作者·黄崇远

『数据虫巢』

全文共3349字

题图ssyer.com

“ 掌握了基本数据挖掘Python流程，意味着你已经踏出了最基本的一步。”

本系列适合以下人员：

• 数据开发/分析师、或者后台开发等但对对数据挖掘感兴趣。

• 计算机专业相关初学者，有志于从事数据相关工作。

本文为该系列第二篇，承接自第一篇《【初学者系列】01-机器学习入门教程，启发式实例》，核心内容将第一篇中简单基于jupyter的机器学习实例，转化为相对流程化的Python代码以及基本的阶段化流程。

所以，看本文之前，建议先看第一篇。

01

目的以及实验环境

项目目的

由于jupyter只适合作为实验过程，真正的在线过程，或者在线生产环境是使用python来执行。所以，我们基于01，如何把jupyter转换为流程化的python。

环境准备

我们先在01的数据基础上，模拟出来训练数据，以及假设我们要预测的待预测数据。我们在01教程输入数据的基础上，切割出两份没有交叉的数据。

+先把需要的目录创建好

(1) data中放之前我们的那份数据，先把01教程的数据丢进去
(2) model将存储模型文件
(3) predict将存放预测结果

02

数据切分

创建一个python文件，命名为01_split_data.py，实在不行，你用文本编辑器创建，写代码，再上传也行。

或者直接在linux上创建一个：

touch 01_split_data.py

然后使用vim在上面写代码：

#!/user/bin/env python3
# -*- coding: utf-8 -*-import warnings
warnings.filterwarnings("ignore")
import pandas as pdfile = './data/train_subset_1000000.csv'
df = pd.read_csv(file)##截取部分当成训练集
df_click_1 =  df[df["click"] == 1].iloc[:10000,:]
df_click_0 =  df[df["click"] == 0].iloc[:52400,:]
#然后合并回去（行合并），作为新的df_train
df_train=pd.concat([df_click_1, df_click_0])##截取部分当成预测集
df_click_1 =  df[df["click"] == 1].iloc[10001:20000,:]
df_click_0 =  df[df["click"] == 0].iloc[52401:100000,:]
#然后合并回去（行合并），作为新的df_train
df_predict=pd.concat([df_click_1, df_click_0])#保存数据
df_train.to_csv('./data/df_train.csv')
df_predict.to_csv('./data/df_predict.csv')

给予执行权限：

chmod +x 01_split_data.py

执行数据分割程序：

python 01_split_data.py

可以看到data下已经多出来了两份文件，分别用于train和predict.

在实际的工作场景中，同样，我们需要准备好训练数据和预测数据，真实差异在哪呢？

训练集和待预测数据的差异在于，训练数据是带标的，即是有click这个字段的，而预测集中同样带属性，但没有click标志。

而训练的目的就是给predict数据集打上这个click标志，所以一般train数据集是历史数据，而predict数据是待预测的数据。

03

模型训练

建一个训练文件02_train_data.py：

#!/user/bin/env python3
# -*- coding: utf-8 -*-import warnings
warnings.filterwarnings("ignore")
import pandas as pd
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
##导入XGB相关的库
from xgboost import XGBClassifier
from sklearn import metrics
from sklearn.externals import joblib
import time##接下来对特征进行处理，先将类别特征进行编码
#针对类型类的特征，先进行编码，编码之前构建字典
def label_encode(field,df):dic = []df_field = df[field]list_field = df_field.tolist()#构建field字典for i in list_field:if i not in dic:dic.append(i)label_field = preprocessing.LabelEncoder()label_field.fit(dic)df_field_enconde_tmp = label_field.transform(df_field)df_field_enconde = pd.DataFrame(df_field_enconde_tmp, index=df.index, columns=[(field+'_enconde')])return df_field_enconde#数据准备
def encode_data():# 读入我们切割好的训练文件file = './data/df_train.csv'df = pd.read_csv(file)print(f'--All data:{df.id.count()}')y_1_nums = df[df["click"] == 1].id.count()y_0_nums = df[df["click"] == 0].id.count()print(f'--1 data:{y_1_nums}')print(f'--0 data:{y_0_nums}')print(f'--0 VS 1 => {round(y_0_nums / y_1_nums, 2)}:1')# 特征编码df_site_id_enconde = label_encode('site_id', df)df_site_domain_enconde = label_encode('site_domain', df)df_site_category_enconde = label_encode('site_category', df)df_app_id_enconde = label_encode('app_id', df)df_app_domain_enconde = label_encode('app_domain', df)df_app_category_enconde = label_encode('app_category', df)df_device_id_enconde = label_encode('device_id', df)df_device_ip_enconde = label_encode('device_ip', df)df_device_model_enconde = label_encode('device_model', df)#特征拼接df_input = pd.concat([df[['click','banner_pos','device_type','device_conn_type','C1','C14','C15','C16','C17','C18','C19','C20','C21']],df_site_id_enconde,df_site_domain_enconde,df_site_category_enconde,df_app_id_enconde,df_app_domain_enconde,df_app_category_enconde,df_device_id_enconde,df_device_ip_enconde,df_device_model_enconde], axis=1)return df_input#效果输出函数
def func_print_score(x_data, y_data, data_type, model_x):y_pred = model_x.predict(x_data)print(f'==============({data_type})===================')confusion = metrics.confusion_matrix(y_data, y_pred)print(confusion)print('------------------------')auc = metrics.roc_auc_score(y_data, y_pred)print(f'AUC: {auc}')print('------------------------')accuracy = metrics.accuracy_score(y_data, y_pred)print(f'Accuracy: {accuracy}')print('------------------------')report = metrics.classification_report(y_data, y_pred)print(report)print('=============================================')#训练模型
def train_data(df_input):#对数据进行分割，分割为训练集和测试集x_train,x_test,y_train,y_test = train_test_split(df_input.iloc[:,1:],df_input["click"],test_size=0.3, random_state=123)begin_time = time.time()print(f'Begin Time : {time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(begin_time))}')##受限于机器的资源，这里就不做gridsearch调参了，直接凑合着来(按最小资源消耗来设置参数)model = XGBClassifier(learning_rate=0.1,n_estimators=10,max_depth=3,objective='binary:logistic')model.fit(x_train, y_train, eval_metric="auc")end_time = time.time()print(f'End Time : {time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(end_time))}')if __name__=='__main__':df_input=encode_data()model=train_data(df_input)#保存模型joblib.dump(model, './model/xgb_model.pkl')

这里简单的封装几个函数，上面split数据的由于太简单了，就直接执行了。

可以看到打印的一些信息和模型已经生成。

有了模型以ready好的预测数据（所谓ready就是预测数据带上了特征），我们可以用这个模型来预测数据了。

04

预测数据

创建一个03_predict_data.py

#!/user/bin/env python3
# -*- coding: utf-8 -*-import warnings
warnings.filterwarnings("ignore")
import pandas as pd
from sklearn import preprocessing
from sklearn.externals import joblib
from sklearn import metrics
from xgboost import XGBClassifier##接下来对特征进行处理，先将类别特征进行编码
#针对类型类的特征，先进行编码，编码之前构建字典
def label_encode(field,df):dic = []df_field = df[field]list_field = df_field.tolist()#构建field字典for i in list_field:if i not in dic:dic.append(i)label_field = preprocessing.LabelEncoder()label_field.fit(dic)df_field_enconde_tmp = label_field.transform(df_field)df_field_enconde = pd.DataFrame(df_field_enconde_tmp, index=df.index, columns=[(field+'_enconde')])return df_field_enconde#数据准备
def encode_data():# 读入我们切割好的预测文件file = './data/df_predict.csv'df = pd.read_csv(file)# 特征编码df_site_id_enconde = label_encode('site_id', df)df_site_domain_enconde = label_encode('site_domain', df)df_site_category_enconde = label_encode('site_category', df)df_app_id_enconde = label_encode('app_id', df)df_app_domain_enconde = label_encode('app_domain', df)df_app_category_enconde = label_encode('app_category', df)df_device_id_enconde = label_encode('device_id', df)df_device_ip_enconde = label_encode('device_ip', df)df_device_model_enconde = label_encode('device_model', df)#特征拼接，注意，这里在实际中是没有click数据的df_input = pd.concat([df[['id','click','banner_pos','device_type','device_conn_type','C1','C14','C15','C16','C17','C18','C19','C20','C21']],df_site_id_enconde,df_site_domain_enconde,df_site_category_enconde,df_app_id_enconde,df_app_domain_enconde,df_app_category_enconde,df_device_id_enconde,df_device_ip_enconde,df_device_model_enconde], axis=1)return df_inputif __name__=='__main__':df_input=encode_data()#加载模型model = joblib.load('./model/xgb_model.pkl')#预测数据#这里我们先把id和原来的click摘出来，然后一会儿predict出来之后，用来对比一下预测结果df_id_click=df_input.iloc[:,:2]df_predict = df_input.iloc[:, 2:]y_predict = model.predict(df_predict)#将序列转换成df，原始是这样的array([0, 0, 0, ..., 0, 0, 0])，并字段命名为p_clickdf_y_predict = pd.DataFrame(y_predict, columns=["p_click"], index=df_id_click.index)#我们先把预测数据保存下来,在实际生产过程中，这个结果就可以拿去用了df_output=pd.concat([df_id_click.iloc[:,:1], df_y_predict], axis=1)df_output.to_csv('./predict/predict.csv')#为了验证我们的预测结果，我们看下多少个完全预测对了#合并新旧数据，click为真实的click，p_predict为预测的clickdf_new_id = pd.concat([df_id_click, df_y_predict], axis=1)df_new_id.to_csv('./predict/predict_pk.csv')#我们适当打印一下差异print(f'ALL ID: {df_id_click.id.count()}')print(f'Disaccord ID: {df_new_id[df_new_id["click"] != df_new_id["p_click"]].id.count()}')

执行之后结果如下：

忽略掉告警，可以看到结果文件和PK对比文件已经保存。

预测的准确率=(57598-9849)/57598=82.9%，看着准确率（Accuracy）很高，但实际上是由于数据分布过于一致导致的，在实际生产环境中是不可能这么高的。

05

总结

首先微信看代码不好看，可以看github上的：

https://github.com/blogchong/data_and_advertisement/tree/master/code/ml_course/ml_02_ctr_python

记得给star，不要白嫖~~ 然后就是，如果想更有一个学习氛围，或者更多的参与互动，可以加入俺的知识星球，为初学者或者广告知识爱好者准备的坑，这里只做知识记录。

数据虫巢知识星球

【01】适合数据行业出入者。

【02】适合对于数据挖掘、算法感兴趣的朋友。

【03】适合对于数据方向职业困惑的朋友。

【04】适合对于广告与数据算法相关感兴趣的人。

文章都看完了，还不点个赞来个赏~

OTHER相关系列文章（初学者系列）

《【初学者系列】01-机器学习入门教程，启发式实例》