机器学习专栏（13）：数据探索三重奏——从地理热力图到特征工程的财富密码

目录

导言：当数据点连成黄金海岸线

一、地理可视化：数据中的加州淘金热

1.1 基础地理散点图

1.2 高密度区域透视术

二、相关性解密：数字背后的财富公式

2.1 皮尔逊相关系数矩阵

2.2 非线性关系发现术

三、特征炼金术：创造新的财富密码

3.1 特征组合公式库

3.2 相关性进化史

四、异常数据猎手：揪出数据中的"叛徒"

4.1 价格天花板检测

4.2 时空异常检测

五、工业级探索工具箱

5.1 自动化数据透视

5.2 探索流程checklist

六、避坑指南：数据探索五大天坑

立即行动：

---

导言：当数据点连成黄金海岸线

深夜的旧金山湾区，1990年的房产数据在屏幕上闪烁。一个看似普通的散点图暗藏玄机——当alpha值从1调整到0.1的瞬间，加州的财富版图骤然显现。本文将带你用Python绘制数据藏宝图，从地理分布到特征组合，层层揭开房价预测的核心机密。

---

一、地理可视化：数据中的加州淘金热

1.1 基础地理散点图

housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.8,
            s=housing["population"]/100, label="人口",
            c="median_house_value", cmap=plt.get_cmap("jet"),
            figsize=(16,10), colorbar=True)
plt.title("加州房价地理分布（原始视图）")

1.2 高密度区域透视术

# 调整alpha参数揭示隐藏模式
plt.figure(figsize=(16,10))
plt.scatter(housing.longitude, housing.latitude, 
           alpha=0.1,  # 关键参数：透明度
           s=housing.population/50,
           c=housing.median_house_value, cmap='jet')
plt.colorbar(label='房价中位数')
plt.title("加州房价密度热力图（alpha=0.1）")

关键发现：

• 湾区、洛杉矶、圣地亚哥形成三大高价核心区

• 中央山谷沿线呈现带状中等房价区

• 北部沿海房价未达预期，打破"临海必贵"的直觉

---

二、相关性解密：数字背后的财富公式

2.1 皮尔逊相关系数矩阵

corr_matrix = housing.corr(numeric_only=True)
plt.figure(figsize=(12,8))
sns.heatmap(