企业官网建设流程全解析

ML-For-Beginners 聚类可视化实战：用散点图探索尼日利亚音乐数据集的作业指南

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners

本文是围绕 ML-For-Beginners 课程5-Clustering/1-Visualize章节配套作业撰写的技术指南。该作业要求学习者围绕"聚类前的数据可视化"主题，调研多种散点图绘制方式与绘图库，并在 Notebook 中产出五张高质量散点图、写出图释发现。读完本文，你将掌握基于matplotlib/seaborn/pandas的散点图绘制链路、五图作业的选题与组织方法，以及对照评分标准自查产出质量的具体做法。

1. 作业背景：为什么聚类之前要先画散点图

聚类（Clustering）属于无监督学习 中，课程明确写道："聚类作为一种技术，极大地受益于恰当的可视化"——先通过可视化理解数据形态，才能为后续选择聚类算法（K-Means、DBSCAN、层次聚类等）提供依据。

散点图（Scatterplot）之所以是聚类前最有用的可视化工具，是因为它能直观地显示"对象的成组聚集"：横轴与纵轴各取一个特征，每个样本落在平面上的一个点，天然聚集的点群往往就是潜在簇（cluster）的雏形。本课以从 Spotify 抓取的尼日利亚歌曲数据集 nigerian-songs.csv 为研究对象，课程结尾明确指出："下一课将用这份过滤后的数据做 K-Means 聚类，去发现那些看起来以有趣方式重叠的群组。"因此，本作业实际上是下一课 K-Means 实战的"侦察兵"。

2. 作业目标与任务要求（原文完整继承）

作业原文（对应 5-Clustering/1-Visualize/assignment.md）给出的任务如下：

在本课中，你已经使用了一些可视化技术来把握如何为聚类绘制数据。尤其是散点图，对于发现对象的成组聚集非常有用。请调研不同的方式与不同的库来创建散点图，并把你的工作记录在一个 Notebook 中。你可以使用本课的数据、其他课的数据，或自己找到的数据（但请在 Notebook 中注明其来源）。用散点图绘制一些数据，并解释你的发现。

归纳为四个可执行的要点：

1. 调研广度：不止用一种方法、一个库画散点图，要主动对比不同方式；
2. 成文载体：所有探索必须沉淀在一个 Notebook 中，可运行、可复现；
3. 数据来源：优先使用仓库数据，也可跨课程取数或自备数据（自备数据必须标注来源）；
4. 结论输出：每张图都要配文字说明——你发现了什么，为什么它重要。

3. 评分标准（Rubric）逐条解读

作业附带的评分表是判断产出的唯一标尺，原文如下：

三条关键信号值得注意：

• 数量硬指标：5 张是"优秀"的下限，少于 5 张直接降档；
• 质量软指标：不只是"画出来"，而是"well-documented"——每张图都要有充分的文字记录（markdown 说明 + 图内注释）；
• 完整性要求：Notebook 必须能完整跑通，代码、输出、结论俱全，不能只有半截代码。

4. 环境准备与数据加载（结合仓库源码）

作业起点是课程自带的 Notebook。仓库中有两个可直接参考的文件：

• 课程模板：5-Clustering/1-Visualize/notebook.ipynb（仅含一个标题单元格的空白模板）；
• 官方解答：5-Clustering/1-Visualize/solution/notebook.ipynb（完整的可视化实现，可作为对照参考）。

4.1 安装与导入

作业要求使用Seaborn进行高质量可视化，安装与导入代码如下（与解答 Notebook 一致）：

!pip install seaborn import matplotlib.pyplot as plt import pandas as pd import seaborn as sns

4.2 加载歌曲数据

数据文件位于仓库 5-Clustering/data/nigerian-songs.csv，共 530 行、16 列。从 Notebook 所在目录加载：

df = pd.read_csv("../../data/nigerian-songs.csv") # 位于 5-Clustering/1-Visualize/solution/ 时 df.head()

前几行数据如下：

其中length单位是毫秒（144000 ms ≈ 2 分 24 秒），popularity是 0~100 的流行度评分，danceability、energy、acousticness等音频特征均为 0~1 区间的小数。

4.3 数据体检三步曲

按课程流程，加载后依次执行info()、isnull().sum()、describe()三连：

df.info() df.isnull().sum() df.describe()

df.info()显示 16 列无缺失、无重复类型异常；df.isnull().sum()全列为 0，无需处理空值；df.describe()的统计摘要给出关键量级：popularity最小值为 0（表示该曲目没有排名），tempo均值约 116.5 BPM，time_signature绝大多数为 4 拍。数据体检的结果要原样写入你的 Notebook 并附一句解释——这正是"well-documented"的组成部分。

5. 数据清洗：散点图质量的前提

课程指出，若直接对全量数据画图，popularity = 0的"未排名"记录以及artist_top_genre为Missing（Spotify 未分类）的行都会成为噪声。作业沿用课程的过滤方案：

# 去掉未分类流派 df = df[df['artist_top_genre'] != 'Missing'] # 只看占比最高的三个流派 df = df[(df['artist_top_genre'] == 'afro dancehall') | (df['artist_top_genre'] == 'afropop') | (df['artist_top_genre'] == 'nigerian pop')] # 去掉 popularity 为 0 的记录 df = df[df['popularity'] > 0] # 复查各流派数量 top = df['artist_top_genre'].value_counts() plt.figure(figsize=(10, 7)) sns.barplot(x=top.index, y=top.values) plt.xticks(rotation=45) plt.title('Top genres', color='blue')

过滤后数据集中在afro dancehall、afropop、nigerian pop三个流派，噪声被剔除，后续散点图中的点群才不会被"未排名"的离群点污染。作业中建议再用df.corr(numeric_only=True)检查特征相关性，课程观察到唯一较强的相关性出现在energy与loudness之间（响度大的音乐通常能量感强），其余特征间相关性较弱——这直接提示了散点图选轴的方向（见第 6 节）。

6. 散点图绘制：本课已演示的两种核心方式

作业要求"调研不同的方式"，而课程与解答 Notebook 已经示范了两种互为补充的散点图形态，它们是作业的基线，必须掌握。

6.1 方式一：seaborn.jointplot + KDE 密度叠加

先看双变量的联合分布，jointplot会在散点区域周围附加两个边缘分布直方图/密度曲线：

sns.set_theme(style="ticks") g = sns.jointplot( data=df, x="popularity", y="danceability", hue="artist_top_genre", kind="kde", )

kind="kde"使用核密度估计（Kernel Density Estimate）以连续概率密度曲线表示数据，适合同时观察多个分布的形态。课程发现：三个流派围绕一个大致收敛点形成同心圆状分布——在 popularity 与 danceability 这两个维度上，尼日利亚听众的口味存在趋同现象。

6.2 方式二：FacetGrid + plt.scatter 按类别分组散点

同一条轴组合，改用FacetGrid调用底层plt.scatter，即可按artist_top_genre分色绘制经典散点图：

sns.FacetGrid(df, hue="artist_top_genre", height=5) \ .map(plt.scatter, "popularity", "danceability") \ .add_legend()

课程指出，散点图呈现了与 KDE 图相似的重叠收敛模式——三个流派在散点图上松散对齐、并无清晰分离的边界，这意味着在这个特征平面上做聚类会有挑战，也为下一课引入 K-Means 留下了悬念。注意：早期版本 seaborn 用size=5参数，新版本已更名为height=5（解答 Notebook 中会出现size参数的弃用警告），作业里请使用height。

7. 进阶调研：凑齐五张散点图的选题方案

评分标准的"优秀"档要求五张记录良好的散点图。单纯重复同一轴组合两次达不到"不同方式"的要求，下面给出可直接落地的五图选题方案，全部可在仓库数据上复现：

方案 A：本课基线图

popularity×danceability，按流派着色（第 6.2 节代码），记录"三流派松散重叠"的发现。

方案 B：强相关特征验证图

课程在相关性热力图中发现energy与loudness强相关，可绘制：

sns.scatterplot(data=df, x="energy", y="loudness", hue="artist_top_genre")

预期点群沿对角线聚集，可顺带撰写"相关性 ≠ 因果性"的讨论。

方案 C：多维特征散点（pandas 内置绘图）

不引入新库，直接用 pandas 的.plot.scatter()绘制不同轴组合（如tempo×danceability、length×popularity），对比不同特征组合下的聚集程度：

df.plot.scatter(x="tempo", y="danceability", c="popularity", colormap="viridis")

方案 D：3D 散点（matplotlib 生态）

用mpl_toolkits.mplot3d在同一张图里放入三个特征轴（如popularity、danceability、energy），体会二维散点丢失的信息在三维中能否显现。

方案 E：多变量散点矩阵

用sns.pairplot(df, hue="artist_top_genre", vars=["popularity", "danceability", "energy", "loudness"])一次性生成多组两两散点矩阵，从全局视角寻找"哪对特征最能分开三个流派"。

调研提示：作业要求"不同的库"，除本仓库使用的matplotlib、seaborn、pandas外，可以按作业要求自行探索其他绘图生态（例如交互式图表库），并在 Notebook 中注明各方案的适用场景与优缺点。不要照抄同一张图改个标题充数——评分关注的是"方式与库的多样性"。

8. 写出"well-documented"散点图的四步模板

对照评分标准中的 Exemplary 档，每张散点图建议用以下四段式组织文字记录（Notebook 中每图配一个 Markdown 单元格 + 一个代码单元格）：

1. 目的（Why）：这张图想回答什么问题？（例：三个流派在 popularity 维度上是否可分？）
2. 做法（How）：选择了哪个库、哪种方式、哪对特征，为什么这样选轴；
3. 发现（What）：肉眼可见的点群、重叠、离群点或趋势（例：三流派围绕某 danceability 值收敛）；
4. 对聚类的启示（So What）：这组特征适合/不适合用来聚类，下一课应优先尝试哪种算法方向。

若使用自己搜集的数据，务必在 Notebook 中注明来源；若使用仓库其他课程的数据，同样标注数据文件路径。仓库中可作选题的数据还包括 2-Regression/data/US-pumpkins.csv（南瓜价格）与 4-Classification/data/cleaned_cuisines.csv（菜系配料），跨课程取数本身就是"调研不同数据集"的加分项。

9. 参考实现与验收清单

9.1 仓库可参考的实现

• 官方 Python 解答：5-Clustering/1-Visualize/solution/notebook.ipynb
• R 语言版本（R 学习者可对照）：5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb（另有同目录.Rmd与.html渲染版）
• Julia 语言说明：5-Clustering/1-Visualize/solution/Julia/README.md
• 课程正文（含聚类算法选型表与全部可视化代码）：5-Clustering/1-Visualize/README.md

9.2 提交前自查清单

• Notebook 中恰好包含（或超过）5 张散点图；
• 至少使用了2 种以上绘图方式或库（如 jointplot / FacetGrid / scatterplot / pairplot / pandas 内置绘图）；
• 每张图都有 Markdown 文字说明，包含目的、做法、发现与聚类启示；
• 若使用了仓库外的数据，已在 Notebook 中标注来源；
• Notebook 从上到下可完整运行（可从模板 notebook.ipynb 起步）；
• 数据清洗（过滤 Missing 流派、popularity=0）有据可查，而不是凭空丢行。

对照评分表：满足前三条即达到"优秀（Exemplary）"档；只画图不写说明、数量不足 5 张，则落入"合格（Adequate）"档；代码残缺无法运行，只能得到"需改进（Needs Improvement）"。本作业完成后，你将带着"三个流派在该特征空间松散重叠"的明确判断进入下一课——用 K-Means 在这些看似纠缠的数据中寻找隐藏的分组。

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners