目录-5.2 特征缩放与编码 5.1 特征选择与特征提取 5.3 数据可视化技术与工具-1761011916459.pptxVIP

目录项目实训商品数据特征处理与可视化分析实训5.2特征缩放与编码5.1特征选择与特征提取5.3数据可视化技术与工具

学生能够理解特征工程的核心概念及其对建模性能的重要影响。掌握常见的特征选择与提取方法及其适用条件学生能够掌握数值型与类别型特征的处理方式，包括缩放与编码方法。理解不同处理方式对模型训练结果可能产生的影响学习目标学生能够理解数据可视化的基本原则与常见图表类型的表达意图。掌握使用Matplotlib与Seaborn等工具进行基础可视化的能力

5.3数据可视化技术与工具

4015.3.1数据可视化的重要性与基本原则什么是数据可视化？数据可视化（DataVisualization）是指将数据用图形图表的方式表达出来，使信息更加直观、易于理解与交流。它是数据分析过程中沟通、探索与展示的关键环节。为什么数据可视化很重要？认知更高效：人类大脑对图像的理解远快于对文字或表格的解析发现数据模式：可视化可以快速暴露数据中的趋势、异常值、相关关系支持决策沟通：图表常用于报告展示、管理层决策、客户沟通等环节

5015.3.1数据可视化的重要性与基本原则设计图表需遵循的三大原则原则说明清晰性图表布局简洁、标签明确、坐标轴/标题合理对比性用颜色、形状、大小突出关键信息，帮助用户做出比较判断可解释性图表要回答具体问题，比如“哪一类最多”“趋势是上升还是下降”等

6015.3.2常用可视化工具详解有哪些主流工具可以用于可视化？工具名类型优点适用场景Matplotlib静态图形库功能强大、定制灵活、出版级图形科学绘图、研究型图表Seaborn统计图表库语法简洁、默认风格美观、内置统计分析能力数据探索、相关性分析、分布展示Pandas绘图快速绘图工具基于matplotlib的简洁封装，适合DataFrame可视化快速预览数据结构或探索性分析图

7015.3.2常用可视化工具详解这些工具怎么选？需求情景推荐工具理由要快速画一张分组统计图Seaborn语法简洁，只需传入数据框及变量名即可要画可控制细节的图Matplotlib支持坐标轴、图例、标记等定制控制想直接对DataFrame快速可视化Pandas绘图直接.plot()即可，不需额外整理数据

8015.3.2常用可视化工具详解基础绘图语法示例importpandasaspdimportmatplotlib.pyplotaspltimportseabornassns#示例数据df=pd.DataFrame({类别:[A,B,C,D],销售额:[300,450,150,600]})#Matplotlib柱状图plt.bar(df[类别],df[销售额])plt.title(各类别销售额)plt.xlabel(类别)plt.ylabel(销售额)plt.show()#Seaborn柱状图sns.barplot(x=类别,y=销售额,data=df)plt.title(Seaborn版本销售额对比图)plt.show()

9015.3.3常见图表类型与选型方法图表类型有哪些？它们分别适合展示什么？图表类型展示内容类型应用场景示例柱状图类别对比（单一维度）各商品销售额、部门预算对比折线图时间序列趋势每日访问量变化、季度营收趋势散点图数值变量关系身高与体重关系、价格与评分的相关性热力图多变量矩阵关系特征相关性矩阵、地区热度分布箱线图分布情况、异常值检测工龄分布、价格分布饼图结构占比（不推荐用于对比）各类商品在总销量中占比选图建议逻辑图如果数据是：├──类别型→柱状图、饼图├──时间序列→折线图├──连续变量对比→散点图、箱线图├──多变量矩阵→热力图、成对散点图

10015.3.4实操案例：网页采集+可视化分析完整流程案例目标从网页采集图书标题、价格与评分对价格进行统计分析与可视化展示利用Seaborn与Matplotlib绘制柱状图、箱线图、散点图、热力图

11015.3.4实操案例：网页采集+可视化分析完整流程实操代码：task5_3_data_visualization.pyimportrequestsfrombs4importBeautifulSoupimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassns#Step1：网页采集图书标题、价格与评分url=/catalogue/1.htmlres=requests.get(url)soup=BeautifulSoup(res.text,html.parser)books=[]forb