数据挖掘流程1. 了解需求,确认目标说一下几点思考方法: - 做什么?目的是什么?目标是什么?
- 为什么要做?有什么价值和意义?
- 如何去做?完整解决方案是什么?
2. 获取数据- pandas读取数据pd.read.csv(),pd.read_excel()
- open读取数据
with open('ONE.TXT',mode='r+',encoding='utf-8') as f: data = f.read()
3. 审阅数据包括但不限于:数据大小、维度、类型、含义、排序、索引等 1. data.info()2. data.head()3. data.loc[]4. data.shape5. data.dtype6. data.sort_values(by=['A'],ascending=False)7. data.reset_index(drop=True,inplace=True)8. data['F'].values9. data['F'].value_counts()
4. 数据分析统计分析、相关性分析、图形分析(散点图、直方图、计数图、柱状图、热力图)等 4.1 统计分析- 数字统计分析:data.describe()
- 非数字变量分析:data.describe(include='O')
4.2 相关性分析data.corr() #method = 'pearson', 'spearman', 'kendall'
4.3 图形分析1. 散点图seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None)
2. 热力图mask = np.zeros_like(data.corr())mask[np.tril_indices_from(mask)]=Trueseaborn.heatmap(data.corr(),mask=mask,annot=True,fmt='.2f')
3. 直方图seaborn.distplot(x=data['A'])
4. 统计图seaborn.countplot(X='G',data=data)
5. 柱状图x是名称,y是数量 plt.bar(x,y)
6. 饼图plt.pie(data['A'])
7. 综合绘图绘制成一张图 import seabornimport matplotlib.pyplot as pltplt.style.use('seaborn-whitegrid')fig = plt.figure(figsize=(20,10))fig.subplots_adjust(wspace=0.5,hspace=0.5)for i,column in enumerate (data.columns): ax = fig.add_subplot(3,5,i+1) ax.set_title(column) if data.dtypes[column] == np.object: g = seaborn.countplot(y=column,data=data) plt.xticks(rotation=25) else: g = seaborn.distplot(data[column]) plt.xticks(rotation=25)
更多绘图请看Seaborn常见绘图总结 5. 数据处理5.1. 数据类型处理data.replace('XXX',np.NaN,inplace=True)data.loc[data['G']=='F','G'] = 'K'
5.2. 缺失值分析使用pandas模块 data.isnull().any() #查看那些列存在缺失data.isnull().sum() #统计缺失值数量data[data.isnull().values==True] #筛选出所有的缺失值data.isnull().sum()/data.shape[0] #计算缺失值比例(data.isnull().sum()/data.shape[0]).plot.bar() #缺失值比例柱状图
使用missingno #安装pip install missingnomissingno.matrix(df1, labels=True) # 无效数据密度显示missingno.bar(df1) # 条形图显示missingno.heatmap(df1) # 热图相关性显示
5.3. 缺失值处理使用pandas模块 - 删除缺失值
data.dropna(axis=0,subset=['A'])
- 填充缺失值
data['A'].fillna(data['A'].mean())# mean、median、mode().iloc[0]
使用 sklearn.impute.SimpleImputer模块 simple = SimpleImputer(missing_values=nan, strategy=’mean’, fill_value=None)# strategy = mean、median、most_frequent、constantsimple.fit_transform(data)
5.4. 异常值检测- 3σ原理:数据服从正态分布,采用3σ原则
seaborn.kdeplot(data['A']) #绘制核密度图查看数据分布def xigema(X): lower = X.mean() - 3 * X.std() upper = X.mean() + 3 * X.std() X = (X < lower) | (X > upper) return X#查看那些列存在缺失data[xigema(data)==True].any()#查看所有缺失的数据data[data[xigema(data)==True].any(1)]
- 四分位原理:数据不服从正太分布,采用箱线图检验
seaborn.boxplot(data['A']) #绘制箱线图查看数据分布def box(X,IQR): lower = X.quantile(0.25) - IQR * (X.quantile(0.75) - X.quantile(0.25)) upper = X.quantile(0.75) + IQR * (X.quantile(0.75) - X.quantile(0.25)) X = (X < lower) | (X > upper) return X#查看那些列存在缺失data[box(data,1.5)==True].any()#查看所有缺失的数据data[box(data,1.5)==True].any(1)]
5.5. 异常值处理- 置空
# 异常值会被NaN代替,然后当作缺失值处理data[xigema(data)==False]
- 填充
# 使用mask判断data.mask(xigema(data),np.NaN)
6. 特征编码6.1. 独热编码pd.get_dummies(data,columns=['F','G'])#使用sklearnsklearn.preprocessing.OneHotEncoder(sparse=False).fit_transform(data['F'].values.reshape(-1,1))
6.2. 类别编码# 全量替换(包括数值),注意记得只编码非数值有序变量labelencoder = LabelEncoder()data[['G','F']].apply(labelencoder.fit_transform)
7. 特征构造与变换7.1 特征构造加、减、乘、除、取对数、构造多项式等 data['K'] = data['A'] + data['B']data['M'] = np.log10(data['A'])
7.2 删除多余数据data.drop(index=data[data['G']==0].index) #默认删除包含0的行,axis=1,删除列del data['K']
8. 数值离散化在不改变数据相对大小的情况下,只关心元素之间的大小关系 from sklearn.preprocessing import KBinsDiscretizer# strategy=quantile-等频,uniform-等宽,kmeans-聚类kbins = KBinsDiscretizer(n_bins=10, encode='ordinal', strategy='quantile')pd.DataFrame(kbins.fit_transform(data),columns=data.columns)
9. 特征选择9.1. 过滤法Filter- 方差过滤
from sklearn.feature_selection import VarianceThreshold,chi2,mutual_info_classifX_var=VarianceThreshold(threshold=0.5).fit_transform(X, y) #使用阈值0.5 进行选择
- 相关性过滤
X_chi2 = SelectKBest(chi2, k=2).fit_transform(X, y)
- 互信息过滤
X_mut = SelectKBest(mutual_info_classif, k=2).fit_transform(X, y)
9.2. 嵌入法Embeddingfrom sklearn.feature_selection import SelectFromModelfrom sklearn.ensemble import RandomForestClassifier as RFCRFC_ = RFC(n_estimators =10,random_state=0) #先随机森林的实例化X_embedded = SelectFromModel(RFC_,threshold=0.005).fit_transform(X,y) #在这里我只想取出来有限的特征。X_embedded.shape #(42000,47)#模型的维度明显被降低了 #通过学习曲线来找最佳阈值import numpy as npimport matplotlib.pyplot as pltthreshold = np.linspace(0,(RFC_.fit(X,y).feature_importances_).max(),20)#0到feature_importances_最大值平均取20个score = []for i in threshold: X_embedded = SelectFromModel(RFC_,threshold=i).fit_transform(X,y) once = cross_val_score(RFC_,X_embedded,y,cv=5).mean() score.append(once)plt.plot(threshold,score)plt.show()
9.3. 包装法Wrapperfrom sklearn.feature_selection import RFEfrom sklearn.linear_model import LogisticRegressionx_rfe = RFE(estimator=LogisticRegression(), n_features_to_select=3).fit(X, y)print(x_rfe.n_features_ ) # 所选特征的数量print(x_rfe.support_ ) # 按特征对应位置展示所选特征,True 表示保留,False 表示剔除。print(x_rfe.ranking_ ) # 特征排名,使得 ranking_[i]对应于第 i 个特征的排名位置,1 表示最优特征。x_rfe.transform(X)
10. 降维10.1 PCA降维训练前需要对数据标准化 from sklearn.decomposition import PCAfrom sklearn import preprocessing # 调用预处理模块X_std = preprocessing.scale(X)# 降维训练前需要对数据标准化pca = PCA(n_components=2).fit(X_std) # 保留 2 个主成分X_pca =pca.transform(X_std)print(pca.explained_variance_ratio_) # 查看利用 PCA 方法降维后保留的 2 个维度的信息量大小plt.subplot(1,2,1)plt.bar(range(0, pca.explained_variance_ratio_.size), pca.explained_variance_ratio_)#绘制 LDA 降维后不同簇与 y 的散点图colors = ['r', 'b', 'g']markers = ['s', 'x', 'o']plt.subplot(1,2,2)for l, c, m in zip(np.unique(y), colors, markers): plt.scatter(X_pca[y==l, 0], X_pca[y==l,1], c=c, label=l, marker=m) # 散点图plt.xlabel('pca1')plt.ylabel('pca2')plt.title('PCA')plt.legend(loc='lower left')plt.show()
10.2 LDA一般在有标签的分类问题上,对数据降维,建议优先考虑有监督的 LDA 降维方法,结果一般会更加准确。 #此处与 PCA 方法不同,不必对原始数据进行标准化就能有较好的降维效果from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDAlda = LDA(n_components=2).fit(X,y)print(lda.explained_variance_ratio_) # 查看利用 LDA 方法降维后保留的 2 个维度的信息量大小plt.subplot(1,2,1)plt.bar(range(0, lda.explained_variance_ratio_.size), lda.explained_variance_ratio_)X_lda =lda.transform(X)#绘制 LDA 降维后不同簇与 y 的散点图,通过两种降维后的散点图对比不同方法的效果。colors = ['r', 'b', 'g']markers = ['s', 'x', 'o']plt.subplot(1,2,2)for c,l,m in zip(colors, np.unique(y), markers): plt.scatter(X_lda[y == l, 0], X_lda[y == l, 1], c=c, label=l, marker=m)plt.xlabel('lda1')plt.ylabel('lda2')plt.title('LDA')plt.legend(loc='lower left')plt.show()
11. 数据训练及预测1. 划分数据集from sklearn.model_selection import train_test_split# 30%数据用于测试,70%用于训练,42是随机种子Xtrain, Xtest, Ytrain, Ytest = train_test_split(X,y,test_size=0.3,random_state=420)
2. 特征缩放- 标准化
那些算法需要标准化:PCA、聚类算法、神经网络、逻辑回归、SVM等。
from sklearn.preprocessing import StandardScaler,MinMaxScalerscaler = StandardScaler().fit(Xtrain)X_train_std = scaler.transform(Xtrain)X_test_std = scaler.transform(Xtest)
- MinMaxScaler
最小-最大规范化对原始数据进行线性变换,变换到[0,1]区间 from sklearn.preprocessing import MinMaxScalerminmax = MinMaxScaler().fit(Xtrain)X_train_std = minmax.transform(Xtrain)X_test_std = minmax.transform(Xtest)
3. 算法训练rfc = RandomForestClassifier(random_state=42) #建立模型: 随机森林rfc = rfc.fit(Xtrain, Ytrain) # 训练模型: 随即森林print(rfc.feature_importances_) #特征重要性
4. 算法预测rfc.predict(Xtest)
12. 模型评估12.1 分类类 | 含义 | sklearn.metrics.confusion_matrix | 混淆矩阵 | sklearn.metrics.accuracy_score | 准确率accuracy | sklearn.metrics.precision_score | 精确度precision | sklearn.metrics.recall_score | 召回率recall | sklearn.metrics.precision_recall_curve | 精确度-召回率平衡曲线 | sklearn.metrics.f1_score | F1-Score | sklearn.metrics.roc_auc_score | ROC | sklearn.metrics.plot_roc_curve | ROC绘图 | sklearn.metrics.plot_precision_recall_curve | P-R曲线绘图 | sklearn.metrics.plot_confusion_matrix | 混淆举证绘图 |
from sklearn.metrics import accuracy_score, precision_score, f1_score, roc_auc_score, recall_scorerecall_score(y_true, y_pred, average='micro')
绘图 from sklearn.metrics import plot_confusion_matrix,plot_precision_recall_curve,plot_roc_curvefrom sklearn.svm import SVCX_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)clf = SVC(random_state=42)clf.fit(X_train, y_train)#混淆举证plot_confusion_matrix(clf, X_test, y_test,normalize='true')#P-R曲线plot_precision_recall_curve(clf, X_test, y_test)#ROC曲线plot_roc_curve(clf, X_test, y_test)
12.2 回归12.3 聚类13. 模型优化13.1 网格搜索/随机搜索from sklearn.model_selection import GridSearchCV,RandomizedSearchCVparam_grid = {'n_estimators' : np.arange(100,200,10), 'max_depth' : np.arange(1, 20, 1), 'max_features' : np.arange(5,30,1), 'criterion' : ['gini', 'entropy'] }rfc = RandomForestClassifier(random_state=42)GS = GridSearchCV(rfc,param_grid,cv=10,scoring='roc_auc')GS.fit(X,y)print(GS.best_params_) # 最优参数print(GS.best_score_) # 最优得分print(GS.best_estimator_) # 最有分类器
13.2 交叉验证from sklearn.model_selection import cross_val_scorecross_val_score(rfc, X, y, cv=5,scoring='roc_auc')
14. 模型保存于加载from sklearn import svm from sklearn import datasetsimport joblib# sklearn.externals.joblib函数是用在0.21及以前的版本中,在最新的版本中,该函数应被弃用改为直接导入joblib# from sklearn.externals import joblibclf = svm.SVC()clf.fit(X,y) # 保存训练好的clf模型 joblib.dump(clf,'clf.pkl') # 重新加载训练好的clf模型 clf = joblib.load('clf.pkl') # 打印预测值print(clf.predict(X[0:1000]))
|