kaggle实战：6大回归模型预测航班票价

大家好，我是老班~

今天给大家带来一篇kaggle案例文章：基于6大回归模型预测航空公司机票的价格。

这篇文章涉及到的知识点会比较多，关键是数据预处理和特征工程部分：

导入库

数据基本信息

先把数据导进来：

df = pd.read_excel('data_air.xlsx')df.head()

查看数据的基本信息，包含：数据形状、字段类型等

# 字段类型df.dtypesAirline            objectDate_of_Journey    objectSource             objectDestination        objectRoute              objectDep_Time           objectArrival_Time       objectDuration           objectTotal_Stops        objectAdditional_Info    objectPrice               int64dtype: object  # 全部字段columns = df.columns.tolist()columns['Airline', 'Date_of_Journey', 'Source', 'Destination', 'Route', 'Dep_Time', 'Arrival_Time', 'Duration', 'Total_Stops', 'Additional_Info', 'Price']

具体字段的中文含义：

• Airline：不同类型的航空公司
• Date_of_Journey：旅客的旅行开始日期
• Source：旅客出发地
• Destination：旅客目的地
• Route：航班路线
• Dep_Time：出发时间
• Arrival_Time：抵达时间
• Duration：持续时间；指的是航班完成从出发到目的地的旅程的整个时间
• Total_Stops：总共停留地
• Additional_Info：其他信息，比如：食物、设备信息等
• Price：整个旅程的航班票价

希望可以理解中文含义，帮助进行数据分析~

数值型字段的描述统计信息，这里主要是针对Price字段：

缺失值处理

通过上面的缺失值检查，我们看到有两个字段是存在缺失值的，进行可视化。

missingno是一个可视化缺失值得库，方便使用，我们可以用pip install missingno 即可下载该库

import missingno as msomso.bar(df,color='blue')plt.show()

缺失值删除

正常的字段是10683条，其中两个字段是10682条；缺失值得占比很小，考虑直接删除的数据

时间相关字段处理

时间处理

1. 通过pd.to_datetime()直接将字符型的数据转成时间类型的数据
2. 通过dt.day或者df.month 直接获取天或者月的信息

# 将字段类型转成时间相关类型def change_to_datetime(col):    df[col] = pd.to_datetime(df[col])

对3个字段实施转换：

# 3个字段的转换for col in ['Date_of_Journey','Dep_Time', 'Arrival_Time']: change_to_datetime(col)

查看转换之后的字段类型：

df.dtypes

Airline objectDate_of_Journey datetime64[ns]Source objectDestination objectRoute objectDep_Time datetime64[ns]Arrival_Time datetime64[ns]Duration objectTotal_Stops objectAdditional_Info objectPrice int64dtype: object

提取天和月

乘客旅程日期中（Date_of_Journey）单独提取天和月，作为两个字段

df['day'] = df['Date_of_Journey'].dt.daydf['month'] = df['Date_of_Journey'].dt.monthdf.head()

最终生成了两个新的字段：

# 删除字段df.drop('Date_of_Journey', axis=1, inplace=True)

起飞时间和抵达时间处理

主要提取两个时间中的“小时”和“分钟”信息；同时删除原字段：

分别调用函数来提取信息：

extract_hour(df,'Dep_Time')extract_minute(df,'Dep_Time')drop_col(df,'Dep_Time')  # 删除原字段

extract_hour(df,'Arrival_Time')extract_minute(df,'Arrival_Time')drop_col(df,'Arrival_Time')

df.head()

航班持续时间duration

1、将持续时间规范化处理，统一变成0h 1m

# # 原文方法# duration=list(df['Duration'])# for i in range(len(duration)):# if len(duration[i].split(' '))==2:# pass# else:# if 'h' in duration[i]: # duration[i]=duration[i] + ' 0m' # else:# duration[i]='0h '+ duration[i]

下面是个人版本写法：

2、从Duration字段中提取小时和分钟：

df.drop('Duration',inplace=True,axis=1)

3、字段类型转化：查看dur_hour和dur_minute的字段类型变化

字段编码

字段类型区分

主要是区分object和非object类型的字段信息。

1、针对字符型的字段

column = [column for column in df.columns if df[column].dtype == 'object']column

['Airline', 'Source', 'Destination', 'Route', 'Total_Stops', 'Additional_Info']

2、数值型（连续型）字段

continuous_col = [column for column in df.columns if df[column].dtype != 'object']continuous_col

['Price', 'day', 'month', 'Dep_Time_hour', 'Dep_Time_minute', 'Arrival_Time_hour', 'Arrival_Time_minute', 'dur_hour', 'dur_minute']

2种编码技术

Nominal data -- Data that are not in any order -->one hot encodingordinal data -- Data are in order --> labelEncoder

• 标称数据：没有任何顺序，使用独热编码oneot encoding
• 有序数据：存在一定的顺序，使用类型编码labelEncoder

生成标称型字段组成的数据

不同字段编码处理

航空公司-Airline

1、不同航空公司的数量统计：

2、查看航空公司与价格关系

plt.figure(figsize=(15,8))sns.boxplot(x='Airline',            y='Price',            data=df.sort_values('Price',ascending=False)           )plt.show()

3、2个明显的结论

从上面的图形中可以看出来：

• Jet Airways Business公司的机票价格是最高的
• 其他公司的价格中位数是比较接近的

4、实现独热编码

由于航空公司属性是一个标称数据的字段，我们进行独热编码，通过哑变量的方式来实现：

停留地-Total_Stops

旅行期间的总共停留地，实施上面的同样操作：

1、和价格的关系

plt.figure(figsize=(15,8))sns.boxplot(x='Total_Stops', y='Price', data=df.sort_values('Price',ascending=False))plt.show()

2、实施硬编码；区别于航空公司的独热编码

出发地source

出发地和价格的关系：

plt.figure(figsize=(18,12))sns.catplot(x='Source',            y='Price',            data=df.sort_values('Price',ascending=False),kind='boxen')plt.show()

独热编码的过程：

目的地-destination

目的地的数量统计：

目的地和价格的关系：

独热编码的实现：

路线Route

1、不同路线的数量统计：

2、路线名称提取

从上面的结果中看出来，最长的路线中有5个地名，我们一次提取。

没有出现的数据则用NaN来表示：

categorical['Route1']=categorical['Route'].str.split('→').str[0]categorical['Route2']=categorical['Route'].str.split('→').str[1]categorical['Route3']=categorical['Route'].str.split('→').str[2]categorical['Route4']=categorical['Route'].str.split('→').str[3]categorical['Route5']=categorical['Route'].str.split('→').str[4]categorical.head()

3、缺失值字段

for i in ['Route3', 'Route4', 'Route5']:    categorical[i].fillna('None',inplace=True)

4、类型编码LabelEncoder

from sklearn.preprocessing import LabelEncoderle = LabelEncoder()for i in ['Route1', 'Route2', 'Route3', 'Route4', 'Route5']: categorical[i]=le.fit_transform(categorical[i]) categorical.head()

抵达时间/小时-Arrival_Time_hour

抵达目的地时间和价格的关系：

df.plot.hexbin(x='Arrival_Time_hour',               y='Price',               gridsize=15)plt.show()

建模数据

删除无效字段

生成的全部字段信息：

categorical.columnsIndex(['Airline', 'Source', 'Destination', 'Total_Stops', 'Additional_Info', 'Route1', 'Route2', 'Route3', 'Route4', 'Route5'], dtype='object')

将原始的无效字段直接删除：

drop_col(categorical,'Airline')drop_col(categorical,'Source')drop_col(categorical,'Destination')drop_col(categorical,'Additional_Info')

最终数据

将多个DataFrame进行拼接，组成最终的建模，其中Price进行最终的输出特征

final_df=pd.concat([categorical,Airline,source,destination,df[continuous_col]],axis=1)final_df.head()

离群点检测

对上面生成的最终数据进行离群点检测：

对离群点填充均值，查看填充后的效果：

final_df['Price']=np.where(final_df['Price']>=40000,  # 替换部分                           final_df['Price'].median(), # 替换数据                           final_df['Price']) # 替换字段plot(final_df, 'Price')

数据切分

X=final_df.drop('Price',axis=1)y=final_df['Price']from sklearn.model_selection import train_test_splitX_train,X_test,y_train,y_test = train_test_split(X,y, test_size=0.20, random_state=123)

特征选择

本文中特征选择使用的是 mutual_info_classif 库：

from sklearn.feature_selection import mutual_info_classifimp = pd.DataFrame(mutual_info_classif(X,y),                  index=X.columns)imp.columns=['importance']imp.sort_values(by='importance',ascending=False)

评价指标

本次建模中引入3个评价指标：

• r2_score（重点关注）
• mean_absolute_error
• mean_squared_error

from sklearn.metrics import r2_score,mean_absolute_error,mean_squared_errordef predict(ml_model): print('Model is: ', ml_model) model = ml_model.fit(X_train, y_train) print('Training score: ', model.score(X_train,y_train)) predictions = model.predict(X_test) print('Predictions: ', predictions) print('-----------------') r2score = r2_score(y_test, predictions) print('r2 score is: ', r2score) print('MAE:{}', mean_absolute_error(y_test,predictions)) print('MSE:{}', mean_squared_error(y_test,predictions)) print('RMSE:{}', np.sqrt(mean_squared_error(y_test,predictions))) # 真实值和预测值的差值 sns.distplot(y_test - predictions)

建模

导入多种模型：

# 逻辑回归from sklearn.linear_model import LogisticRegression   # k近邻回归from sklearn.neighbors import KNeighborsRegressor  # 决策树回归from sklearn.tree import DecisionTreeRegressor  # 梯度提升回归，随机森林回归from sklearn.ensemble import GradientBoostingRegressor,RandomForestRegressor  

随机森林回归树-RandomForestRegressor

逻辑回归-LogisticRegression

K近邻回归-KNeighborsRegressor

决策树回归DecisionTreeRegressor

支持向量机回归-SVR

梯度提升回归-GradientBoostingRegressor

模型调优-Hypertunning the model

调优寻参

# 采用随机搜索调优from sklearn.model_selection import RandomizedSearchCV

# 待调优的参数random_grid = {    'n_estimators' : [100, 120, 150, 180, 200,220],    'max_features':['auto','sqrt'],    'max_depth':[5,10,15,20],    }

# 建模拟合rf=RandomForestRegressor()rf_random=RandomizedSearchCV( estimator=rf, param_distributions=random_grid, cv=3, verbose=2, n_jobs=-1)rf_random.fit(X_train,y_train)

多次运行调优后找到最佳的参数组合：

调优后结果

通过r2_score指标发现：进行参数调优后，模型的效果得到提升~

补充：如何理解回归模型的r2_score指标

假设我们用表示数据真实的观测值，用表示真实观测值的平均值，用表示通过模型得到的预测值，则：

回归平方和：SSR

SSR可以表示为；

即估计值与平均值的误差，反映自变量与因变量之间的相关程度的偏差平方和

残差平方和：SSE

SSE可以表示为：

即估计值与真实值的误差，反映的是整个模型拟合程度

总离差平方和：SST

R2_score计算公式

R^2 score，即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例。计算公式：

也可以写成：

进一步可以转成：

此时分子就变成了我们常用的评价指标均方误差MSE，分母就变成了方差Var。r2_score在0-1之间，越接近1越好。

两种常见的求解r2的方式：

# 1、利用python间接求解from sklearn.metrics import mean_squared_error1 - mean_squared_error(y_test, y_pred)/ np.var(y_test)# 2、sklearn直接求解from sklearn.metrics import r2_scorey_test = [1, 2, 3]y_pred = [1.3, 2.1, 3.5]r2_score(y_test,y_pred)  

原文链接：

https://mp.weixin.qq.com/s/OVEtwlEjVIQS2TgAPE_Rkw