大家好，本文记录的是我日常工作中高频使用的数据分析和机器学习代码片段，喜欢记得收藏、点赞、关注
注：完整版代码、资料、技术沟通，文末沟通
包含的主要内容：
-
pandas设置
-
可视化
-
jieba分词
-
缺失值处理
-
特征分布
-
数据归一化
-
上下采样
-
回归与分类模型
-
模型评价等
常用库
import numpy as np
import pandas as pd
pd.set_option( 'display.precision',6) # 小数精度6位
pd.set_option("display.max_rows",999) # 最多显示行数
pd.reset_option("display.max_rows") # 重置
pd.set_option('display.max_columns',100) # 最多显示列100
pd.set_option('display.max_columns',None) # 显示全部列
pd.set_option ('display.max_colwidth', 100) # 列宽
pd.reset_option('display.max_columns') # 重置
pd.set_option("expand_frame_repr", True) # 折叠
pd.set_option('display.float_format', '{:,.2f}'.format) # 千分位
pd.set_option('display.float_format', '{:.2f}%'.format) # 百分比形式
pd.set_option('display.float_format', '{:.2f}￥'.format) # 特殊符号
pd.options.plotting.backend = "plotly" # 修改绘图
pd.set_option("colheader_justify","left") # 列字段对齐方式
pd.reset_option('all') # 全部功能重置
# 忽略notebook中的警告
import warnings
warnings.filterwarnings("ignore")
可视化
# 1、基于plotly
import plotly as py
import plotly.express as px
import plotly.graph_objects as go
py.offline.init_notebook_mode(connected = True)
from plotly.subplots import make_subplots # 多子图
# 2、基于matplotlib
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
%matplotlib inline
# 中文显示问题
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #正常显示负号
# 3、基于seaborn
import seaborn as sns
# plt.style.use("fivethirtyeight")
plt.style.use('ggplot')
# 4、基于Pyecharts
from pyecharts.globals import CurrentConfig, OnlineHostType
from pyecharts import options as opts # 配置项
from pyecharts.charts import Bar, Pie, Line, HeatMap, Funnel, WordCloud, Grid, Page # 各个图形的类
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeType,SymbolType
1、柱状图带显示数值：
fig = px.bar(df4, x="name",y="成绩",text="成绩")
fig.update_traces(textposition="outside")
fig.update_layout(xaxis_tickangle=45) # 倾斜角度设置
fig.show()
2、饼图带显示类型名称：
fig = px.pie(df, # 以城市和数量为字段
names="城市",
values="数量"
)
fig.update_traces(
textposition='inside',
textinfo='percent+label'
)
fig.update_layout(
title={
"text":"城市占比",
"y":0.96, # y轴数值
"x":0.5, # x轴数值
"xanchor":"center", # x、y轴相对位置
"yanchor":"top"
}
)
fig.show()
3、seaborn箱型图
# 方式1
ax = sns.boxplot(y=df["total_bill"])
# 方式2：传入y和data参数
ax = sns.boxplot(y="total_bill", data=df)
4、plotly子图绘制，假设是28个图，生成7*4的子图：
#两个基本参数：设置行、列
fig = make_subplots(rowS=7, cols=4)＃ 7行4列
for i, v in enumerate ( parameters)：#parameters 长度是28
r=i//4+1
C = (i+1) %4
if C==0:
fig.add_trace(go.Box(y=df2[v].tolist(),name=v),row=r, col=4)
else:
fig.add_trace(go.Box(y=df2[v].tolist( ), name=v),row=r, col=c)
fig.update_layout(width=1000, height=900)
fig. show()
jieba分词与词云图
import jieba
title_list = df["title"].tolist()
# 分词过程
title_jieba_list = []
for i in range(len(title_list)):
# jieba分词
seg_list = jieba.cut(str(title_list[i]).strip(), cut_all=False)
for each in list(seg_list):
title_jieba_list.append(each)
# 创建停用词list
def StopWords(filepath):
stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
return stopwords
# 传入停用词表的路径：路径需要修改
stopwords = StopWords("/Users/Desktop/spider/nlp_stopwords.txt")
# 收集有用词语
useful_result = []
for col in title_jieba_list:
if col not in stopwords:
useful_result.append(col)
information = pd.value_counts(useful_result).reset_index()
information.columns=["word","number"]
# 词云图
information_zip = [tuple(z) for z in zip(information_new["word"].tolist(), information_new["number"].tolist())]
# 绘图
c = (
WordCloud()
.add("", information_zip word_size_range=[20, 80], shape=SymbolType.DIAMOND)
.set_global_opts(title_opts=opts.TitleOpts(title="词云图"))
)
c.render_notebook()
数据探索
import pandas as pd
df = pd.read_csv("data.csv")
df.shape # 数据形状
df.isnull().sum() # 缺失值
df.dtypes # 字段类型
df.describe # 描述统计信息
缺失字段可视化
import missingno as mso
mso.bar(df,color="blue")
plt.show()
删除字段
# 删除某个非必须属性
df.drop('Name', axis=1, inplace=True)
缺失值填充
以字段的现有数据中位数进行填充为例：
# transform之前要指定操作的列（Age），它只能对某个列进行操作
df['Age'].fillna(train.groupby('Title')['Age'].transform("median"), inplace=True)
字段位置重置
# 1、单独提出来
scaled_amount = df['amount']
# 2、删除原字段信息
df.drop(['amount'], axis=1, inplace=True)
# 3、插入
df.insert(0, 'amount', scaled_amount)
数据集划分
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedShuffleSplit
X = df.drop("Class", axis=1) # 特征
y = df["Class"] # 标签
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=44)
# 3、将数据转成数组，然后传给模型
X_train = X_train.values
X_test = X_test.values
y_train = y_train.values
y_test = y_test.values
数据标准化/归一化
基于numpy来实现
# 基于numpy实现
mean = X_train.mean(axis=0)
X_train -= mean
std = X_train.std(axis=0)
X_train /= std
# 测试集：使用训练集的均值和标准差来归一化
X_test -= mean
X_test /= std
基于sklearn实现
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import RobustScaler
ss = StandardScaler()
data_ss= ss.fit_transform(X)
＃ 生成对应的DataFrame
df = pd. DataFrame(data_ss, columns=X.columns)
＃ 还原到原数据
origin_ data = ss.inverse_transform(data_ss)
#rs= RobustScaler()
df[' scaled_ amount' ]=rs.fit_transform(df["Amount"].values.reshape())
相关性热力图
f, ax1 = plt.subplots(1,1,figsize=(24, 20))
corr = df.corr()
sns.heatmap(corr, cmap="coolwarm_r",annot_kws={
"size":20})
ax.set_title("Correlation Matrix", fontsize=14)
属性间相关性
cols = ["col1", "col2", "col3"]
plt.figure(1,figsize=(15,6))
n = 0
for x in cols:
for y in cols:
n += 1 # 每循环一次n增加，子图移动一次
plt.subplot(3,3,n) # 3*3的矩阵，第n个图形
plt.subplots_adjust(hspace=0.5, wspace=0.5) # 子图间的宽、高参数
sns.regplot(x=x,y=y,data=df,color="#AE213D") # 绘图的数据和颜色
plt.ylabel(y.split()[0] + " " + y.split()[1] if len(y.split()) > 1 else y)
plt.show()
删除离群点
删除基于上下四分位的离群点：
# 数组
v12 = df["V12"].loc[df["Class"] == 1]
# 25%和75%分位数
q1, q3 = v12.quantile(0.25), v12.quantile(0.75)
iqr = q3 - q1
# 确定上下限
v12_cut_off = iqr * 1.5
v12_lower = q1 - v12_cut_off
v12_upper = q3 + v12_cut_off
# 确定离群点
outliers = [x for x in v12 if x < v12_lower or x > v12_upper]
# 技巧：如何删除异常值
new_df = df.drop(df[(df["V12"] > v12_upper) | (df["V12"] < v12_lower)].index)
离群点填充均值
df['Price']=np.where(df['Price']>=40000, # 大于等于40000看成异常值
df['Price'].median(), # 替换均值
df['Price']) # 替换字段
特征分布
1、特征取值数量统计
df["Class"].value_counts(normalize=True)
plt.figure(1, figsize=(12,5))
sns.countplot(y="sex", data=df)
plt.show()
2、基于seaborn绘图
# 绘图
colors = ["red", "blue"]
sns.countplot("Class", data=df, palette=colors)
plt.title("0-No Fraud & 1-Fraud)")
plt.show()
3、特征直方图分布
#查看3个特征的分布
from scipy. stats import norm
f,(axl, ax2, ax3) = pit.subplots(1, 3,figsize=(20,6))
#生成绘图数据：numpy数组
v14_fraud = new_df["V14"]. toc[new df["Class"]== ll.values
sns.distplot(v14_fraud,＃传入数据
ax=axl,# 选择子图
fit=norm,#拟合：正态化
color="#FB8861"）
ax1.set title("V14", fontsize-14)
v12_fraud = new df["V12"].loc[new df["Class"] == 1].values
sns.distplot(vl2_fraud,ax=ax2,fit=norm,color="#56F9BB"）
ax2.set title( "V12".fontsize=14)
v10_fraud = new df["V10"].loc[new dfI "Class" ]== 1].values
sns.distplot(v10_fraud,ax=ax3,fit=norm,color="#C5B3F9" )
ax2.set title("V10", fontsize=14)
plt. show()
另一种方法：
# 绘图
plt.figure(1,figsize=(15,6))
n = 0
for col in cols:
n += 1 # 子图位置
plt.subplot(1,3,n)
plt.subplots_adjust(hspace=0.5,wspace=0.5) # 调整宽高
sns.distplot(df[col],bins=20) # 绘制直方图
plt.title(f'Distplot of {
col}')
plt.show() # 显示图形
特征重要性
from sklearn.feature_selection import mutual_info_classif
imp = pd.DataFrame(mutual_info_classif(X,y),
index=X.columns)
imp.columns=['importance']
imp.sort_values(by='importance',ascending=False)
2种编码
Nominal data -- Data that are not in any order -->one hot encoding
ordinal 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
独热码的实现：
df["sex"] = pd.get_dummies(df["sex"])
基于有序数据的类型编码自定义：
dic = {
"v1":1, "v2":2, "v3":3, "v4":4}
df["class"] = df["class"].map(dic)
sklearn实现类型编码：
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
for i in ['Route1', 'Route2', 'Route3', 'Route4', 'Route5']:
categorical[i]=le.fit_transform(categorical[i])
上、下采样
上采样
# 使用imlbearn库中上采样方法中的SMOTE接口
from imblearn.over_sampling import SMOTE
# 设置随机数种子
smo = SMOTE(random_state=42)
X_smo, y_smo = smo.fit_resample(X, y)
下采样
# 欺诈的数据
fraud_df = df[df["Class"] == 1] # 少量数据
# 从非欺诈的数据中取出相同的长度len(fraud_df)
no_fraud_df = df[df["Class"] == 0][:len(fraud_df)]
# 组合
normal_distributed_df = pd.concat([fraud_df, no_fraud_df])
# 随机打乱数据
new_df = normal_distributed_df.sample(frac=1, random_state=123)
PCA降维
from sklearn.manifold import TSNE
from sklearn.decomposition import PCA, TruncatedSVD
# PCA降维
X_reduced_pca = PCA(n_components=2,
random_state=42).fit_transform(X.values)
sklearn使用k折交叉验证
随机打乱数据并生成索引：
＃ 随机打乱数据
from sklearn.utils import shuffle
df= shuffle(df)
# 随机＋k折验证
from sklearn.model_selection import StratifiedShuffleSplit
sfk = StratifiedkFold(
n_splits=5,#生成5份
random_state=None,
shuffle=False)
for train_index, test_index in sfk,split(X,y):
＃ 根据随机生成的索引再生成数据
original_X_train = x.ilocltrain_ index ]
original_X_test = x.ilocltest_ index]
original_y_train = y. iloc[train_index]
original_y_test = y.iloc[test_index]
Keras使用交叉验证
Keras中的k折交叉验证：
k = 5
number_val = len(X_train）// k #验证数据集的大小
number_epochs = 20
all_mae scores = []
all_loss scores = []
for i in range(k):
＃ 只取{
到i+1部分作为验证集
vali_X = X train[i * number val: (i+1)*number_val]
vali_y = y_train[i * number val: (i+1)*number_val]
＃ 训练集
part_X_train = np.concatenate([X_train[:i * number_val],X train[(i+1)*number_val:]],axis=0)
part_y_train = np.concatenate([y_train[:i * number_val],y_train[ (i+1)*number_val:]],axis=0)
＃ 模型训练
history = model.fit(part_X_train,
part_y_train,
epochs=number_epochs
＃ 传入验证集的数据
validation_data=(vali_X, vali_y),
batch_size=300,
verbose=0＃ 0-静默模式 1-日志模式
)
mae_history = history.history["mae"]
loss_history = history.history["loss"]
all_mae_scores.append(mae_history)
all_loss_scores.append(loss_history)
回归模型
# 线性回归
from sklearn import linear_model
model_LinearRegression = linear_model.LinearRegression()
# KNN回归
from sklearn import neighbors
model_KNeighborsRegressor=neighbors.KNeighborsRegressor()
# 决策树回归
from sklearn import tree
model_DecisionTreeRegressor = tree.DecisionTreeRegressor()
#随机森林
from sklearn import ensemble
model_RandomForestRegressor = ensemble.RandomForestRegressor(n_estimators=50 # 使用50个决策树
# Adaboost
from sklearn import ensemble
model_AdaBoostRegressor = ensemble.AdaBoostRegressor(n_est imators=100）#使用10日个决策树
# GBRTONA
from sklearn import ensemble
model_ GradientBoostingRegressor = ensemble.GradientBoost ingRegressor(n_est imators=109)# 100个决策树
# Bagging
from sklearn.ensemble import BaggingRegressor
model_BaggingRegressor = BaggingRegressor()
# 极端随机树回归
from sklearn.tree import ExtraTreeRegressor
model_ExtraTreeRegressor = ExtraTreeRegressor()
from sklearn.svm import SVR
SVr = SVRO)
回归模型评分
from sklearn.metrics import r2_score,mean_absolute_error,mean_squared_error
def 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)
分类模型
from sklearn. linear_model import LogisticRegression＃ 逻辑回归
from sklearn.neighbors import kNeighborsclassifier #K近邻
from sklearn.naive_bayes import GaussianNB ＃ 贝叶斯分类器
from sklearn. ensemble import RandomForestClassifier ＃ 随机森林分类
from sklearn.tree import DecisionTreeclassifier #决策树
from sklearn.svm import sVC # 支持向量分类
from sklearn.neural_network import MLPClassifier＃ 神经网络
from sklearn. ensemble import GradientBoostingClassifier #gbdt
from lightgbm import LGBMClassifier＃ Lgb
混淆矩阵
分类任务的混淆矩阵
from sklearn import metrics # 模型评价
confusion_matrix = metrics.confusion_matrix(y_test, y_pred)
auc
auc = metrics.roc_auc_score(y_test, y_pred) # 测试值和预测值
ROC曲线
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob) # y的真实值和预测值
# roc值
roc = auc(false_positive_rate, true_positive_rate)
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')
plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')
plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()
网络搜索
以逻辑回归为例：
from sklearn.model_selection import GridSearchCV
# 逻辑回归
lr_params = {
"penalty":["l1", "l2"],
"C": [0.001, 0.01, 0.1, 1, 10, 100, 1000]
}
grid_lr = GridSearchCV(LogisticRegression(), lr_params)
grid_lr.fit(X_train, y_train)
# 最好的参数组合
best_para_lr = grid_lr.best_estimator_
随机搜索
以随机森林模型为例为例：
# 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)
推荐文章
技术交流
欢迎转载、收藏、有所收获点赞支持一下！数据、代码可以找我获取
目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友
- 方式①、发送如下图片至微信，长按识别，后台回复：加群；
- 方式②、添加微信号：dkl88191，备注：来自CSDN
- 方式③、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
