本案例使用 Jupyter Notebook进行案例演示，数据集为NBA球员信息数据集。本项目将进行完整的数据分析演示。
1. 数据介绍
- 数据集共有342个球员样本，38个特征，即342行×38列。
- 数据集主要信息如下表所示：
| 球员姓名 | 位置 | 身高 | 体重 | 年龄 | 球龄 | 上场次数 | 场均时间 | 进攻能力 | 防守能力 | 是否入选过全明星 | 球员薪金 |
|---|
- 本数据集主要可以用来做数据处理以及数据挖掘，进行数据可视化。
- 本小结，我们将对NBA球员数据集进行初步统计学分析，并且绘制出相关性热力图。
2. 案例演示
2.1 获取数据
导入相关库，并使用如下代码进行本地数据集获取。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 获取数据集
NBA = pd.read_csv("nba_2017_nba_players_with_salary.csv")
NBA.head()
运行结果：
2.2 查看数据基本信息
先进行简单的统计学分析，查看标准差、中位数、方差等等信息。
# 看一下数据有多少 NBA.shape # 查看基本统计信息 NBA.describe()
部分运行结果：
2.3 数据分析
2.3.1 效率值相关性分析
在众多数据中，有一项名为RPM，表示球员的效率值。该数据反映球员在场时对球队比赛获胜的贡献大小，最能反映球员的综合实力。我们可以看一下它与其他数据的相关性。
首先，我们取出几个有用的特征分析相关性，并绘制热力图。
# 2. 数据分析 ## 2.1 效率值相关性分析 NBA_1 = NBA.loc[:, ['RPM','AGE','SALARY_MILLIONS','ORB','DRB','TRB','AST','AST','STL','BLK','TOV','PF','POINTS','GP','MPG','ORPM','DRPM']] NBA_1.head()
然后，使用如下代码计算出相关性表。
# 计算相关性 # 获取两列之间的相关性 corr = NBA_1.corr() corr
部分运行结果如下图所示：
最后，使用刚才的相关性表，绘制出相关性关系热力图
# 调用热力图绘制相关性关系
plt.figure(figsize=(20,20),dpi=120)
sns.heatmap(corr, square=True, linewidths=0.1, annot=True)
# 保存图像
plt.savefig("./test.png")
# 颜色越深：相关性越弱
# 颜色越浅：相关性越强
运行结果如下图所示：
以上就是Seaborn数据分析NBA球员信息数据集的详细内容，更多关于Seaborn数据分析的资料请关注Devmax其它相关文章！