保姆级教程：用Python的Pandas和Seaborn玩转mpg汽车油耗数据集（附完整代码）

Python数据分析实战：从Pandas基础到Seaborn可视化的完整指南

在数据科学领域，掌握基础工具的使用是每个入门者必须跨越的第一道门槛。Python生态中的Pandas和Seaborn库，就像数据分析师的瑞士军刀——简单却功能强大。本文将带你用这两个工具，从零开始探索经典的mpg汽车油耗数据集，完成一次完整的数据分析流程。

1. 环境准备与数据加载

在开始分析之前，我们需要确保环境配置正确。建议使用Anaconda创建独立的Python环境，避免依赖冲突。以下是所需的库及其版本要求：

# 基础环境配置 import pandas as pd # 版本≥1.0 import seaborn as sns # 版本≥0.11 import matplotlib.pyplot as plt # 版本≥3.0 print(f"Pandas版本: {pd.__version__}") print(f"Seaborn版本: {sns.__version__}")

Seaborn库内置了mpg数据集，我们可以直接加载：

# 加载数据集 mpg = sns.load_dataset('mpg') print(f"数据集形状: {mpg.shape}")

提示：如果网络连接不稳定导致加载失败，可以手动下载数据集并读取：

mpg = pd.read_csv('path_to_your_file/mpg.csv')

初次接触数据时，快速浏览数据结构至关重要：

# 初步查看数据 print(mpg.info()) print(mpg.head(3))

输出结果会显示数据集包含398条记录，每辆车有9个特征：

2. 数据清洗与预处理

原始数据很少完美无缺，清洗是数据分析不可或缺的环节。我们首先处理最明显的问题——horsepower列的数据类型和缺失值。

马力数据的特殊处理

# 检查horsepower列的特殊情况 print(mpg['horsepower'].unique()[-5:]) # 查看最后几个唯一值 # 将无法解析的值设为NaN mpg['horsepower'] = pd.to_numeric(mpg['horsepower'], errors='coerce') # 统计缺失值 print(f"马力缺失值数量: {mpg['horsepower'].isna().sum()}")

处理缺失值的常见策略包括删除、均值填充和中位数填充。对于这个数据集，我们选择中位数填充：

# 计算分组中位数（按气缸数分组） median_hp = mpg.groupby('cylinders')['horsepower'].transform('median') # 填充缺失值 mpg['horsepower'] = mpg['horsepower'].fillna(median_hp)

数据类型的转换与优化

为了后续分析方便，我们可以优化一些列的数据类型：

# 转换数据类型 mpg['model_year'] = mpg['model_year'].astype('int16') mpg['cylinders'] = mpg['cylinders'].astype('category') mpg['origin'] = mpg['origin'].astype('category') # 添加新特征：马力重量比 mpg['power_to_weight'] = mpg['horsepower'] / mpg['weight']

异常值检测

使用描述性统计快速识别潜在异常：

# 数值型变量的描述统计 print(mpg.describe().T) # 可视化箱线图检测异常值 plt.figure(figsize=(10,6)) sns.boxplot(data=mpg[['mpg', 'displacement', 'weight']]) plt.title('关键数值变量的分布情况') plt.show()

3. 探索性数据分析(EDA)

探索性分析是理解数据内在规律的关键步骤。我们从单变量分析开始，逐步深入到多变量关系。

单变量分布分析

# 设置可视化风格 sns.set_style("whitegrid") # 绘制油耗分布 plt.figure(figsize=(12,5)) plt.subplot(1,2,1) sns.histplot(data=mpg, x='mpg', kde=True, bins=30) plt.title('油耗分布直方图') plt.subplot(1,2,2) sns.boxplot(data=mpg, y='mpg', x='origin') plt.title('不同产地的油耗分布') plt.tight_layout() plt.show()

多变量关系探索

油耗与车辆特性的关系是我们关注的重点：

# 关键变量的相关性矩阵 corr_matrix = mpg.select_dtypes(include=['float64','int64']).corr() plt.figure(figsize=(8,6)) sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0) plt.title('数值变量相关性热图') plt.show()

观察发现：

• 油耗(mpg)与排量(displacement)、重量(weight)呈强负相关
• 马力(horsepower)与排量高度相关
• 加速度(acceleration)与马力负相关

分类变量分析

不同产地和气缸数的车辆表现差异：

# 不同产地车辆的平均特性 origin_stats = mpg.groupby('origin').agg({ 'mpg': ['mean', 'std'], 'horsepower': 'median', 'weight': 'mean' }).round(1) print(origin_stats)

输出表格显示：

4. 高级可视化分析

Seaborn提供了丰富的可视化功能，能帮助我们更直观地发现数据中的模式和趋势。

散点图矩阵

# 选择关键变量绘制散点图矩阵 cols = ['mpg', 'displacement', 'horsepower', 'weight', 'acceleration'] sns.pairplot(mpg[cols], height=1.5, plot_kws={'alpha':0.6}) plt.suptitle('关键变量关系矩阵', y=1.02) plt.show()

分面网格可视化

# 按气缸数分面绘制油耗与排量关系 g = sns.FacetGrid(mpg, col='cylinders', col_wrap=3, height=4) g.map_dataframe(sns.scatterplot, x='displacement', y='mpg', hue='origin', alpha=0.7) g.add_legend() g.set_axis_labels('排量(立方英寸)', '油耗(MPG)') plt.subplots_adjust(top=0.9) g.fig.suptitle('不同气缸数下排量与油耗的关系') plt.show()

时间趋势分析

# 按年份分析油耗变化趋势 plt.figure(figsize=(12,6)) sns.lineplot(data=mpg, x='model_year', y='mpg', hue='origin', estimator='median', err_style='band', linewidth=2.5) plt.title('1970-1982年间不同产地车辆的油耗变化趋势') plt.xlabel('车型年份') plt.ylabel('油耗中位数(MPG)') plt.grid(True, alpha=0.3) plt.show()

回归分析图

# 油耗与重量的回归关系 plt.figure(figsize=(10,6)) sns.regplot(data=mpg, x='weight', y='mpg', scatter_kws={'alpha':0.4}, line_kws={'color':'red'}) plt.title('车辆重量与油耗的回归关系') plt.xlabel('重量(磅)') plt.ylabel('油耗(MPG)') plt.show()

5. 深入分析与洞察提取

在前面的基础上，我们可以进行更深入的分析，挖掘更有价值的洞察。

马力重量比分析

# 创建马力重量比分析 plt.figure(figsize=(12,6)) sns.scatterplot(data=mpg, x='power_to_weight', y='mpg', hue='origin', size='weight', sizes=(20,200), alpha=0.7) plt.title('马力重量比与油耗的关系') plt.xlabel('马力/重量 (hp/lb)') plt.ylabel('油耗(MPG)') plt.axvline(x=0.05, color='gray', linestyle='--', alpha=0.5) plt.text(0.051, 45, '性能分界线', color='gray') plt.show()

气缸数影响分析

# 气缸数对油耗的影响 plt.figure(figsize=(10,6)) sns.violinplot(data=mpg, x='cylinders', y='mpg', inner='quartile', palette='Set2') plt.title('不同气缸数车辆的油耗分布') plt.xlabel('气缸数') plt.ylabel('油耗(MPG)') plt.show()

多变量交互分析

# 三维关系分析：排量、重量与油耗 g = sns.relplot(data=mpg, x='displacement', y='weight', size='mpg', hue='origin', sizes=(20, 200), alpha=0.7, height=6, aspect=1.2) g.set_axis_labels('排量(立方英寸)', '重量(磅)') plt.title('排量、重量与油耗的三维关系') plt.show()

6. 完整代码整合与优化

将所有分析步骤整合到一个可执行的Python脚本中，并添加适当注释：

""" 完整的MPG数据分析脚本 包含数据加载、清洗、探索分析和可视化 """ import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 1. 数据加载与初步检查 mpg = sns.load_dataset('mpg') print(mpg.info()) # 2. 数据清洗 mpg['horsepower'] = pd.to_numeric(mpg['horsepower'], errors='coerce') median_hp = mpg.groupby('cylinders')['horsepower'].transform('median') mpg['horsepower'] = mpg['horsepower'].fillna(median_hp) # 3. 特征工程 mpg['power_to_weight'] = mpg['horsepower'] / mpg['weight'] mpg['model_year'] = mpg['model_year'].astype('int16') # 4. 可视化设置 sns.set_style("whitegrid") plt.figure(figsize=(10,6)) # 5. 核心分析可视化 sns.scatterplot(data=mpg, x='weight', y='mpg', hue='origin', alpha=0.7) plt.title('车辆重量与油耗关系(按产地分类)') plt.xlabel('重量(磅)') plt.ylabel('油耗(MPG)') plt.show() # 6. 保存处理后的数据 mpg.to_csv('processed_mpg.csv', index=False)

注意：在实际项目中，建议将不同分析步骤封装为函数，并使用Jupyter Notebook或Python脚本分步执行，便于调试和修改。

7. 常见问题与解决方案

在实际操作过程中，可能会遇到以下典型问题：

问题1：Seaborn图表显示中文乱码

解决方案：

# 设置中文字体 plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统 # plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # Mac系统 plt.rcParams['axes.unicode_minus'] = False

问题2：大数据集可视化缓慢

优化建议：

• 使用alpha参数设置透明度，避免点重叠
• 对数据进行采样：df_sample = df.sample(frac=0.1)
• 使用hexbin图替代散点图：

plt.hexbin(x=mpg['weight'], y=mpg['mpg'], gridsize=30, cmap='Blues') plt.colorbar()

问题3：分类变量排序混乱

解决方法：

# 指定分类顺序 cyl_order = sorted(mpg['cylinders'].unique()) sns.boxplot(data=mpg, x='cylinders', y='mpg', order=cyl_order)

问题4：重复代码过多

优化方案：将常用绘图配置封装为函数

def my_plot_settings(): """自定义绘图默认设置""" plt.rcParams['figure.figsize'] = (10,6) plt.rcParams['axes.titlesize'] = 14 plt.rcParams['axes.labelsize'] = 12 my_plot_settings() # 应用设置