True, color='royalblue')
plt.title('波士顿房价分布', fontsize=14)
plt.xlabel('价格（千美元）')
plt.ylabel('频数')
plt.show()

从分布图中我们可以观察到：

  • 价格集中在20-25千美元区间
  • 存在右偏（少数高价值房产）
  • 可能的异常值（价格>50的极少数样本）

2.2 数值特征统计概览

使用Seaborn的pairplot可以快速查看多个特征的分布和关系：

# 选择部分关键特征进行可视化
key_features = ['RM', 'LSTAT', 'PTRATIO', 'PRICE']
sns.pairplot(df[key_features], diag_kind='kde', plot_kws={'alpha':0.6})
plt.suptitle('关键特征分布与关系矩阵', y=1.02)
plt.show()

这种矩阵式可视化能同时展现：

  • 对角线上的单变量分布
  • 非对角线上的双变量散点关系
  • 初步判断线性/非线性关系

3. 特征关系深度挖掘

3.1 相关性热力图：全局视角

相关系数矩阵是理解特征间关系的起点：

plt.figure(figsize=(12, 8))
corr = df.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))  # 创建上三角掩码

sns.heatmap(corr, mask=mask, annot=True, fmt='.2f', cmap='coolwarm',
            cbar=True, vmin=-1, vmax=1, linewidths=0.5)
plt.title('特征相关性热力图', fontsize=14)
plt.xticks(rotation=45)
plt.yticks(rotation=0)
plt.show()

从热力图中我们可以提取几个关键发现：

特征组合 相关系数 业务含义
RM-PRICE 0.70 房间数越多，房价越高
LSTAT-PRICE -0.74 低收入人群比例越高，房价越低
PTRATIO-PRICE -0.51 学生/教师比越高，房价越低
NOX-DIS -0.77 远离就业中心，氮氧化物浓度降低

3.2 关键特征与房价的微观关系

热力图展示了整体相关性，而散点图能揭示更细致的关系模式：

fig, axes = plt.subplots(1, 3, figsize=(18, 5))

# 房间数与房价
sns.regplot(x='RM', y='PRICE', data=df, ax=axes[0], 
            scatter_kws={'alpha':0.5}, line_kws={'color':'red'})
axes[0].set_title('房间数与房价关系')

# 低收入比例与房价
sns.regplot(x='LSTAT', y='PRICE', data=df, ax=axes[1],
            scatter_kws={'alpha':0.5}, line_kws={'color':'red'})
axes[1].set_title('低收入比例与房价关系')

# 学生教师比与房价
sns.regplot(x='PTRATIO', y='PRICE', data=df, ax=axes[2],
            scatter_kws={'alpha':0.5}, line_kws={'color':'red'})
axes[2].set_title('学生教师比与房价关系')

plt.tight_layout()
plt.show()

这些可视化揭示了有趣的现象：

  • RM与PRICE呈现明显的线性正相关
  • LSTAT与PRICE显示出可能的非线性关系（曲线趋势）
  • PTRATIO与PRICE的关系中存在明显的离群点

3.3 分类特征的探索：以CHAS为例

CHAS（查尔斯河边界）是数据集中唯一的二元分类变量：

plt.figure(figsize=(8, 5))
sns.boxplot(x='CHAS', y='PRICE', data=df, palette='Set2')
plt.title('查尔斯河边界对房价的影响')
plt.xticks([0,1], ['不临河', '临河'])
plt.xlabel('')
plt.ylabel('价格（千美元）')
plt.show()

箱线图清晰展示了：

  • 临河房产的中位数价格更高
  • 价格分布范围更广（可能存在高端临河房产）
  • 非临河房产中有更多低价异常值

4. 高级可视化技巧

4.1 条件分布分析：房价的多维度视角

使用FacetGrid可以同时考察多个条件的影响：

# 将RM离散化为三个等级
df['RM_LEVEL'] = pd.cut(df['RM'], bins=3, labels=['低', '中', '高'])

g = sns.FacetGrid(df, col='RM_LEVEL', row='CHAS', height=4, aspect=1.2)
g.map_dataframe(sns.histplot, x='PRICE', bins=15, kde=True)
g.set_axis_labels('价格（千美元）', '频数')
g.fig.suptitle('不同房间数和临河状态的房价分布', y=1.05)
plt.show()

这种分面可视化揭示了：

  • 房间数多的房产，无论是否临河，价格分布都向右偏移
  • 临河且房间数多的房产价格分布最集中
  • 房间数少的临河房产反而价格波动更大

4.2 交互关系可视化

某些特征对房价的影响可能不是独立的，而是相互作用的：

plt.figure(figsize=(10, 6))
sns.lmplot(x='LSTAT', y='PRICE', hue='RM_LEVEL', data=df,
           height=6, aspect=1.2, scatter_kws={'alpha':0.4})
plt.title('低收入比例与房价关系（按房间数分层）')
plt.xlabel('低收入人群比例(%)')
plt.ylabel('价格（千美元）')
plt.show()

这个可视化表明：

  • 在低收入比例相同的情况下，房间数多的房产价格更高
  • 房间数少的房产对LSTAT变化更敏感
  • 可能存在某些临界点（如LSTAT>20时价格急剧下降）

4.3 地理空间因素探索

虽然数据集不包含精确坐标，但我们可以用DIS（到就业中心距离）和RAD（高速公路可达性）作为空间代理：

plt.figure(figsize=(10, 6))
sns.scatterplot(x='DIS', y='PRICE', size='RM', hue='RAD',
                data=df, palette='viridis', sizes=(20, 200), alpha=0.7)
plt.title('距离与房价关系（按房间数和可达性）')
plt.xlabel('到就业中心的加权距离')
plt.ylabel('价格（千美元）')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()

这种多变量散点图揭示了：

  • 距离就业中心3-5英里的区域房价最高
  • 高速公路可达性好的区域（RAD值高）房价普遍较高
  • 远距离区域的房价与房间数关系更明显

5. 从可视化到建模决策

通过上述可视化分析，我们可以为后续建模提取关键指导：

  1. 特征选择：

    • 重点关注RM、LSTAT、PTRATIO等高相关性特征
    • 考虑CHAS作为分类变量加入模型
    • 可能需要创建DIS和RAD的交互特征

  2. 数据变换：

    • 对LSTAT尝试对数变换以处理非线性
    • 考虑对PRICE进行变换处理右偏
    • 标准化/归一化处理量纲差异

  3. 模型选择：

    • 线性模型可能需要多项式特征
    • 树模型可以自动捕捉非线性关系
    • 考虑不同模型的解释性需求

  4. 异常值处理：

    • 识别并检查高价异常值的合理性
    • 决定保留或转换处理
# 示例：基于可视化洞察的特征工程
df['LOG_LSTAT'] = np.log1p(df['LSTAT'])
df['DIS_RAD'] = df['DIS'] / df['RAD']

# 可视化新特征与房价关系
plt.figure(figsize=(12, 4))
plt.subplot(121)
sns.scatterplot(x='LOG_LSTAT', y='PRICE', data=df, alpha=0.6)
plt.title('对数变换后的LSTAT与房价')

plt.subplot(122)
sns.scatterplot(x='DIS_RAD', y='PRICE', data=df, alpha=0.6)
plt.title('距离与可达性比率与房价')
plt.tight_layout()
plt.show()

这些基于可视化洞察的特征工程往往比盲目尝试更有效。在实际项目中，我会先用可视化理解数据故事，再让模型来量化这些关系，而不是相反。

# 数据可视化
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

Windows 零命令行部署 OpenClaw ｜零基础搭建本地 AI 自动化助手全流程

avatar 龙虾开发者社区
cover

全网实测 OpenClaw Windows 搭建：从下载到指令测试全套步骤拆解

avatar 龙虾开发者社区
cover

OpenClaw 保姆级部署教程：Windows 全可视化操作，新手 5 分钟落地

avatar 龙虾开发者社区