DataWhale《零基础入门数据挖掘》第二次打卡

第二次打卡（3月22日-3月24日）

菜鸡的学习之路^__^（自己学习，复习使用）
Task2:数据的探索性分析（EDA）

1.1 EDA要做什么

首先我们需要明白EDA要做什么：

1. 了解数据大致表达了什么
2. 挖掘数据结构（结构化；图像化）
3. 初步分理处一些重要特征
4. 挖掘离群数据和异常数据
5. 初步确定可以用那些模型

1.2 具体内容

1. 载入各种数据科学以及可视化库:

• 数据科学库 pandas、numpy、scipy；
• 可视化库 matplotlib、seabon；
• 其他；

2. 载入数据：

• 载入训练集和测试集；
• 简略观察数据(head()+shape)；

3. 数据总览:

• 通过describe()来熟悉数据的相关统计量
• 通过info()来熟悉数据类型

4. 判断数据缺失和异常:

• 查看每列的存在nan情况
• 异常值检测

5. 了解预测值的分布:

• 总体分布概况（无界约翰逊分布等）
• 查看skewness and kurtosis
• 查看预测值的具体频数

6. 特征分为类别特征和数字特征，并对类别特征查看unique分布
7. 数字特征分析:

• 相关性分析
• 查看几个特征得
• 偏度和峰值
• 每个数字特征得分布可视化
• 数字特征相互之间的关系可视化
• 多变量互相回归关系可视化

8. 类型特征分析:

• unique分布
• 类别特征箱形图可视化
• 类别特征的小提琴图可视化
• 类别特征的柱形图可视化类别
• 特征的每个类别频数可视化(count_plot)

9. 用pandas_profiling生成数据报告

2.3 代码

载入数据科学以及可视化库

import numpy as np
import pandas as pd
import warnings
import os,sys

project_path = os.path.dirname(os.path.abspath("__file__")) 
# 设置动态路径
# 获取当前文件路径的上一级目录
warnings.filterwarnings('ignore')
pd.set_option('display.max_columns', None) # 设置DataFrame的输出显示，显示所有列

# 载入数据集
train_data = pd.read_csv(project_path + r'\used_car_train_20200313.csv', sep=' ')
test_data = pd.read_csv(project_path + r'\used_car_testA_20200313.csv', sep=' ')

print('train_data_shape：', train_data.shape)
print('test_data_shape：', test_data.shape)

train_data_shape： (150000, 31)
test_data_shape： (50000, 30)

train_data.head()

train_data.describe()
# price一列
# 均值：5923
# 标准差：7501
# 最小值： 11
# 最大值：99999，偏离程度有点大

首先把训练集读取进来看看各列的情况，主要看一下预测目标price的情况，发现均值在5900左右，标准差在7500左右，然而最大值居然有99999，可以看出事情并不简单，回归问题最怕离群点。（心里仿佛受到一万点打击。。。。）

# 画图看看
import matplotlib.pyplot as plt
import seaborn as sns

plt.figure()
sns.distplot(train_data['price'])
plt.figure()
train_data['price'].plot.box()
plt.show()

直接画图看一下，发现事情并不简单，可以看出数据的分布并不是标准的正态分布，远处的离群点看起来并不少，训练起来估计误差会很大，训练的时候可以考虑把这些离群点去掉。但如果测试集也有类似的点，那就没办法了，回归场景里面，一个离群点带来的误差可能会拖垮整个数据集上的指标分数。

import gc
print(test_data.shape)
print(train_data.shape)

(50000, 30)
(150000, 31)

df = pd.concat([train_data, test_data], axis=0, ignore_index=True)
del train_data, test_data
gc.collect()
df.head()

把测试集也读进来看看全数据情况

# 把特征分为3类
date_cols = ['regDate', 'creatDate']
category_cols = [
    'name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox',
    'notRepairedDamage', 'regionCode', 'seller', 'offerType'
]
number_cols = ['power', 'kilometer'] + ['v_{}'.format(i) for i in range(15)]
cols = date_cols + category_cols + number_cols

tmp = pd.DataFrame()
tmp['count'] = df[cols].count().values  # 每一个特征样本数目统计
tmp['missing_rate'] = (df.shape[0] - tmp['count']) / df.shape[0]  # 每一个特征样本缺失率
tmp['nunique'] = df[cols].nunique().values  # 每一个特征不同取值数目
tmp['max_value_counts'] = [df[f].value_counts().values[0]
                           for f in cols]  # 每个特征最大值出现次数
tmp['max_value_counts_prop'] = tmp['max_value_counts'] / df.shape[
    0]  # 每个特征最大值出现率
tmp['max_value_counts_value'] = [df[f].value_counts().index[0]
                                 for f in cols]  # 每个特征最大值
tmp.index = cols  # 修改index
tmp
# seller, offerType两个特征可以删除了，就1个值，没啥用

把特征分成三部分，分别是日期特征、类别特征、数值特征。然后看看每一维特征的缺失率、n unique等信息，可以发现seller、offerType这两个特征可以删掉了，所有样本就一个取值，没什么用。从这里还可以发现匿名特征里面的v_0到v_4、v_10到v_14感觉长的有点像，貌似有很多相似的地方。

from tqdm import tqdm # 进度条配置

# 日期处理函数
def date_proc(x):
    m = int(x[4:6])
    if m == 0:
        m = 1
    return x[:4] + '-' + str(m) + '-' + x[6:]

for f in tqdm(date_cols):
    df[f] = pd.to_datetime(df[f].astype('str').apply(date_proc))
    df[f + '_year'] = df[f].dt.year
    df[f + '_month'] = df[f].dt.month
    df[f + '_day'] = df[f].dt.day
    df[f + '_dayofweek'] = df[f].dt.dayofweek

把日期列处理一下，提取年、月、日、星期等信息。这里有些日期异常的样本，月份出现了0，因此需要开个函数单独处理一下。

plt.figure()
plt.figure(figsize=(16, 6))
i = 1
for f in date_cols:
    for col in ['year', 'month', 'day', 'dayofweek']:
        plt.subplot(2, 4, i)
        i += 1
        v = df[f + '_' + col].value_counts()
        fig = sns.barplot(x=v.index, y=v.values)
        for item in fig.get_xticklabels():
            item.set_rotation(90)
        plt.title(f + '_' + col)
plt.tight_layout()
plt.show()

看一下这些日期相关的特征的分布，可以看出汽车上线时间的年份（creatDate_year）基本上都是2016年，这个特征也没什么用了。creatDate_month基本上只有3、4两个月的，可以暂且保留，不过这种情况还是挺奇怪的，难道大家都热衷于在3月份卖车么？也可能跟行业有关吧，不懂。

# 进行特征删改
category_cols.remove('seller')
category_cols.remove('offerType')
date_cols = [
    'regDate_year', 'regDate_month', 'regDate_day', 'regDate_dayofweek',
    'creatDate_month', 'creatDate_day', 'creatDate_dayofweek'
]

# 看一下各个数值特征跟price的相关性
corr1 = abs(df[~df['price'].isnull()][['price'] + date_cols + number_cols].corr())
plt.figure(figsize=(10, 10))
sns.heatmap(corr1, linewidths=0.1, cmap=sns.cm.rocket_r)

看一下各个数值特征跟price的相关性。跟price相关性比较高的有汽车注册年份（regDate_year），应该可以理解为车越新，价格越高；汽车已行驶公里数（kilometer）也还行，应该可以理解为跑的路程越多，车就越旧，价格就越低；匿名特征里面的v_0、v_3、v_8、v_12看起来跟price的相关性很高，原因就不知道了。除了跟price的相关性，还可以发现有些特征跟特征之间的相关性也很高，比如v_1跟v_6、v_2跟v_7、v_3跟v_8、v_4跟v_9等，这些特征之间可能存在冗余现象，训练的时候可以依据效果尝试去掉一部分，或者拆分成两部分，做模型融合。

# 看看15维匿名特征在训练集和测试集上的分布
plt.figure()
plt.figure(figsize=(15, 15))
i = 1
for f in number_cols[2:]:
    plt.subplot(5, 3, i)
    i += 1
    sns.distplot(df[~df['price'].isnull()][f],
                 label='train',
                 color='y',
                 hist=False)
    sns.distplot(df[df['price'].isnull()][f],
                 label='test',
                 color='g',
                 hist=False)
plt.tight_layout()
plt.show()

看看15维匿名特征分别在训练集和测试集上的分布，如果发现分布不一致的，可以尝试处理。但是貌似这15维特征在训练集和测试集上的分布基本上都挺一致的，无论多奇怪的分布，两个数据集上都挺一致。

plt.figure()
plt.figure(figsize=(20, 18))
i = 1
for f in category_cols + date_cols + number_cols:
    if df[f].nunique() <= 50:
        plt.subplot(5, 3, i)
        i += 1
        v = df[~df['price'].isnull()].groupby(f)['price'].agg({f + '_price_mean': 'mean'}).reset_index()
        fig = sns.barplot(x=f, y=f + '_price_mean', data=v)
        for item in fig.get_xticklabels():
            item.set_rotation(90)
plt.tight_layout()
plt.show()

简单看几个nunique比较小的特征上面的price的均值的分布。可以发现regDate_year和kilometer的趋势变化很明显，这也对应了上面的相关性分布，这两个特征跟price的相关性都挺高。kilometer应该是被离散化过的，只保留了整数。

2.4 总结

数据探索在机器学习中我们一般称为EDA（Exploratory Data Analysis）：

是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。

数据探索有利于我们发现数据的一些特性，数据之间的关联性，对于后续的特征构建是很有帮助的。

1. 对于数据的初步分析（直接查看数据，或.sum(), .mean()，.descirbe()等统计函数）可以从：样本数量，训练集数量，是否有时间特征，是否是时许问题，特征所表示的含义（非匿名特征），特征类型（字符类似，int，float，time），特征的缺失情况（注意缺失的在数据中的表现形式，有些是空的有些是”NAN”符号等），特征的均值方差情况。

2. 分析记录某些特征值缺失占比30%以上样本的缺失处理，有助于后续的模型验证和调节，分析特征应该是填充（填充方式是什么，均值填充，0填充，众数填充等），还是舍去，还是先做样本分类用不同的特征模型去预测。

3. 对于异常值做专门的分析，分析特征异常的label是否为异常值（或者偏离均值较远或者事特殊符号）,异常值是否应该剔除，还是用正常值填充，是记录异常，还是机器本身异常等。

4. 对于Label做专门的分析，分析标签的分布情况等。

5. 进步分析可以通过对特征作图，特征和label联合做图（统计图，离散图），直观了解特征的分布情况，通过这一步也可以发现数据之中的一些异常值等，通过箱型图分析一些特征值的偏离情况，对于特征和特征联合作图，对于特征和label联合作图，分析其中的一些关联性。

参考内容：

1. Datawhale 零基础入门数据挖掘-Task2 数据分析
2. 详解seaborn中的kdeplot、rugplot、distplot与jointplot
3. 机器学习实战：基于Scikit-Learn和TensorFlow
4. 【机器学习】菜菜的sklearn课堂

关于Datawhale：

Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。

在此特别感谢DataWhale提供的学习机会，为其开源精神点赞，希望自己能在自己的努力下不断进步，很幸运能遇到DataWhale这么优秀的平台。加油加油！！！！