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
data.dropna(axis=0,subset=["A"])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
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)]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
# 异常值会被NaN代替，然后当作缺失值处理data[xigema(data)==False]# 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
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X_chi2 = SelectKBest(chi2, k=2).fit_transform(X, y)X_mut = SelectKBest(mutual_info_classif, k=2).fit_transform(X, y)9.2. 嵌入法Embedding
from 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Wrapper
from 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_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)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])) |
