在上述函数中有个属性是alpha，改变该值，可以提高显示图像的疏密程度，这对于我们的数据探索有帮助，因此:
可以看出，沿海的房屋数据更多，内陆的房屋数据较少些，沿海地区中也存在集中现象。
在此基础上，我们将房价信息添加到上图中。
使用jet的一个预定义的颜色表表示房屋价值，每个园的半径显示出该地区人口数量：
从这张图，信息量就大多了。首先，我们可以观察到，越靠近沿海地区(再解释一下，该数据是加利福尼亚州的房屋价格数据，因此根据美国地理位置，沿海地区一目了然)房屋价格更高，同时人口的分布大致呈两条弧线，沿海地区与内陆地区的人口分布在总体上大致保持一致。
因为数据的量不大，我们可以让计算机对数据的相关性进行一个计算。
使用corr()函数，计算各属性与房价中位数的关系。
相关性的值，越靠近1说明正相关性越强，越靠近-1说明负相关性越强，越靠近0说明两者之间没有相关性。注意，这里corr()计算的是一种线性相关关系，不是非线性相关关系。
从上图，房价中位数与收入中位数有很强的相关性。
使用Pandas中的scatter_matrix()函数可以绘制各属性之间的相关性，如果不加限制条件，函数将把所有属性与其他属性的相关关系全部计算。我们的数据中存在11个属性，因此如果不加限制条件，会绘制11*11=121个图形。选取与房价中位数直觉上最相关的属性计算，这里选取“median_income”、“total_rooms”、“housing_median_age”三个属性计算相关性:
这张图的对角线需要说明一下，因为相同的属性的相关性肯定是1，因此显示直方图。
我们重点关注一下“income_value”与“house_median_value”的关系:
从图中可以看出，在50万有一条横线，在35万、45万处好像也存在直线，我们在继续的数据处理中应该对这些点进行去除，防止系统重现这些怪异数据。
除了上述针对原属性的介绍，我们其实也可以针对属性进行组合，形成新属性。
我们从之前给出的属性，我们可以进行分析，这里再给出我们的属性:
在属性中，我们能观察到“total_bedrooms”、“total_rooms”、“population”、“households”可能存在一定联系，那么是否可以对这几个属性进行一个数据融合形成一个新属性呢？当然可以，并且有助于深刻探索数据。书中针对该方面新创新了3个属性:
上述属性含义分别是:平均每房屋的房间数、平均房间中的卧室数、平均人口持有房屋数
我们可以通过计算相关性，看看新属性对“house_median_value”的关系: