### Python 数据分析与可视化项目示例 #### 使用 Pandas 和 Matplotlib 进行股票价格趋势分析 通过此案例可以学习如何利用 `pandas` 处理时间序列数据以及使用 `matplotlib` 创建折线图来展示股价变化。 ```python import pandas as pd from datetime import datetime import matplotlib.pyplot as plt # 加载 CSV 文件中的历史交易记录 df = pd.read_csv('stock_prices.csv') # 将日期列转换成 datetime 类型，并设置为索引 df['Date'] = pd.to_datetime(df['Date']) df.set_index('Date', inplace=True) # 绘制收盘价随时间的变化曲线 plt.figure(figsize=(10, 6)) plt.plot(df['Close'], label='Closing Price') plt.title('Stock Closing Prices Over Time') plt.xlabel('Year-Month') plt.ylabel('Price ($)') plt.legend() plt.show() ``` 该实例展示了从读取文件到绘制图形的一系列操作，有助于掌握基本的数据预处理技能和绘图方法[^1]。 #### 利用 Seaborn 库探索鸢尾花数据集特征关系 Seaborn 是建立在 Matplotlib 基础之上的高级统计作图库。下面的例子说明了怎样加载经典鸢尾花数据集并制作散点矩阵图以直观呈现不同种类花朵之间的属性关联情况。 ```python import seaborn as sns sns.set_theme(style="ticks") iris = sns.load_dataset("iris") g = sns.pairplot(iris, hue="species", palette="husl") plt.show() ``` 这段代码不仅实现了多变量间的两两比较，还加入了颜色区分物种的功能，使得结果更加清晰易懂[^2]。 #### 构建机器学习模型预测房价 在这个更复杂的场景里，除了常规的数据清理工作外，还会涉及到特征工程、训练测试分割、选择合适的回归算法（如随机森林），最后评估模型性能指标R²得分等环节。 ```python from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import r2_score housing_data = pd.read_csv('california_housing_train.csv') X = housing_data.drop(columns=['median_house_value']).values y = housing_data['median_house_value'].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestRegressor(n_estimators=100) model.fit(X_train, y_train) predictions = model.predict(X_test) print(f'R-squared score: {r2_score(y_test, predictions)}') ``` 上述三个例子分别代表了不同程度复杂度的任务，在实际应用中可以根据具体需求调整相应部分的内容.