Datawhale练习之二手车价格预测

1. 总览数据概况

数据库载入

#coding:utf-8#导入warnings包，利用过滤器来实现忽略警告语句。import warningswarnings.filterwarnings('ignore')import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport missingno as msno

数据载入

## 1) 载入训练集和测试集；path = './'Train_data = pd.read_csv(path+'car_train_0110.csv', sep=' ')Test_data = pd.read_csv(path+'car_testA_0110.csv', sep=' ')

确定path，如果是在notebook环境，我通常使用！dir查看当前目录

在这里插入图片描述

特征说明

在这里插入图片描述

新技能：使用.append（）同时观察前5行与后5行

## 2) 简略观察数据(head()+shape)Train_data.head().append(Train_data.tail())

在这里插入图片描述

观察数据维度

Train_data.shape，Test_data.shape

在这里插入图片描述

总览概况: .describe（）查看统计量，.info（）查看数据类型

在这里插入图片描述

1.1 判断数据缺失和异常

1.1.1 查看nan

Train_data.shape，Test_data.shape

在这里插入图片描述

也可直接查看nan，有以下两种方式 ↓ ：

Train_data.isnull().sum()

在这里插入图片描述

可视化na更直观

# find na tmp = df_train.isnull().any()tmp[tmp.values==True]

在这里插入图片描述

新技能： msno库(缺失值可视化)的使用

Train_data.isnull().sum().plot( kind= 'bar')

在这里插入图片描述

可视化看下缺省值

msno.matrix(Train_data.sample(250))

其中，Train_data.sample(250)表示随机抽样250行，白色条纹表示缺失

在这里插入图片描述

直接显示未缺失的样本数量/每特征

msno.bar(Train_data.sample(250),labels= True)

在这里插入图片描述

使用msno中的 .heatmap()查看缺失值之间的相关性

msno.heatmap(Train_data.sample(250))

在这里插入图片描述

1.1.2 *异常值检测（重要！易忽略）

通过Train_data.info()了解数据类型

Train_data.info()

1.2 了解预测值的分布

特征分为类别特征和数字特征

查看分布的意义在于：

a. 及时将非正态分布数据变化为正态分布数据

b. 异常检测

1.2.1 数字特征分析

Train_data['price']

发现都是int

在这里插入图片描述

统计分布 ↓

Train_data['price'].value_counts()

在这里插入图片描述

## 1) 总体分布概况（无界约翰逊分布等）import scipy.stats as sty = 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)

在这里插入图片描述

结论：price不服从正态分布，因此在进行回归之前，它必须进行转换。无界约翰逊分布拟合效果较好。

1.2.1.1 相关性分析

1.2.1.2 *偏度和峰值

偏度（skewness），统计数据分布偏斜方向和程度，是统计数据分布非对称程度的数字特征。定义上偏度是样本的三阶标准化矩。

在这里插入图片描述

峰度（peakedness；kurtosis）又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来，峰度反映了峰部的尖度。

## 2) 查看skewness and kurtosissns.distplot(Train_data['price']);print("Skewness: %f" % Train_data['price'].skew())print("Kurtosis: %f" % Train_data['price'].kurt())

在这里插入图片描述

批量计算skew

Train_data.skew()

在这里插入图片描述

查看skew的分布情况

在这里插入图片描述

批量计算kurt

Train_data.kurt()

在这里插入图片描述

查看kurt的分布情况

在这里插入图片描述

查看目标变量的分布

## 3) 查看预测值的具体频数plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red')plt.show()

在这里插入图片描述

结论：大于20000得值极少，其实这里也可以把这些当作特殊得值（异常值）直接用填充或者删掉

由于np.log(0)==-inf，无法绘图，因此改用log(1+x)绘制分布bar，和教程里有出入，教程里用log绘图如下：（我画不出来，因为-inf会报错）

在这里插入图片描述

# log变换之后的分布较均匀，可以进行log变换进行预测，这也是预测问题常用的trickplt.hist(np.log(1+Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') plt.show()

在这里插入图片描述

分离label即预测值

Y_train = Train_data['price']

#这个区别方式适用于没有直接label coding的数据
#这里不适用，需要人为根据实际含义来区分
#数字特征
numeric_features = Train_data.select_dtypes(include=[np.number])
numeric_features.columns
#类型特征
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("{}特征有个{}不同的值".format(cat_fea, Train_data[cat_fea].nunique()))    print(Train_data[cat_fea].value_counts())

每个特征情况都会逐个如下所示：

在这里插入图片描述

test data显示同理

numeric_features.append('price')numeric_features

在这里插入图片描述

price_numeric = Train_data[numeric_features]correlation = price_numeric.corr()correlation

只截了一部分

在这里插入图片描述

查看相关性（强->弱）

print(correlation['price'].sort_values(ascending = False),'/n')

在这里插入图片描述

可视化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)

在这里插入图片描述

price完成历史使命，删掉

del price_numeric['price']

## 2) 查看几个特征得 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())           )

在这里插入图片描述

1.2.1.3 *每个数字特征的分布可视化（易忽略）

## 3) 每个数字特征得分布可视化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：

在这里插入图片描述

结论：匿名特征（v_*）相对分布均匀

1.2.1.4 *数字特征相互之间的关系可视化（易忽略）

## 4) 数字特征相互之间的关系可视化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 *多变量互相回归关系可视化（易忽略）

## 5) 多变量互相回归关系可视化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 类别特征分析（会画，不会利用结果）

对类别特征查看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 箱形图可视化

## 2) 类别特征箱形图可视化# 因为 name和 regionCode的类别太稀疏了，这里我们把不稀疏的几类画一下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 小提琴图可视化

## 3) 类别特征的小提琴图可视化catg_list = categorical_featurestarget = '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 柱形图可视化类别

## 4) 类别特征的柱形图可视化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 特征的每个类别频数可视化(count_plot)

##  5) 类别特征的每个类别频数可视化(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生成数据报告(新技能)

import pandas_profiling

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

3. 小结

本次笔记虽然针对样本量较少的情况，但仍有一些可贵的思路：

a. 通过检查nan缺失情况，确定需要进一步处理的特征：

填充（填充方式是什么，均值填充，0填充，众数填充等）；

舍去；

先做样本分类用不同的特征模型去预测。

b. 通过分布，进行异常检测

分析特征异常的label是否异常（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，等。

c. 通过对laebl作图，分析标签的分布情况

d. 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

到此这篇关于Datawhale练习的文章就介绍到这了,更多相关python预测内容请搜索以前的文章或继续浏览下面的相关文章,希望大家以后多多支持！

最后更新于 2021-11-08 08:13:17 并被添加「」标签，已有位童鞋阅读过。

本站使用「署名 4.0 国际」创作共享协议，可自由转载、引用，但需署名作者且注明文章出处