# 数字特征相互之间的关系可视化 sns.set() columns = ['price', 'v_12', 'v_8', 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14'] sns.pairplot(Test_data[columns], size=2, kind='scatter', diag_kind='kde') plt.show() # 数字特征相互之间的关系可视化 sns.set() columns = ['price', 'v_12', 'v_8', 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14'] sns.pairplot(Test_data[columns], size=2, kind='scatter', diag_kind='kde') plt.show()UserWarning: The size parameter has been renamed to height; please update your code. warnings.warn(msg, UserWarning)给出修复后的代码

修复后的代码如下：

import seaborn as sns
import matplotlib.pyplot as plt

sns.set()
columns = ['price', 'v_12', 'v_8', 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14']

sns.pairplot(Test_data[columns], height=2, kind='scatter', diag_kind='kde')
plt.show()

修复方法是将`size`参数改为`height`，并将其值设置为2。

相关问题

# 数字特征相互之间的关系可视化 sns.set() columns = ['price', 'v_12', 'v_8', 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14'] sns.pairplot(Test_data[columns], size=2, kind='scatter', diag_kind='kde') plt.show() # 数字特征相互之间的关系可视化 sns.set() columns = ['price', 'v_12', 'v_8', 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14'] sns.pairplot(Test_data[columns], size=2, kind='scatter', diag_kind='kde') plt.show()UserWarning: The `size` parameter has been renamed to `height`; please update your code. warnings.warn(msg, UserWarning)

这段代码使用了Python的数据分析库Seaborn来可视化数据集中数字特征之间的关系。其中，使用了pairplot函数来绘制散点图和概率密度图，参数kind='scatter'表示绘制散点图，diag_kind='kde'表示绘制概率密度图。而警告信息则是由于Seaborn的版本更新，将原来的参数size改为了height。

jupyter notebook爬取数据可视化

### 数据爬取与可视化

#### 使用Python库进行数据爬取

为了在Jupyter Notebook中实现数据爬取，通常会依赖`requests`库来获取网页内容，并通过`BeautifulSoup`或`lxml`解析HTML文档结构。对于更复杂的交互式页面，则可以考虑使用`selenium`模拟浏览器行为。

import requests
from bs4 import BeautifulSoup

url = 'http://example.com'  # 替换成目标网址
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

一旦完成数据抓取并保存到本地文件或是直接加载至内存中的DataFrame对象后，就可以着手准备清理工作了[^1]。

#### 利用Pandas执行高效的数据清洗

针对二手房网站信息，在此阶段主要是移除无关列项以及处理缺失值等问题：

import pandas as pd
import numpy as np

data = {
    "price": [np.nan, 200],
    "area": ["50m²", "60m²"],
}
df = pd.DataFrame(data)

# 去除非必要字段
columns_to_drop = ['unnecessary_column']
if set(columns_to_drop).issubset(df.columns):
    df.drop(columns=columns_to_drop, inplace=True)

# 处理缺失值
df.fillna(method='ffill', inplace=True)  # 或者选择其他填充策略

上述代码片段展示了如何去掉不必要的列，并对存在的空缺数值进行了前向填充操作。

#### 创建直观易懂的数据可视化图表

当准备好干净整洁的数据集之后，下一步就是借助matplotlib、seaborn等绘图工具来进行视觉化表达：

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(8, 6))
sns.scatterplot(x="area", y="price", data=df)
plt.title('Price vs Area Scatter Plot')
plt.show()

这段脚本能够绘制出价格与面积之间的散点分布情况，帮助观察两者间是否存在某种关联模式[^2]。