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并完成 5 图研究笔记

【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

导读

本文围绕 ML-For-Beginners 第 5 课「聚类与可视化」（5-Clustering/1-Visualize）配套作业展开，目标是：在聚类建模之前，使用散点图等可视化手段摸清数据分布、发现自然的对象分组，并完成一份包含5 个良好文档化散点图的研究 notebook。读完本文，你将掌握 scatter plot 的多种形态（基础散点、FacetGrid 分组散点、jointplot 联合分布、KDE 密度叠加、pairplot 多变量矩阵），学会用 seaborn/matplotlib 在真实数据集（5-Clustering/data/nigerian-songs.csv）上开展探索性数据分析（EDA），并知道如何满足作业的「Vorbildlich（卓越）」评价标准。

作业目标：为聚类准备数据

在translations/de/5-Clustering/1-Visualize/assignment.md（即本作业的德语译本，英文原版位于 5-Clustering/1-Visualize/assignment.md）中，任务非常明确：

在本课中你已经掌握了一些可视化技术来为聚类准备数据，尤其是散点图（Streudiagramme）在识别对象分组时非常有用。研究创建散点图的不同方法与不同库，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获取的数据（请在 notebook 中注明数据来源）。绘制若干散点图，并解释你的发现。

评价标准（Bewertungskriterien）

作业附带的评分表直接决定交付物形态：

因此，要拿到满分，最低交付物就是一个 notebook + 5 张来源明确、每张都配有文字解释的散点图。本文后续给出可直接复用的 5 图模板与评分自检清单。

数据基础：理解你要可视化的对象

推荐使用本课自带的尼日利亚 Spotify 歌曲数据集：5-Clustering/data/nigerian-songs.csv。该文件共 530 条记录、16 列，包含name（歌名）、album、artist、artist_top_genre（艺术家主流流派）、release_date、length（毫秒）、popularity（0–100 热度）、danceability、acousticness、energy、instrumentalness、liveness、loudness、speechiness、tempo、time_signature。其中 0–1 区间的音频特征（danceability、energy、acousticness 等）非常适合作为散点图的两个坐标轴。

先按主课程 README（5-Clustering/1-Visualize/README.md）的流程完成数据加载与清洗，这是做散点图之前的必要准备：

import matplotlib.pyplot as plt import pandas as pd import seaborn as sns df = pd.read_csv("5-Clustering/data/nigerian-songs.csv") df.info() # 530 entries, 16 columns, 无缺失值 df.isnull().sum() df.describe()

主课程还建议两步关键清洗：

1. 去掉artist_top_genre为'Missing'的行（Spotify 未分类的噪声）；
2. 只保留三大主流流派afro dancehall、afropop、nigerian pop，并过滤掉popularity == 0的歌曲：

df = df[df['artist_top_genre'] != 'Missing'] df = df[(df['artist_top_genre'] == 'afro dancehall') | (df['artist_top_genre'] == 'afropop') | (df['artist_top_genre'] == 'nigerian pop')] df = df[(df['popularity'] > 0)]

课程中的相关性热力图（df.corr(numeric_only=True)+sns.heatmap）提示：唯一较强的相关性出现在energy与loudness之间，其余特征相关性较弱——这意味着散点图不会呈现干净的对角线，而更可能呈现重叠的云团，恰好是聚类前「数据有多难分」的直观预判。

散点图方法库与研究路线

作业要求「研究不同的方法和不同的库」，这是本作业与研究型文章的精华所在。围绕同一数据集，可以按以下路线展开对比：

1. matplotlib 原生plt.scatter：最底层、最灵活，适合快速查看两个连续变量的关系，但不自带分组配色与统计叠加。
2. seabornsns.scatterplot：直接支持hue（按流派着色）、size、style，是分组散点图的第一选择。
3. seabornFacetGrid+plt.scatter：按类别分面，课程中正是用它同时绘制三个流派的 popularity–danceability 散点（见下文）。
4. seabornjointplot：把两个变量的分布（直方图/密度）与散点合并到一张图，是探索联合分布的最佳工具。
5. seabornpairplot：一次生成多变量的散点图矩阵，适合从 4–5 个音频特征中快速扫描候选「可分对」。
6. 其他库（可选加分项）：plotly.express.scatter（交互式缩放/悬停）、altair（声明式语法）等，可用于「研究不同库」的差异化对比。

建议在 notebook 中为每个库/方法单独建一个 Markdown 标题 + 代码单元格 + 结论文本，这就是「良好文档化」的体现。

5 图模板：可直接落地的完整示例

以下 5 张图构成一份能达到「卓越」档的作业 notebook，全部基于清洗后的df（约 292 行、三流派）。

图 1：基础分组散点（seaborn scatterplot）

plt.figure(figsize=(10, 7)) sns.scatterplot(data=df, x="popularity", y="danceability", hue="artist_top_genre", alpha=0.7) plt.title("Popularity vs. Danceability by Genre") plt.show()

文档化解释要点：三流派在 popularity–danceability 平面上高度重叠，未形成明显分离的簇；alpha=0.7用于缓解点重叠（overplotting）。

图 2：FacetGrid 分组散点（课程同款）

课程 README 中的原始写法为：

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

新版本 seaborn 中size参数已更名为height（解决方案 notebook 5-Clustering/1-Visualize/solution/notebook.ipynb 中运行时会给出对应 UserWarning）。运行结果见下图，三流派均围绕某一中心区域收敛，印证了「尼日利亚听众的流行度–舞蹈性品味在三大流派间趋于一致」的课程观察。

文档化解释要点：分组着色让我们判断「流派」是否足以成为聚类的自然标签；结论是仅凭这两个轴难以区分流派，聚类算法需要更多特征。

图 3：jointplot 联合分布（散点 + KDE）

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

该图用 KDE（核密度估计）以连续概率密度曲线表示数据，可以看到围绕某一收敛点形成的同心圆状等高线（课程生成的示例见下），非常适合解读多个分布的叠加。

文档化解释要点：三个流派在密度等高线上大致对齐；KDE 能揭示散点图易被遮挡的高密度区域，是「散点图家族」的重要补充。

图 4：多变量扫描（pairplot）

sns.pairplot(df[["popularity", "danceability", "energy", "loudness", "artist_top_genre"]], hue="artist_top_genre", diag_kind="kde")

文档化解释要点：一次输出 4×4 散点矩阵，快速定位哪些特征对更可能产生可分簇；例如 energy–loudness 因相关性较强而呈带状，其他组合为弥散云团。这也是「用散点图缩小候选特征集」的典型工作流。

图 5：交互式散点（不同库的对比研究）

import plotly.express as px fig = px.scatter(df, x="popularity", y="danceability", color="artist_top_genre", hover_data=["name", "artist"], title="Interactive Scatter: Popularity vs Danceability") fig.show()

文档化解释要点：与静态库对比，plotly 支持悬停查看具体歌曲（如歌名、艺术家）、缩放与图例筛选，适合在「研究不同库」的对比小节中作为差异化结论；并请在 notebook 中注明「数据来源：ML-For-Beginners 仓库 5-Clustering/data/nigerian-songs.csv」。

完成度自检与提交流程

交作业前对照评分表逐项检查：

1. 数量：notebook 中至少 5 张散点图（或同类分布图）；
2. 文档化：每张图前有目标说明、图后有 2–3 句发现总结，涉及判断如「是否存在天然分组」「哪些特征对更可分」；
3. 数据来源：使用本课数据时注明nigerian-songs.csv；自备数据则必须注明出处；
4. 可复现：notebook 自包含import、数据读取与清洗步骤，重新运行可复现全部图表。

主课程 README 还给出了一个可选的预习挑战：为「生产环境中可能用到的各种聚类算法」绘制一张对照表并思考各自要解决的问题（如 K-Means 适用于通用归纳式任务、DBSCAN 适用于非平坦几何与密度不均的数据），可将它作为 notebook 的结尾小节，把散点图探索的结论（数据是否可分、大致簇数）与下一课 K-Means 的选择理由衔接起来。

小结

本作业的本质是一次「以散点图为核心的聚类前探索」训练：先在真实音乐数据上完成加载与清洗，再用多种方法与库绘制 5 张以上散点图，围绕「是否收敛、能否分组、哪个特征对可分」输出文字结论。沿用主课程的数据管线（5-Clustering/1-Visualize/README.md）、参考解决方案（5-Clustering/1-Visualize/solution/notebook.ipynb），即可产出一份可直接用于下一课 K-Means 实验的高质量研究笔记。

【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