免费微信网站建设,wordpress什么环境速度,公司宣传册设计样本免费下载,电脑网站建设#x1f935;♂️ 个人主页#xff1a;艾派森的个人主页 ✍#x1f3fb;作者简介#xff1a;Python学习者 #x1f40b; 希望大家多多支持#xff0c;我们一起进步#xff01;#x1f604; 如果文章对你有帮助的话#xff0c; 欢迎评论 #x1f4ac;点赞#x1f4… ♂️ 个人主页艾派森的个人主页 ✍作者简介Python学习者 希望大家多多支持我们一起进步 如果文章对你有帮助的话 欢迎评论 点赞 收藏 加关注 目录
1.项目背景
2.数据集介绍
3.技术工具
4.导入数据
5.数据可视化
文末推荐与福利 1.项目背景 二手车市场作为汽车行业中的重要组成部分一直备受关注。随着社会经济的不断发展和人们生活水平的提高越来越多的消费者选择购买二手车。这一趋势使得二手车市场的规模不断扩大也引起了人们对二手车市场的关注和研究。 在二手车市场中用户数据是一个极具价值的研究对象。通过对二手车用户数据的深入分析可以揭示出用户的购车偏好、消费习惯、区域分布等重要信息。这些信息对于汽车生产企业、销售商以及政府部门来说都具有重要意义。例如汽车生产企业可以根据用户数据来调整产品结构和定价策略销售商可以根据用户数据来开展精准营销和销售服务政府部门可以通过对用户数据的分析来指导相关政策的制定和调整。 此外通过对用户数据进行可视化分析可以更直观地展现数据之间的关联性和趋势变化。通过可视化手段决策者可以更清晰地了解用户的行为特征和市场变化趋势从而更准确地制定相应的战略和政策。 因此对二手车用户数据进行可视化分析具有重要的理论和实践意义。这不仅有助于深入了解二手车市场的运行情况和用户特征还能为相关利益方提供决策参考推动二手车市场的健康发展。
2.数据集介绍 数据集来源于Kaggle原始数据集为美国二手车市场用户数据共有7906条18个变量各变量含义如下
Sales_ID(销售ID)
name(二手车名称)
year(购车年份)
selling_price(二手车当前销售价格)
km_driven(总行驶公里数)
Region(使用地区)
State or Province(使用的州或省)
City(使用城市)
fuel(燃料类型)
seller_type(谁在出售汽车)
transmission(汽车的变速器类型)
owner(业主类型)
mileage(汽车行驶里程)
engine(发动机功率)
Max_power(最大功率)
torque(转矩)
seats(座位数)
sold(二手车是否售出)
3.技术工具
Python版本:3.9
代码编辑器jupyter notebook
4.导入数据
首先导入数据可视化用到的第三方库并加载数据
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from plotly.offline import iplot
import warnings
warnings.filterwarnings(ignore)df pd.read_csv(UserCarData.csv)
df.head() 查看数据大小 查看数据基本类型 查看数值型变量的描述性统计 查看非数值型变量的描述性统计 统计缺失值情况 统计重复值情况 5.数据可视化
# 二手车名称分析
print(fMost Used Sold Car {df[name].value_counts().idxmax()})
print(fLowest Used Car Sold {df[name].value_counts().idxmin()})
iplot(px.bar(df[name].value_counts()[:20],labels{value:Count,name:Name},colordf[name].value_counts()[:20].index,text_autoTrue,titleTop Used Cars Sold
)) # 二手车年份分析
print(fMost Year Used Sold Car {df[year].value_counts().idxmax()})
print(fLowest Year Used Car Sold {df[year].value_counts().idxmin()})
iplot(px.bar(df[year].value_counts()[:20].sort_index(ascendingFalse),labels{value:Count,year:Year},color_discrete_sequence[#c72320],text_autoTrue,titleTop Year Used Cars Sold
).update_xaxes(type(category))) # 地区分析
iplot(px.pie(valuesdf[Region].value_counts(),names[Central,West,East,South],titleRegion where Sold Used Car
).update_traces(textinfolabelpercent)) # 省或州分析
print(fTop State or Province where Sold Used car {df[State or Province].value_counts().idxmax()})
print(fLeast State or Province where Sold Used car {df[State or Province].value_counts().idxmin()})
iplot(px.bar(df[State or Province].value_counts().sort_values(ascendingTrue)[:30],orientationh,colordf[State or Province][:30].index,titleTop State or Province Sold Used Car,labels{value:Count}
)) # 城市分析
print(fTop City where Sold Used car {df[City].value_counts().idxmax()})
print(fLeast City where Sold Used car {df[City].value_counts().idxmin()})
iplot(px.bar(df[City].value_counts().sort_values(ascendingFalse)[:20],colordf[City][:20].index,titleTop City Sold Used Car,labels{value:Count},text_autoTrue
)) # 燃料分析
print(fTop Fuel Used in Used car {df[fuel].value_counts().idxmax()})
print(fLeast Fuel Used in Used car {df[fuel].value_counts().idxmin()})
iplot(px.pie(valuesdf[fuel].value_counts(),names[Diesel,Petrol,CNG,LPG],titleFuel Used in Used Car
).update_traces(textinfolabelpercent)) # 卖家类型分析
print(fMost Type of Seller {df[seller_type].value_counts().idxmax()})
iplot(px.pie(valuesdf[seller_type].value_counts(),names[Individual,Dealer,Trustmark_Dealer],titleTypes of Seller Used Cars
).update_traces(textinfolabelpercent)) # 变速器类型
iplot(px.pie(valuesdf[transmission].value_counts(),names[Manual,Automatic],titleTypes of Transmissions Used in Used Sold Cars
).update_traces(textinfolabelpercent)) # 业主类型分析
print(fMost Owner Sold Used Cars {df[owner].value_counts().idxmax()})
iplot(px.pie(valuesdf[owner].value_counts(),names[First Owner,Second Owner,Third Owner,Fourth Above Owner,Test Drive Car],titleOwners of Used Cars
).update_traces(textinfolabelpercent)) # 转矩分析
iplot(px.bar(df[torque].value_counts().sort_values(ascendingFalse)[:20],orientationh,colordf[torque][:20].index,titleTop Torque Used in Used Sold Cars,labels{value:Count,torque:Torque}
)) # 行驶里程分析
plt.figure(figsize(15,6))
sns.kdeplot(df[mileage],fillTrue)
plt.xlabel(Mileage)
plt.show() 文末推荐与福利 《AI绘画教程Midjourney使用方法与技巧从入门到精通》免费包邮送出3本 内容简介 本书介绍了当前AI绘画领域极具人气的绘画工具——Midjourney并全面系统地讲述了Midjourney绘画的基本应用技能和相关领域的实战案例。 全书共分为11章第1章介绍了Midjourney的基础知识第2章至第6章讲解了Midjourney 绘画的基础技能包括Midjourney的注册、登录与订阅流程Midjourney绘画初体验使用Midjourney的提示词、指令、参数的方法以及Midjourney生图方式与实战第7章至第10章为Midjourney 绘画的实战应用讲解了Midjourney在设计、绘画、摄影、创意生图等领域的应用提供了实际案例以供借鉴第11章为扩展部分介绍了Midjourney社区的氛围及社区成员之间交流学习等相关知识。 编辑推荐 一本书读懂Midjourney绘画让创意更简单让设计不再难 零基础快速入门Midjourney基础操作构建有效提示词精准生图案例驱动 提示词速查宝典涵盖平面设计产品设计室内设计建筑设计时尚设计工业设计绘画材料和技法绘画主题绘画风格CG插画摄影主题摄影技术等提示词速查手册 超值附赠超全领域的提示词速查表Midjourney指令和参数速查表等 抽奖方式评论区随机抽取3位小伙伴免费送出参与方式关注博主、点赞、收藏、评论区评论“人生苦短拒绝内卷”切记要点赞收藏否则抽奖无效每个人最多评论三次活动截止时间2024-3-9 20:00:00 京东链接https://item.jd.com/14002721.html 当当链接http://product.dangdang.com/29685117.html 名单公布时间2024-3-9 21:00:00 资料获取更多粉丝福利关注下方公众号获取
