np.triu()的函数用法

np.triu函数讲解

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv('/home/mw/input/data80448044/Fish.csv') df.sample(5) #输出鱼的种类 df['Species'].unique() #对这些分类变量进行编码 df['Species Code'] = df['Species'].astype('category').cat.codes df.sample(5) #输出空值信息 print(df.isnull().any()) #这里主要调用 DataFrame 中的 isnull 方法进行属性空值检测 #查看每种属性与鱼的重量的分布关系 x_vars=df.columns[1:] #分别分析所取的属性与鱼的重量的分布关系图 for x_var in x_vars: df.plot(kind='scatter',x=x_var,y='Weight') #设置绘图的行和列 plt.show() #计算属性间的相关系数图 corr = df.corr() #绘制属性相关系数的热力图 plt.figure(figsize=(16,8)) sns.heatmap(corr,annot=True,cmap="RdBu") plt.show() plt.figure(figsize=(16,8)) #配置下三角热力图区域显示模式 mask = np.zeros_like(corr,dtype=np.bool) mask[np.triu_indices_from(mask)] = True sns.set_style(style="white") #对相关系数图进行下三角显示 sns.heatmap(corr,annot=True,cmap="RdBu",mask=mask) plt.figure(figsize=(16,8)) #配置强相关模式，相关系数大于 0.7 mask = np.zeros_like(corr[corr>=.7],dtype=np.bool) # Create a msk to draw only lower diagonal corr map mask[np.triu_indices_from(mask)] = True sns.set_style(style="white") #显示强相关模式的相关系数热力值，低于参考值的部分显示为白色，从而获取强相关项 sns.heatmap(corr[corr>=.7],annot=True,mask=mask,cbar=False) plt.show()

请详细解释一下下面的代码，import pandas as pd# 读取数据并删除冗余特征df = pd.read_excel('data.xlsx')corr_matrix = df.corr().abs()upper_tri = corr_matrix.where(np.triu(np.ones(corr_matrix.shape),k=1).astype(np.bool))to_drop = [column for column in upper_tri.columns if any(upper_tri[column] > 0.9)]for col in to_drop: mean_corr = df.drop(col, axis=1).corrwith(df[col]).abs().mean() if mean_corr > 0.9: to_drop.remove(col)df = df.drop(to_drop, axis=1)# 将结果保存至Excel_1中df.to_excel('Excel_1.xlsx')