红酒评分数据分析全流程：R回归与Python KNN实战解析

简介：一份面向高校数据分析课程的完整大作业报告，以经典红酒品质数据集作为研究对象，系统展示从数据导入、清洗到统计建模与分类的全过程。文档首先介绍红葡萄酒成分与评分的背景，针对十一项物理属性（非挥发性酸度、挥发性酸度、柠檬酸、残糖、氯化物、游离二氧化硫、总二氧化硫、密度、酸碱度、硫酸盐、酒精）与感官评分的关联展开相关性分析，筛选出挥发性酸度、硫酸盐、酒精等关键影响因素；随后建立多元线性回归模型预测评分，并对模型进行置信区间与预测区间检验；为处理变量间多重共线性，进一步采用主成分回归提取前五个主成分，还原为原始变量表达式；最后使用K近邻算法完成红酒品质的简单分类。资源为DOCX格式，共1个文件，压缩包大小202KB，图文结合、附有R与Python代码片段，便于读者按步骤复现。目前已有4265人学习，非常适合正在完成数据分析大作业、撰写课程报告或入门统计建模和机器学习的学生参考。

1. 项目定位：一份能直接复现的红酒数据分析作业

前段时间整理旧硬盘，翻到一份数据分析大作业，主题是红酒数据集的分析。乍看起来就是一篇期末报告：用 R 做相关性分析和回归，用 Python 手写 KNN 分类。但顺着代码跑一遍发现，它把统计建模里最典型的几件事全串起来了——变量相关性分析、多元线性回归、主成分回归、距离分类。真正让我写这篇解析的反直觉结论是：红酒评分跟酸性高度相关，想拿高分，不是堆果香，而是控制挥发性酸、增加硫酸盐和酒精。而且这份材料并不追求漂亮结果，它的多元回归 R 方只有 0.6589，主成分回归的预测还会偏差到 7 分左右，但它把真实分析过程中“拟合得不够好”的状态完完整整保留了下来。对正在做数据分析作业、想复现统计建模完整流程的人来说，这比一个完美模型更有参考价值。

2. 技术栈与数据预处理：从 CSV 转到 xlsx 再进 R 的完整链路

2.1 数据集长什么样：11 个物理变量加一个评分

这份作业用的红酒数据来自公开数据集，原始格式是 csv，包含 1599 条记录。每条记录有 11 个物理属性，外加一个由品酒师给出的评分。评分区间理论上是从 0 到 10，实际数据集中在 3 到 8 分，其中 5 分和 6 分占了绝大多数。这个分布特点在后面直接影响了回归和 KNN 的准确度。

这里有个容易忽略的点：x4 残糖、x6 游离二氧化硫、x9 pH 值跟评分的相关性很低，而 x2 挥发性酸度、x10 硫酸盐、x11 酒精的相关性明显更高。也就是说，真正影响品酒师打分的是挥发酸、硫酸盐和酒精这三个指标，而不是糖分和 pH。相关性分析的意义就在这里：先把与目标无关的变量剔掉，再做回归，能少踩很多共线性的坑。

2.2 Python 侧：把 csv 转成 xlsx 的两种写法

原始数据是 csv 格式，作业里先用了 Python 把它转成 xlsx，再交给 R 的 readxl 包读取。转格式不是炫技，是因为 R 处理 xlsx 在中文列名和单元格类型上更省事，而且 openpyxl 方案可以顺便检查数据读取是否正常。

import pandas as pd # 读取原始 CSV 文件 df = pd.read_csv("redwine.csv") print(df.shape) print(df["quality"].value_counts().sort_index()) # 转成 xlsx，index=False 避免多出无意义的行号列 df.to_excel("redwine.xlsx", index=False)

这段代码做了三件事：读取 csv、打印数据形状和评分分布、写出 xlsx。shape用于确认样本量，value_counts用来观察评分分布是否均匀。如果你手里是带分隔符的 txt 或制表符文件，只需要在read_csv里加sep="\t"。如果原始文件第一行不是表头，还要加header=None。

另一种写法是用 openpyxl 逐行写入，这种方式适合做单元格级别的清洗，比如把空值替换成 0，或者把某一列强制转成数值类型。pandas 适合整体转换，openpyxl 适合精细加工，两个方案在这个项目场景里都成立。

2.3 R 侧读取与 Spearman 相关性分析

数据准备好之后，作业用 R 读取 xlsx 并调用cor函数做相关性分析。评分本身是有序离散值，不是严格连续变量，所以这里用 Spearman 秩相关而不是 Pearson 相关，这一点在统计上更严谨。

install.packages("readxl") library(readxl) df <- read_excel("redwine.xlsx", sheet = 1, col_names = TRUE) cor(df, method = "spearman")

sheet = 1指定读取第一个工作表，col_names = TRUE表示把第一行作为列名而不是数据。method = "spearman"指定使用 Spearman 相关。跑完矩阵后可以直观看到：x4、x6、x9 和评分的相关系数绝对值都很低，说明它们对打分的解释力很弱；x2 挥发性酸度与评分显著负相关，x10 硫酸盐、x11 酒精与评分正相关。此外，x1 非挥发性酸度与 x9 pH 值相关性很高，x11 酒精与 x8 密度有较强相关性，这说明原始变量之间本身就存在信息重叠，后面做回归时有必要做变量筛选或主成分压缩。

3. 核心建模拆解：多元回归与主成分回归的完整链路

3.1 先跑全变量回归，再筛选到三个核心变量

得到相关性矩阵后，第一步是把低相关变量剔掉，保留 x1、x2、x3、x5、x7、x8、x10、x11 做多元回归。这一步看起来很合理，但实际结果很典型：有部分参数的 p 值没有通过显著性检验。这说明“和评分相关”和“在回归方程里有贡献”是两回事，变量之间互相干扰。

# 第一次尝试：剔除低相关变量后做回归 lm.sol <- lm(quality ~ x1 + x2 + x3 + x5 + x7 + x8 + x10 + x11, data = df) summary(lm.sol) # 第二次尝试：只保留高相关变量 lm.sol2 <- lm(quality ~ x2 + x10 + x11, data = df) summary(lm.sol2)

第二次回归的参数全部通过检验，得到的方程是：

quality = -1.22130 * x2 + 0.67898 * x10 + 0.30920 * x11 + 2.61104

模型的 R 方为 0.6589，意思是这三个变量能解释评分约 65.89% 的变化。对一个受主观品鉴影响的数据集来说，这个值可以接受，但显然还有 34% 的波动来自没被建模的因素，比如品酒师个人偏好、年份差异。从系数方向看，x2 挥发性酸度每增加 1 个单位，评分平均下降 1.22 分；x10 硫酸盐和 x11 酒精每增加 1 个单位，评分分别上升 0.68 和 0.31 分。这也是“减少挥发酸、增加酒精能提高评分”结论的来源。

3.2 用回归方程预测新酒样：置信区间和预测区间

作业里留了一组数据没参与建模，专门用来验证回归方程的预测效果。这组数据的 x2=0.31，x10=0.66，x11=11，真实评分是 6。用拟合好的模型去预测，并同时输出置信区间和预测区间。

new <- data.frame(x2 = 0.31, x10 = 0.66, x11 = 11) # 置信区间：预测平均值的范围 lm.conf <- predict(lm.sol2, new, interval = "confidence") # 预测区间：单个新样本的取值范围 lm.pred <- predict(lm.sol2, new, interval = "prediction")

interval = "confidence"给出的是回归均值附近的置信带，interval = "prediction"给出的是单个新样本的取值范围。后者通常会比前者宽很多，因为它把残差波动也算进去了。预测结果和真实评分 6 比较接近，说明这个三元回归方程虽然 R 方不算高，但用于粗粒度预测是没问题的。实际使用中，我更推荐报告预测区间，因为它诚实地反映了模型的不确定性。

3.3 主成分回归：用五个主成分代替原始变量

多元回归的问题在于变量之间还有相关性，比如前面提到的酸度和 pH、酒精和密度。主成分回归的思路是把原始变量线性组合成互不相关的主成分，再拿主成分去做回归。作业里对 11 个变量做主成分分析，取前五个主成分保存下来。

wine <- read_excel("redwine.xlsx", sheet = 1, col_names = TRUE, range = "A1:K1559") wine.pr <- princomp(wine, cor = TRUE) summary(wine.pr, loadings = TRUE) pre <- predict(wine.pr) z1 <- pre[, 1] z2 <- pre[, 2] z3 <- pre[, 3] z4 <- pre[, 4] z5 <- pre[, 5] redd <- data.frame(quality = df$quality, z1, z2, z3, z4, z5) lm.solp <- lm(quality ~ z1 + z2 + z3 + z4 + z5, data = redd) summary(lm.solp)

princomp(cor = TRUE)表示在相关矩阵上做主成分，而不是协方差矩阵。这样做的原因是各变量量纲差异太大：二氧化硫的单位是毫克级，密度接近 1，酒精是百分比，如果不做标准化，主成分会被量纲大的变量主导。从输出结果看，前五个主成分基本覆盖了数据的主要信息。原报告里给出第一个主成分的近似表达式：

z1 = 0.49x1 - 0.239x2 + 0.466x3 + 0.149x4 + 0.211x5 + 0.394x8 - 0.437x9 + 0.246x10 - 0.10x11

这个表达式其实就是特征向量乘以对应变量，含义是：z1 综合了酸度、柠檬酸和 pH 的信息，代表葡萄酒的“酸度结构”维度。用 z1 到 z5 去回归评分，参数基本能通过显著性检验，拟合效果和之前直接回归 x1~x11 差不多，但模型结构更干净。

3.4 把主成分系数还原成 x1~x11 的原始系数

主成分回归的问题在于，最后得到的方程是quality ~ z1 + ... + z5，无法直接看到 x2、x10、x11 各自的系数。作业最后一步做了换算：通过相关矩阵的特征向量、主成分回归系数、原始变量的均值和标准差，把主成分系数还原成原始变量系数。

XX <- cor(wine) A <- eigen(XX)$vectors beta <- coef(lm.solp) # 原始变量的均值与标准差，从数据中计算得到 X.bar <- c(8.3623, 0.5273, 0.2719, 2.5371, 0.0878, 15.7054, 46.4037, 0.9968, 3.309, 0.6583, 10.4114) X.sd <- c(1.7415, 0.1791, 0.1947, 1.4103, 0.0471, 10.4627, 32.9041, 0.00189, 0.154, 0.1695, 1.0657) coef <- (beta[2] * A[, 1] + beta[3] * A[, 2] + beta[4] * A[, 3] + beta[5] * A[, 4]) / X.sd beta0 <- beta[1] - sum(X.bar * coef) c(beta0, coef)

这里要特别注意：原作业代码的coef只把系数乘到了A[,4]，也就是漏掉了第五个主成分的贡献。严格来说，主成分回归还原时应该把所有用到的主成分都加进去，也就是beta[2] * A[,1] + ... + beta[6] * A[,5]。这个细节我会放到避坑章节专门展开，因为很多人照着跑会发现还原后的系数符号和直觉不符，多半就是这个原因。

4. KNN 分类实战：用距离投票给新红酒打分

4.1 KNN 三要素与特征选择

KNN 做分类的核心是三要素：k 值、距离度量、分类决策规则。作业里选择 x2 挥发性酸度、x5 氯化物、x7 总二氧化硫、x10 硫酸盐、x11 酒精五个属性作为距离度量的维度，也就是把每个红酒样本映射成一个五维空间里的点。对新数据计算它与所有已知样本的欧氏距离，取距离最近的 k 个点，用这 k 个点中出现次数最多的评分作为预测结果。

这里没有直接调用 sklearn，而是手写了一个简化版 KNN。手写代码的教学价值在于能看清距离计算和投票机制，而且方便调整距离函数。常见的距离度量包括欧氏距离、曼哈顿距离、余弦距离，作业里用的是欧氏距离。

4.2 手写 KNN 的 Python 实现

原作业的 Python 代码用 openpyxl 读取 xlsx，然后自己实现距离计算和投票。我整理后的版本保留了原始思路，只是把函数拆得更清晰，并允许通过参数控制 k 值。

import openpyxl def read_excel(input_file_name): """从 xlsx 读取数据，返回每个样本的特征和评分""" objects = [] workbook = openpyxl.load_workbook(input_file_name) table = workbook['Sheet1'] rows = table.max_row cols = table.max_column for row in range(1, rows): obj = [] for col in range(cols): # 选取 x2, x5, x7, x10, x11 这五个特征 if col in (1, 4, 6, 9, 10): data = table.cell(row + 1, col + 1).value obj.append(data) obj.append(table.cell(row + 1, 12).value) # quality 评分 objects.append(obj) return objects def knndis(nowa, objects): """计算新样本与所有已知样本的欧氏距离""" distances = [] for item in objects: distance = sum((item[j] - nowa[j]) ** 2 for j in range(5)) ** 0.5 distances.append(distance) return distances def classify(distances, objects, k=20): """取距离最近的 k 个样本，按评分多数表决""" d = {} tmp = distances[:] for _ in range(k): idx = tmp.index(min(tmp)) label = objects[idx][5] d[label] = d.get(label, 0) + 1 tmp[idx] = float('inf') # 已访问的样本距离置为无穷大 return max(d, key=d.get)

read_excel里的range(1, rows)是从第 2 行开始读取，因为第一行是列名；if col in (1, 4, 6, 9, 10)是 openpyxl 的 0 基索引，分别对应 Excel 里的第 2、5、7、10、11 列。classify函数里把已选中的最近邻距离改成无穷大，相当于“排除已选”，这种写法直观但效率不高；样本量到万级时，建议用heapq.nsmallest替代。

4.3 测试效果分析：准确率不高是数据本身的问题

作业里对这个 KNN 的测试结论很直白：算法准确度不高。原因有三个。第一，评分 5 和 6 占了数据的大部分，即使随机猜，猜中 5 或 6 的概率也不低，但想精确猜出 4、7、8 这类少数评分很难。第二，选出的五个属性与评分的相关性并不都很高，比如 x5 氯化物的 Spearman 相关系数并不突出，距离计算时贡献了大量噪声。第三，未做标准化处理，x7 总二氧化硫的取值范围是 6~289，x11 酒精才 8~15，在欧氏距离里二氧化硫会主导距离，相当于无形中给这个变量加了更高的权重。

不过有一个细节值得注意：如果只看距离测试点最近的那一个点，准确度反而还可以。这说明红酒评分存在一定的局部相似性，只是用多数投票后，误差被中间分数稀释了。改进方向也很清楚：对特征做 z-score 标准化，或者用加权距离，提高相关性强变量的权重。

5. 避坑排查：做数据分析大作业最容易翻车的五个地方

5.1 读 Excel 时把表头当成了数据

现象：R 读入数据后，cor函数报错，提示变量不是 numeric；或者相关性矩阵里出现一列都是字符串的“变量”。

原因：read_excel在col_names = TRUE时会把第一行作为列名，但如果数据文件里第一行本身就是数据，或者表头有合并单元格，就会把列名读成样本，导致后续计算失败。

解决：先读一行看head(df)，再检查str(df)。如果发现第一行被当成数据，重新用col_names = FALSE读取，并手动指定列名。这个坑在做任何真实数据集时几乎都会遇到一次。

5.2 相关性矩阵出现 NA 或直接报错

现象：cor(df, method = "spearman")返回的矩阵里有很多 NA，或者直接报'x' must be numeric。

原因：数据里混入了文本列，比如红酒产地、编号，或者某些单元格是空值。Spearman 相关对秩计算比较敏感，缺失值会导致结果变成 NA。

解决：先df <- df[, sapply(df, is.numeric)]只保留数值列，再用na.omit(df)去掉缺失行。如果不想丢数据，可以用cor(df, method = "spearman", use = "complete.obs")让 R 自动按行剔除缺失值。

5.3 回归系数不显著还硬解释

现象：summary(lm.sol)里某个变量的Pr(>|t|)大于 0.05，但还是把它留在模型里，并且解释成“有一定影响”。

原因：变量与评分本身相关，但放进回归方程后它的解释方差被其他变量吸收了；或者变量之间存在共线性，导致回归系数不稳定。

解决：先做相关性分析，筛掉与目标变量相关系数过低的变量，再逐步回归。作业里从 8 个变量缩到 3 个，所有参数才通过检验。硬保留不显著变量会导致模型解释力虚高，换一组数据马上就翻车。

5.4 预测区间宽到怀疑人生

现象：用predict(..., interval = "prediction")得到的新样本预测区间是 3 到 9，几乎覆盖了整个评分范围。

原因：模型 R 方只有 0.6589，残差标准差大；预测区间本身就把残差波动加进去了，所以会比置信区间宽很多。

解决：如果目的是说明模型能判断“好酒还是差酒”，报告置信区间就够了，它反映的是均值估计的精确度。如果想报告单个新样本的预测区间，就需要接受这个模型只能做粗粒度排序，不能精确打分。

5.5 主成分回归还原系数时漏掉一个主成分

现象：主成分回归的参数都显著，但还原成原始变量系数后，x2 挥发性酸度的系数竟然变成了正数，和单变量回归的方向相反。

原因：原作业在还原公式里只用了前四个主成分的特征向量，漏掉了beta[6] * A[,5]这一项。A[,5]代表第五主成分在原始变量上的载荷，丢掉后会让系数失真。

解决：把还原公式改成完整加权和：

coef <- (beta[2] * A[, 1] + beta[3] * A[, 2] + beta[4] * A[, 3] + beta[5] * A[, 4] + beta[6] * A[, 5]) / X.sd

写完这个坑之后，我养成了一个习惯：凡是公式转换，一定要把维度对齐检查一遍，主成分个数要和回归系数个数严格对应。

6. 二次开发：把一次性分析改造成可复用的红酒评分工具

如果要把这份作业改造成能反复使用的工具，核心不是把代码写得更花哨，而是把“读取、特征筛选、建模、预测”四个环节拆成独立函数，并把硬编码的列索引替换成列名。

def load_and_prepare(file_path): df = pd.read_excel(file_path) features = ["volatile_acidity", "sulphates", "alcohol"] X = df[features].values y = df["quality"].values return X, y

这是最小改造，把数据集结构变化和建模逻辑解耦。第一步先验证：用留出法把数据按 7:3 切分，在训练集上重新拟合三元回归，在测试集上计算均方误差和 R 方。这样能真实评估这套方法在新样本上的表现，而不是只靠一组手挑数据验证。

第二步是加上标准化。原作业在 KNN 里没做标准化，导致总二氧化硫主导距离；如果改成 sklearn 的StandardScaler，距离度量会更均衡。回归部分也可以对比一下“标准化后的系数”和“原始系数”，确认方向是否一致。

第三步是把模型持久化。joblib.dump(lm_sol2, "wine_model.pkl")保存训练好的方程，下次遇到新红酒数据，直接调用predict算出预测评分区间，不用再重跑一遍相关性分析。

从那以后我每次跑统计项目，都会强制自己走一遍“先看分布、再筛变量、再建模、最后验证”的流程，而且验证一定用留出法而不是全部数据。希望帮到你。

本文还有配套的精品资源，点击获取