# 首先走一遍完整的之前的流程
# 读取数据
import warnings
# 保留警告，便于发现弃用接口和数值问题。
import pandas as pd
data  = pd.read_csv('data.csv')
# 查看数据
data.info()

data.head(5)

# 把years in current job列和Home Ownership列转化为数字
# 先查看内容
data["Years in current job"].value_counts()

data["Home Ownership"].value_counts()

# 创建嵌套字典用于映射
mappings = {
    "Years in current job": {
        "10+ years": 10,
        "2 years": 2,
        "3 years": 3,
        "< 1 year": 0,
        "5 years": 5,
        "1 year": 1,
        "4 years": 4,
        "6 years": 6,
        "7 years": 7,
        "8 years": 8,
        "9 years": 9
    },
    "Home Ownership": {
        "Home Mortgage": 0,
        "Rent": 1,
        "Own Home": 2,
        "Have Mortgage": 3
    }
}
# 使用映射字典进行转换
data["Years in current job"] = data["Years in current job"].map(mappings["Years in current job"])
data["Home Ownership"] = data["Home Ownership"].map(mappings["Home Ownership"])
data.info()

data.head()

data.columns

# 创建特征名中文映射字典
feature_name_mapping = {
    'Annual Income': '年收入',
    'Years in current job': '当前工作年限',
    'Tax Liens': '税收留置权',
    'Number of Open Accounts': '开放账户数量',
    'Years of Credit History': '信用历史年限',
    'Maximum Open Credit': '最大开放信用额度',
    'Number of Credit Problems': '信用问题数量',
    'Months since last delinquent': '距上次拖欠月数',
    'Bankruptcies': '破产次数',
    'Current Loan Amount': '当前贷款金额',
    'Current Credit Balance': '当前信用余额',
    'Monthly Debt': '月债务',
    'Credit Score': '信用评分',
    'Home Ownership': '房屋所有权',
    'Term': '贷款期限',
    'Purpose': '贷款目的',
    'Credit Default': '信用违约'
}

# 重命名数据框的列名
data_cn = data.rename(columns=feature_name_mapping)
data_cn.head()

# 基础热力图 - 使用coolwarm配色
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 提取连续值特征(中文名)
continuous_features_cn = [
    '年收入', '当前工作年限', '税收留置权',
    '开放账户数量', '信用历史年限',
    '最大开放信用额度', '信用问题数量',
    '距上次拖欠月数', '破产次数',
    '当前贷款金额', '当前信用余额', '月债务',
    '信用评分'
]

# 计算相关系数矩阵
correlation_matrix = data_cn[continuous_features_cn].corr()

# 设置图片清晰度
plt.rcParams['figure.dpi'] = 300
# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 绘制热力图
plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', vmin=-1, vmax=1, 
            fmt='.2f', linewidths=0.5)
plt.title('连续特征相关系数热力图 (coolwarm配色)')
plt.tight_layout()
plt.show()

# 使用RdYlGn配色方案
plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix, annot=True, cmap='RdYlGn', vmin=-1, vmax=1, 
            fmt='.2f', linewidths=0.5, center=0)
plt.title('连续特征相关系数热力图 (RdYlGn配色)')
plt.tight_layout()
plt.show()

# 使用viridis配色方案(色盲友好)
plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix, annot=True, cmap='viridis', vmin=-1, vmax=1, 
            fmt='.2f', linewidths=0.5)
plt.title('连续特征相关系数热力图 (viridis配色-色盲友好)')
plt.tight_layout()
plt.show()

# 使用plasma配色方案
plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix, annot=True, cmap='plasma', vmin=-1, vmax=1, 
            fmt='.2f', linewidths=0.5)
plt.title('连续特征相关系数热力图 (plasma配色)')
plt.tight_layout()
plt.show()

# 自定义配色 - 只显示强相关(阈值过滤)
# 创建一个只显示绝对值大于0.3的相关系数矩阵
import numpy as np

correlation_matrix_filtered = correlation_matrix.copy()
correlation_matrix_filtered[np.abs(correlation_matrix_filtered) < 0.3] = 0

plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix_filtered, annot=True, cmap='coolwarm', vmin=-1, vmax=1, 
            fmt='.2f', linewidths=0.5, center=0)
plt.title('连续特征相关系数热力图 (仅显示|相关系数|>0.3)')
plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt


# -----------------
# 1. 创建模拟数据
# -----------------
# 子图A的数据：正弦波
X_sin = np.linspace(0, 2 * np.pi, 100)
Y_sin = np.sin(X_sin)

# 子图B的数据：随机散点
X_scatter = np.random.rand(50)
Y_scatter = np.random.rand(50)

# 子图C的数据：条形图
categories = ['A', 'B', 'C', 'D']
values = [15, 30, 10, 25]

# 子图D的数据：线性衰减
X_linear = np.arange(10)
Y_linear = 10 - X_linear * 0.8 + np.random.randn(10) * 0.5


# -----------------
# 2. 绘制子图（核心步骤）
# -----------------

# 使用 plt.subplots() 创建 2x2 的子图布局
# fig: 代表整个画布（Figure）
# axes: 是一个包含所有子图坐标轴对象的 NumPy 数组
fig, axes = plt.subplots(
    nrows=2,           # 行数 (Number of Rows)
    ncols=2,           # 列数 (Number of Columns)
    figsize=(10, 8),   # 整个画布的大小 (10英寸宽, 8英寸高)
    dpi=100            # 分辨率，确保清晰度
)

# -----------------
# 3. 分别在每个子图上绘图和设置属性
# -----------------

# 子图 A (位于第一行第一列：axes[0, 0]) - 绘制折线图
ax_A = axes[0, 0]
ax_A.plot(X_sin, Y_sin, color='tab:blue', label='Sin Wave')
ax_A.set_title('(a) 正弦波变化', fontsize=14, fontweight='bold')
ax_A.set_xlabel('时间 (t)')
ax_A.set_ylabel('振幅 (A)')
ax_A.legend()

# 子图 B (位于第一行第二列：axes[0, 1]) - 绘制散点图
ax_B = axes[0, 1]
ax_B.scatter(X_scatter, Y_scatter, c=X_scatter, cmap='viridis', alpha=0.7)
ax_B.set_title('(b) 随机散点分布', fontsize=14, fontweight='bold')
ax_B.set_xlabel('特征 X')
ax_B.set_ylabel('特征 Y')

# 子图 C (位于第二行第一列：axes[1, 0]) - 绘制条形图
ax_C = axes[1, 0]
ax_C.bar(categories, values, color='tab:orange')
ax_C.set_title('(c) 分类计数', fontsize=14, fontweight='bold')
ax_C.set_xlabel('类别')
ax_C.set_ylabel('数量')

# 子图 D (位于第二行第二列：axes[1, 1]) - 绘制带误差的折线图
ax_D = axes[1, 1]
ax_D.errorbar(X_linear, Y_linear, yerr=0.5, fmt='-o', color='tab:red', capsize=4)
ax_D.set_title('(d) 线性衰减趋势', fontsize=14, fontweight='bold')
ax_D.set_xlabel('迭代次数')
ax_D.set_ylabel('结果值')


# -----------------
# 4. 调整整体布局
# -----------------

# 自动调整子图参数，使之填充整个 figure 区域，避免标签重叠
fig.tight_layout(pad=3.0) 

# 给整个画布添加一个总标题
fig.suptitle('论文多子图绘制示例', fontsize=18, fontweight='bold', y=1.02)


# -----------------
# 5. 显示和保存
# -----------------
plt.show()

# 如果要保存高质量图片，建议使用矢量格式，例如：
# fig.savefig('my_subplots.pdf', format='pdf', bbox_inches='tight') 
# fig.savefig('my_subplots.png', dpi=300) # 位图保存

for index, value in enumerate(list):
    # index是索引,value是值

# enumerate()函数示例
fruits = ['苹果', '香蕉', '橙子', '葡萄']

# 不使用enumerate - 需要手动维护索引
print("不使用enumerate:")
index = 0
for fruit in fruits:
    print(f"索引 {index}: {fruit}")
    index += 1

print("\n使用enumerate:")
# 使用enumerate - 自动获取索引
for index, fruit in enumerate(fruits):
    print(f"索引 {index}: {fruit}")

print("\n从1开始计数:")
# enumerate还可以指定起始索引
for index, fruit in enumerate(fruits, start=1):
    print(f"第 {index} 个水果: {fruit}")

# 提取连续变量列表(使用中文名)
continuous_features_cn = [
    '年收入', '当前工作年限', '税收留置权',
    '开放账户数量', '信用历史年限',
    '最大开放信用额度', '信用问题数量',
    '距上次拖欠月数', '破产次数',
    '当前贷款金额', '当前信用余额', '月债务',
    '信用评分'
]

# 计算需要多少行和列
n_features = len(continuous_features_cn)
n_cols = 3  # 每行显示3个图
n_rows = (n_features + n_cols - 1) // n_cols  # 向上取整计算需要的行数

# 创建子图
fig, axes = plt.subplots(n_rows, n_cols, figsize=(15, n_rows * 4))
# 将axes展平为一维数组,方便使用索引访问
axes = axes.flatten()

# 遍历每个连续变量,绘制箱线图
for index, feature in enumerate(continuous_features_cn):
    # 在第index个子图上绘制
    sns.boxplot(x=data_cn[feature], ax=axes[index], color='skyblue')
    axes[index].set_title(f'{feature} 的分布', fontsize=12, fontweight='bold')
    axes[index].set_xlabel(feature, fontsize=10)
    
# 隐藏多余的空白子图
for i in range(n_features, len(axes)):
    axes[i].set_visible(False)

plt.tight_layout()
plt.show()

# 创建按信用违约分组的箱线图
fig, axes = plt.subplots(n_rows, n_cols, figsize=(15, n_rows * 4))
axes = axes.flatten()

# 遍历每个连续变量
for index, feature in enumerate(continuous_features_cn):
    # 在第index个子图上绘制,按信用违约分组
    sns.boxplot(x='信用违约', y=feature, data=data_cn, ax=axes[index], palette='Set2')
    axes[index].set_title(f'{feature} vs 信用违约', fontsize=12, fontweight='bold')
    axes[index].set_xlabel('信用违约 (0=未违约, 1=违约)', fontsize=9)
    axes[index].set_ylabel(feature, fontsize=10)
    
# 隐藏多余的空白子图
for i in range(n_features, len(axes)):
    axes[i].set_visible(False)

plt.tight_layout()
plt.show()