红酒数据集分析
天池项目链接：https://tianchi.aliyun.com/notebook-ai/detail?postId=4662
数据集下载地址：http://archive.ics.uci.edu/ml/datasets/Wine+Quality
github：https://github.com/oliveeeeee/Machine-Learning-Project
主要目的在于展示数据分析的常见python包的调用，以及数据可视化。主要内容分为：单变量，双变量，和多变量分析。
相关python包：matplotlib.pyplot，seaborn
数据样本观测
1、数据量
red：(1599, 12)
white：(4898, 12)
2、数据类型
均为数值型。
3、缺失值
无缺失值。
4、统计描述
单变量分析
1、箱型图：看单变量的分布，常用来找异常值
2、直方图：看单变量的分布，是否正态，是否左右偏，有几个高峰等
3、解读
品质：
品质的评价范围是0-10，这个数据集中范围是3到8，有82%的红酒品质是5或6。
酸度：
这个数据集有7个酸度相关的特征：fixed acidity, volatile acidity, citric acid, free sulfur dioxide, total sulfur dioxide, sulphates, pH。前6个特征都与红酒的pH的相关。pH是在对数的尺度，下面对前6个特征取对数然后作histogram。另外，pH值主要是与fixed acidity有关，fixed acidity比volatile acidity和citric acid高1到2个数量级(Figure 4)，比free sulfur dioxide, total sulfur dioxide, sulphates高3个数量级。一个新特征total acid来自于前三个特征的和。
甜度：
Residual sugar 与酒的甜度相关，通常用来区别各种红酒，干红（<=4 g/L), 半干（4-12 g/L）,半甜（12-45 g/L），和甜（>45 g/L)。 Red数据中，主要为干红，没有甜葡萄酒。White数据中，dry(<4)和medium dry(4-12)较多。
双变量分析
1、多类型箱型图：可用于比较不同类型的分布或按不同类别进行比较。
查看红酒品质和理化特征的关系。
2、热力图：直观展示两两变量之间的相关程度。
解读：
品质好的酒有更高的柠檬酸，硫酸盐，和酒精度数。硫酸盐(硫酸钙)的加入通常是调整酒的酸度的。其中酒精度数和品质的相关性最高。
品质好的酒有较低的挥发性酸类，密度，和pH。
残留糖分，氯离子，二氧化硫似乎对酒的品质影响不大。
3、散点图，线性回归
展示密度和酒精浓度的关系、酸性物质含量和pH的关系。
解读：
密度和酒精浓度是相关的，物理上，两者并不是线性关系。
pH和非挥发性酸性物质有-0.683的相关性。因为非挥发性酸性物质的含量远远高于其他酸性物质，总酸性物质(total acidity)这个特征并没有太多意义。
多变量分析
散点图
观测酒精浓度，挥发性酸和品质三者间的关系，pH，非挥发性酸，和柠檬酸三者间的关系。
解读：
对于好酒（7，8）以及差酒（3，4），关系很明显。但是对于中等酒（5，6），酒精浓度的挥发性酸度有很大程度的交叉。
pH和非挥发性的酸以及柠檬酸有相关性。整体趋势也很合理，即浓度越高，pH越低。
总结
整体而言，红酒的品质主要与酒精浓度，挥发性酸，和柠檬酸有关。对于品质优于7，或者劣于4的酒，直观上是线性可分的。但是品质为5，6的酒很难线性区分。
