數(shù)據(jù)探索性分析（EDA）
數(shù)據(jù)庫載入
#coding:utf-8
#導(dǎo)入warnings包，利用過濾器來實(shí)現(xiàn)忽略警告語句。
import warnings
warnings.filterwarnings('ignore')
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as msno
數(shù)據(jù)載入
## 1) 載入訓(xùn)練集和測(cè)試集； path = './' Train_data = pd.read_csv(path+'car_train_0110.csv', sep=' ') Test_data = pd.read_csv(path+'car_testA_0110.csv', sep=' ')
確定path，如果是在notebook環(huán)境，我通常使用 ！dir查看當(dāng)前目錄
特征說明
新技能：使用.append（）同時(shí)觀察前5行與后5行
## 2) 簡(jiǎn)略觀察數(shù)據(jù)(head()+shape) Train_data.head().append(Train_data.tail())
觀察數(shù)據(jù)維度
Train_data.shape，Test_data.shape
總覽概況: .describe（）查看統(tǒng)計(jì)量，.info（）查看數(shù)據(jù)類型
Train_data.shape，Test_data.shape
也可直接查看nan，有以下兩種方式 ↓ ：
Train_data.isnull().sum()
可視化na更直觀
# find na tmp = df_train.isnull().any() tmp[tmp.values==True]
新技能： msno庫(缺失值可視化)的使用
Train_data.isnull().sum().plot( kind= 'bar')
可視化看下缺省值
msno.matrix(Train_data.sample(250))
其中，Train_data.sample(250)表示隨機(jī)抽樣250行，白色條紋表示缺失
直接顯示未缺失的樣本數(shù)量/每特征
msno.bar(Train_data.sample(250),labels= True)
使用msno中的 .heatmap()查看缺失值之間的相關(guān)性
msno.heatmap(Train_data.sample(250))
通過Train_data.info()了解數(shù)據(jù)類型
Train_data.info()
特征分為類別特征和數(shù)字特征
查看分布的意義在于：
a. 及時(shí)將非正態(tài)分布數(shù)據(jù)變化為正態(tài)分布數(shù)據(jù)
b. 異常檢測(cè)
Train_data['price']
發(fā)現(xiàn)都是int
統(tǒng)計(jì)分布 ↓
Train_data['price'].value_counts()
## 1) 總體分布概況（無界約翰遜分布等）
import scipy.stats as st
y = Train_data['price']
plt.figure(1); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)
結(jié)論：price不服從正態(tài)分布，因此在進(jìn)行回歸之前，它必須進(jìn)行轉(zhuǎn)換。無界約翰遜分布擬合效果較好。
偏度（skewness），統(tǒng)計(jì)數(shù)據(jù)分布偏斜方向和程度，是統(tǒng)計(jì)數(shù)據(jù)分布非對(duì)稱程度的數(shù)字特征。定義上偏度是樣本的三階標(biāo)準(zhǔn)化矩。
峰度（peakedness；kurtosis）又稱峰態(tài)系數(shù)。表征概率密度分布曲線在平均值處峰值高低的特征數(shù)。直觀看來，峰度反映了峰部的尖度。
## 2) 查看skewness and kurtosis
sns.distplot(Train_data['price']);
print("Skewness: %f" % Train_data['price'].skew())
print("Kurtosis: %f" % Train_data['price'].kurt())
批量計(jì)算skew
Train_data.skew()
查看skew的分布情況
批量計(jì)算kurt
Train_data.kurt()
查看kurt的分布情況
查看目標(biāo)變量的分布
## 3) 查看預(yù)測(cè)值的具體頻數(shù) plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red') plt.show()
結(jié)論：大于20000得值極少，其實(shí)這里也可以把這些當(dāng)作特殊得值（異常值）直接用填充或者刪掉
由于np.log(0)==-inf，無法繪圖，因此改用log(1+x)繪制分布bar，和教程里有出入，教程里用log繪圖如下：（我畫不出來，因?yàn)?inf會(huì)報(bào)錯(cuò)）
# log變換之后的分布較均勻，可以進(jìn)行l(wèi)og變換進(jìn)行預(yù)測(cè)，這也是預(yù)測(cè)問題常用的trick plt.hist(np.log(1+Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') plt.show()
分離label即預(yù)測(cè)值
Y_train = Train_data['price']
#這個(gè)區(qū)別方式適用于沒有直接label coding的數(shù)據(jù)
#這里不適用，需要人為根據(jù)實(shí)際含義來區(qū)分
#數(shù)字特征
numeric_features = Train_data.select_dtypes(include=[np.number])
numeric_features.columns
#類型特征
categorical_features = Train_data.select_dtypes(include=[np.object])
categorical_features.columns
numeric_features = ['power', 'kilometer', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13','v_14' ] categorical_features = ['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode',]
# 特征nunique分布
for cat_fea in categorical_features:
print(cat_fea + "的特征分布如下：")
print("{}特征有個(gè){}不同的值".format(cat_fea, Train_data[cat_fea].nunique()))
print(Train_data[cat_fea].value_counts())
每個(gè)特征情況都會(huì)逐個(gè)如下所示：
test data顯示同理
numeric_features.append('price')
numeric_features
price_numeric = Train_data[numeric_features] correlation = price_numeric.corr() correlation
只截了一部分
查看相關(guān)性（強(qiáng)->弱）
print(correlation['price'].sort_values(ascending = False),'\n')
可視化correction
f , ax = plt.subplots(figsize = (7, 7))
plt.title('Correlation of Numeric Features with Price',y=1,size=16)
sns.heatmap(correlation,square = True, vmax=0.8)
price完成歷史使命，刪掉
del price_numeric['price']
## 2) 查看幾個(gè)特征得 偏度和峰值
for col in numeric_features:
print('{:15}'.format(col),
'Skewness: {:05.2f}'.format(Train_data[col].skew()) ,
' ' ,
'Kurtosis: {:06.2f}'.format(Train_data[col].kurt())
)
## 3) 每個(gè)數(shù)字特征得分布可視化 f = pd.melt(Train_data, value_vars=numeric_features) g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False) g = g.map(sns.distplot, "value")
只截了部分：
結(jié)論：匿名特征（v_*）相對(duì)分布均勻
## 4) 數(shù)字特征相互之間的關(guān)系可視化 sns.set() columns = ['price', 'v_12', 'v_8' , 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14'] sns.pairplot(Train_data[columns],size = 2 ,kind ='scatter',diag_kind='kde') plt.show()
## 5) 多變量互相回歸關(guān)系可視化 fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20)) # ['v_12', 'v_8' , 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14'] v_12_scatter_plot = pd.concat([Y_train,Train_data['v_12']],axis = 1) sns.regplot(x='v_12',y = 'price', data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1) v_8_scatter_plot = pd.concat([Y_train,Train_data['v_8']],axis = 1) sns.regplot(x='v_8',y = 'price',data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2) v_0_scatter_plot = pd.concat([Y_train,Train_data['v_0']],axis = 1) sns.regplot(x='v_0',y = 'price',data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3) power_scatter_plot = pd.concat([Y_train,Train_data['power']],axis = 1) sns.regplot(x='power',y = 'price',data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4) v_5_scatter_plot = pd.concat([Y_train,Train_data['v_5']],axis = 1) sns.regplot(x='v_5',y = 'price',data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5) v_2_scatter_plot = pd.concat([Y_train,Train_data['v_2']],axis = 1) sns.regplot(x='v_2',y = 'price',data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6) v_6_scatter_plot = pd.concat([Y_train,Train_data['v_6']],axis = 1) sns.regplot(x='v_6',y = 'price',data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7) v_1_scatter_plot = pd.concat([Y_train,Train_data['v_1']],axis = 1) sns.regplot(x='v_1',y = 'price',data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8) v_14_scatter_plot = pd.concat([Y_train,Train_data['v_14']],axis = 1) sns.regplot(x='v_14',y = 'price',data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9) v_13_scatter_plot = pd.concat([Y_train,Train_data['v_13']],axis = 1) sns.regplot(x='v_13',y = 'price',data = v_13_scatter_plot,scatter= True, fit_reg=True, ax=ax10)
對(duì)類別特征查看unique分布
.value_counts()
## 1) unique分布
for fea in categorical_features:
print(Train_data[fea].nunique())
categorical_features
## 2) 類別特征箱形圖可視化
# 因?yàn)?name和 regionCode的類別太稀疏了，這里我們把不稀疏的幾類畫一下
categorical_features = ['model',
'brand',
'bodyType',
'fuelType',
'gearbox',
'notRepairedDamage']
for c in categorical_features:
Train_data[c] = Train_data[c].astype('category')
if Train_data[c].isnull().any():
Train_data[c] = Train_data[c].cat.add_categories(['MISSING'])
Train_data[c] = Train_data[c].fillna('MISSING')
def boxplot(x, y, **kwargs):
sns.boxplot(x=x, y=y)
x=plt.xticks(rotation=90)
f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(boxplot, "value", "price")
Train_data.columns
## 3) 類別特征的小提琴圖可視化
catg_list = categorical_features
target = 'price'
for catg in catg_list :
sns.violinplot(x=catg, y=target, data=Train_data)
plt.show()
categorical_features = ['model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage']
1.2.2.3 柱形圖可視化類別
## 4) 類別特征的柱形圖可視化
def bar_plot(x, y, **kwargs):
sns.barplot(x=x, y=y)
x=plt.xticks(rotation=90)
f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(bar_plot, "value", "price")
1.2.2.4 特征的每個(gè)類別頻數(shù)可視化(count_plot)
## 5) 類別特征的每個(gè)類別頻數(shù)可視化(count_plot)
def count_plot(x, **kwargs):
sns.countplot(x=x)
x=plt.xticks(rotation=90)
f = pd.melt(Train_data, value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(count_plot, "value")
import pandas_profiling
pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file("./example.html")
本次筆記雖然針對(duì)樣本量較少的情況，但仍有一些可貴的思路：
a. 通過檢查nan缺失情況，確定需要進(jìn)一步處理的特征：
填充（填充方式是什么，均值填充，0填充，眾數(shù)填充等）；
舍去；
先做樣本分類用不同的特征模型去預(yù)測(cè)。
b. 通過分布，進(jìn)行異常檢測(cè)
分析特征異常的label是否異常（或者偏離均值較遠(yuǎn)或者事特殊符號(hào)）；
異常值是否應(yīng)該剔除，還是用正常值填充，等。
c. 通過對(duì)laebl作圖，分析標(biāo)簽的分布情況
d. 通過對(duì)特征作圖，特征和label聯(lián)合做圖（統(tǒng)計(jì)圖，離散圖），直觀了解特征的分布情況，通過這一步也可以發(fā)現(xiàn)數(shù)據(jù)之中的一些異常值等，通過箱型圖分析一些特征值的偏離情況，對(duì)于特征和特征聯(lián)合作圖，對(duì)于特征和label聯(lián)合作圖，分析其中的一些關(guān)聯(lián)性
到此這篇關(guān)于Datawhale練習(xí)的文章就介紹到這了,更多相關(guān)python預(yù)測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持腳本之家！
標(biāo)簽：陽泉 金華 日照 貴州 克拉瑪依 臨汾 赤峰 雙鴨山
巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《Datawhale練習(xí)之二手車價(jià)格預(yù)測(cè)》，本文關(guān)鍵詞 Datawhale,練,習(xí)之,二手車,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。
