20200322零基础入门数据挖掘 - 二手车交易价格预测笔记(2)
二、EDA-数据探索性分析
前面的步骤就不做赘述了,我在下载好资料后,在jupyter notebook里将数据导入,随后进行课程内容的一系列指导操作,熟悉数据集,包括:
2.1 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;
2.2 载入数据:
- 载入训练集和测试集;
- 简略观察数据**(head()+shape)**;
2.3 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
2.4 判断数据缺失和异常
- 查看每列的存在nan情况
- 异常值检测
2.5 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
2.6 特征分为类别特征和数字特征,并对类别特征查看unique分布
2.7 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
2.8 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)
2.9 用pandas_profiling生成数据报告
2.10代码运行过程
- 2.1载入各种数据科学以及可视化库知识点
#coding:utf-8
#导入warnings包,利用过滤器来实现忽略警告语句。
import warnings
warnings.filterwarnings('ignore')import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as msno
整个操作过程中也在不断产生疑问,并寻找解答:
- 为什么要导入warnings包去忽略警告语句?
网上有说法是,python出现warnings通常是提示用户一些错误或者过时的用法,也有时候是因为导入的第三方API有些功能是python不赞成的,但并不会影响运行,故而忽略警告语句能让界面更加清爽,不会时不时报错。 - Pandas和Numpy数据科学库的作用?
Pandas是基于NumPy数组构建的,使数据预处理、清洗、分析工作变得更快更简单。pandas是专门为处理表格和混杂数据设计的,而NumPy更适合处理统一的数值数组数据。pandas有两个主要数据结构:Series和DataFrame。NumPy函数库则是Python的一种开源的数值计算扩展工具,能够处理矩阵的数据类型。
from Python pandas用法 - Matplotlib和Seaborn的作用?
Matplotlib相当于Python的绘图库,它与 NumPy一起使用,提供了一种有效的 MatLab开源替代方案。Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面,便于用户能够做出各种有吸引力的统计图表。
from Seaborn简单介绍 - missingno的作用?
可以做缺失值的可视化处理,可以快速直观地总结数据集的完整性。
from 缺失值可视化处理–missingno
- 2.4判断数据缺失和异常知识点(2.2和2.3操作没有太多的问题,时间原因先跳过)
# 1)查看每列的存在nan情况
Test_data.isnull().sum()
通过上方的式子可知每列存在缺失值的情况,主要是集中在bodyType,fuelType和gearbox这几列,可以通过missingno进行可视化处理。
# nan可视化
missing = Train_data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()
Tip:这一个步骤的目的主要是看nan存在的个数是否真的很大,如果很小一般选择填充,如果使用lgb等树模型可以直接空缺,让树自己去优化,但如果nan存在的过多、可以考虑删掉。
# 可视化看下缺省值
msno.matrix(Train_data.sample(250))
#Train_data表示类型为dataframe的表格,sample(250)表示抽取表格中250个样本。
msno.bar(Train_data.sample(1000))
# 可视化看下缺省值
msno.matrix(Test_data.sample(250))
# 白线越多,代表缺失值越多。
msno.bar(Test_data.sample(1000))
这四条式子依然是在看数据集里面的缺省值,可以发现测试集的缺省和训练集的差不多情况, 可视化有四列有缺省,而notRepairedDamage缺省得最多。
## 2) 查看异常值检测
Train_data.info()
根据运行结果可知,只有notRepairedDamage是object格式,所以会再去看notRepairedDamage这列里面具体是出现哪些值,出现多少次。
Train_data['notRepairedDamage'].value_counts()
经过此步骤找到了异常值“-”,因为很多模型对nan有直接的处理,所以此处就先替换成nan。
Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)
处理完缺省值和异常值的问题,那么接下来就是看测试集里面价格的分布,也就是我们最终要预测的值,模型也是要依照这个分布而定的。
- 2.5了解预测值的分布知识点
## 1) 总体分布概况(无界约翰逊分布等)
import scipy.stats as st
y = 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)
从这一步骤的运行结果来看,线条与蓝色分布最拟合的就是第一张图,无界约翰逊分布。
- 2.6特征分类知识点
分为类别特征和数字特征进行处理,并对类别特征查看unique分布,题目中需要进行人为分类。不过此处我还未理解匿名特征属于numeric,可能是因为前面对数据类型的判断是float?(理解后再更新)
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',]
- 2.7数字特征分析知识点
一般会拿偏度和峰度来看数据的分布形态,而且一般会跟正态分布做比较,我们把正态分布的偏度和峰度都看做零。如果我们在实操中,算到偏度峰度不为0,即表明变量存在左偏右偏,或者是高顶平顶这么一说。
## 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()) )
- 2.8类别特征分析知识点
- 掌握unique分布
## 1) unique分布
for fea in categorical_features:print(Train_data[fea].nunique())
- 掌握箱型图、小提琴图的分析
利用箱线图判断数据的偏态和尾重:
对于标准正态分布的样本,只有极少值为异常值。异常值越多说明尾部越重,自由度越小(即自由变动的量的个数);而偏态表示偏离程度,异常值集中在较小值一侧,则分布呈左偏态;异常值集中在较大值一侧,则分布呈右偏态。
小提琴图由五个数值点组成:最小值(min),下四分位数(Q1)中位数(median),上四分位数(Q3),最大值(max),也可以往里面加入平均值(mean)。
20200322零基础入门数据挖掘 - 二手车交易价格预测笔记(2)相关推荐
- 20200404零基础入门数据挖掘 - 二手车交易价格预测笔记(5)
五.模型融合 5.1 模型融合目标 对于多种调参完成的模型进行模型融合,因为多个模型组合在一起通常可以产生更强大的模型. 5.2 内容介绍 模型融合是比赛后期一个重要的环节,大体来说有如下的类型方式. ...
- Task 3 特征工程 Datawhale零基础入门数据挖掘- 二手车交易价格预测
Task 3 特征工程 Datawhale零基础入门数据挖掘- 二手车交易价格预测 Tips:此部分为零基础入门数据挖掘的Task3特征工程部分,主要包含各种特征工程以及分析方法 赛题:零基础入没人能 ...
- 零基础入门数据挖掘——二手车交易价格预测:baseline
零基础入门数据挖掘 - 二手车交易价格预测 赛题理解 比赛要求参赛选手根据给定的数据集,建立模型,二手汽车的交易价格. 赛题以预测二手车的交易价格为任务,数据集报名后可见并可下载,该数据来自某交易平台 ...
- 《零基础入门数据挖掘 - 二手车交易价格预测》Baseline实施
@[TOC]<零基础入门数据挖掘 - 二手车交易价格预测>baseline实施 <零基础入门数据挖掘 - 二手车交易价格预测>Baseline实施 前面陆陆续续学习机器学习大概 ...
- 零基础入门数据挖掘 - 二手车交易价格预测
1.赛题数据 赛题以预测二手车的交易价格为任务,数据集报名后可见并可下载,该数据来自某交易平台的二手车交易记录,总数据量超过40w,包含31列变量信息,其中15列为匿名变量.为了保证比赛的公平性,将会 ...
- 入门数据挖掘(二手车交易价格预测案例)(二):特征工程
特征工程 1 特征工程目标 2 内容介绍 3 代码示例 3.1 删除异常值 3.2 特征构造 特征筛选 经验总结 上一篇我们已经进行了数据探索性分析,对数据的特征有了初步的了解.下面我们就要进行特征工 ...
- 数据挖掘入门:二手车交易价格预测
题目和数据来源于:阿里天池数据挖掘学习赛 备注:本篇文章主要目的是为了通过阿里天池的入门教程,保存一下数据挖掘中的一般步骤,因此解释性工作较少,主要是方便自己未来作为参照使用. 其中下面的主要代码参考 ...
- 数据挖掘 - 二手车交易价格预测(阿里天池)
https://blog.csdn.net/CarryLvan/article/details/106797353 https://tianchi.aliyun.com/notebook-ai/det ...
- Datawhale 零基础入门数据挖掘-Task5 模型融合
模型融合是比赛后期一个重要的环节,大体来说有如下的类型方式. 一.简单加权融合 1.回归(分类概率):算术平均融合(Arithmetic mean),几何平均融合(Geometric mean): 2 ...
最新文章
- 【BZOJ-1858】序列操作 线段树
- python字符串转归类_pandas剪切:如何将分类标签转换为字符串(否则无法导出到Excel)?
- battlesvr结构
- 压缩/批量压缩/合并js文件
- GitBucket管理员添加人员
- 华东云友会主播栏目01期 阿里云X海底捞,千人千锅就是如此任性!
- itest(爱测试) 3.3.7 发布,开源BUG 跟踪管理 敏捷测试管理软件
- python基本语言元素是_Python-基本语法元素
- ECSHOP模板设置只有登录用户才能查看商品详情内容
- SQL Server:关键字搜索
- 红帽学习笔记[RHCSA] 第三课[输出重定向、Vi编辑器]
- scala中一些常见用法
- matlab 图片显示函数,matlab图像显示函数
- 《统计学》第八版贾俊平第三章课后答案Excel
- C# 抖音无水印视频下载教程,教你你如何抓取抖音无水印接口
- 新东方雅思词汇(List 41 ~ List 45)
- 计算机工程学院运动会加油稿50字,校园运动会加油稿50字
- 搭档之家:就离谱!!! “假通知书”在淘宝突然泛滥 阿里:已处罚,欢迎大家举报
- HUD - 1873
- 一些技能点语法糖(上)