女人书籍排行榜,我欲封天txt下载

主頁 > 知識庫 > Datawhale練習(xí)之二手車價格預(yù)測

Datawhale練習(xí)之二手車價格預(yù)測

1. 總覽數(shù)據(jù)概況

數(shù)據(jù)庫載入

#coding:utf-8
#導(dǎo)入warnings包，利用過濾器來實現(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（）同時觀察前5行與后5行

## 2) 簡略觀察數(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)計量，.info（）查看數(shù)據(jù)類型

1.1 判斷數(shù)據(jù)缺失和異常

1.1.1 查看nan

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))

1.1.2 *異常值檢測（重要！易忽略）

通過Train_data.info()了解數(shù)據(jù)類型

Train_data.info()

1.2 了解預(yù)測值的分布

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

1.2.1 數(shù)字特征分析

Train_data['price']

發(fā)現(xiàn)都是int

統(tǒng)計分布 ↓

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，因此在進行回歸之前，它必須進行轉(zhuǎn)換。無界約翰遜分布擬合效果較好。

1.2.1.1 相關(guān)性分析

1.2.1.2 *偏度和峰值

偏度（skewness），統(tǒng)計數(shù)據(jù)分布偏斜方向和程度，是統(tǒng)計數(shù)據(jù)分布非對稱程度的數(shù)字特征。定義上偏度是樣本的三階標準化矩。

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())

批量計算skew

Train_data.skew()

查看skew的分布情況

批量計算kurt

Train_data.kurt()

查看kurt的分布情況

查看目標變量的分布

## 3) 查看預(yù)測值的具體頻數(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，因為-inf會報錯）

# log變換之后的分布較均勻，可以進行l(wèi)og變換進行預(yù)測，這也是預(yù)測問題常用的trick
plt.hist(np.log(1+Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') 
plt.show()

分離label即預(yù)測值

Y_train = Train_data['price']

#這個區(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{}不同的值".format(cat_fea, Train_data[cat_fea].nunique()))
    print(Train_data[cat_fea].value_counts())

每個特征情況都會逐個如下所示：

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->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())  
         )

1.2.1.3 *每個數(shù)字特征的分布可視化（易忽略）

## 3) 每個數(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_*）相對分布均勻

1.2.1.4 *數(shù)字特征相互之間的關(guān)系可視化（易忽略）

## 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()

1.2.1.5 *多變量互相回歸關(guān)系可視化（易忽略）

## 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)

1.2.2 類別特征分析（會畫，不會利用結(jié)果）

對類別特征查看unique分布

.value_counts()

## 1) unique分布
for fea in categorical_features:
    print(Train_data[fea].nunique())
categorical_features

1.2.2.1 箱形圖可視化

## 2) 類別特征箱形圖可視化
# 因為 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

1.2.2.2 小提琴圖可視化

## 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 特征的每個類別頻數(shù)可視化(count_plot)

##  5) 類別特征的每個類別頻數(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")

2. *用pandas_profiling生成數(shù)據(jù)報告(新技能)

import pandas_profiling

pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file("./example.html")

3. 小結(jié)

本次筆記雖然針對樣本量較少的情況，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。

b. 通過分布，進行異常檢測

分析特征異常的label是否異常（或者偏離均值較遠或者事特殊符號）；

異常值是否應(yīng)該剔除，還是用正常值填充，等。

c. 通過對laebl作圖，分析標簽的分布情況

d. 通過對特征作圖，特征和label聯(lián)合做圖（統(tǒng)計圖，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，對于特征和特征聯(lián)合作圖，對于特征和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)測內(nèi)容請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！

您可能感興趣的文章:

利用機器學(xué)習(xí)預(yù)測房價
如何用Python進行時間序列分解和預(yù)測
利用keras使用神經(jīng)網(wǎng)絡(luò)預(yù)測銷量操作
詳解用Python進行時間序列預(yù)測的7種方法
Python實現(xiàn)新型冠狀病毒傳播模型及預(yù)測代碼實例

標簽：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：本文標題《Datawhale練習(xí)之二手車價格預(yù)測》，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?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。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)。