scikit-learn简称sklearn，支持包括分类、回归、降维和聚类四大机器学习算法。还包含了特征提取、数据处理和模型评估三大模块。sklearn是Scipy科学计算库的扩展，建立在NumPy和matplotlib库的基础上。利用这几大模块的优势，可以大大提高机器学习的效率。

Scikit-learn项目最早由数据科学家 David Cournapeau 在 2007 年发起，需要NumPy和SciPy等其他包的支持，是Python语言中专门针对机器学习应用而发展起来的一款开源框架。

在Windows环境中，sklearn 需要在安装 numpy+mkl 和scipy 之后才可以安装，安装过程如下。

首先，下载Python scikit-learn，Windows版下载网站地址为：https://www.lfd.uci.edu/~gohlke/pythonlibs/，链接为scikit_learn‑0.19.1‑cp36‑cp36m‑win_amd64.whl。

安装操作如下：

D:\Python\Python36\Tools>pip install d:\python\scikit_learn-0.19.1-cp36-cp36m-win_amd64.whl

Processing d:\python\scikit_learn-0.19.1-cp36-cp36m-win_amd64.whl

Installing collected packages: scikit-learn

Successfully installed scikit-learn-0.19.1

以抽油机杆断脱工况为例，通过功图标准化数据集与该井理论功图库进行分类对比，确定抽油杆断脱对应特征。功图变窄用实测功图载荷差与理论功图载荷差的比值来表征；最大载荷偏离用(实测最大载荷-理论最小载荷)/理论功图载荷差来表征。

利用历史数据，给出抽油杆断脱的分类标识(断脱为1，非断脱为0)，形成训练集。通过对大量抽油杆断脱井及非断脱井的宽窄偏离程度统计对比分析，确定断脱条件为T1(宽窄程度)小于74.5、T2(偏离程度)小于47.1，见下表：

油井

T1

T2

检泵原因

油井1

34.27258806

47.09825638

1

油井2

44.91577335

42.38897397

1

油井3

39.60183767

40.47473201

1

油井4

17.28699552

0

1

油井5

74.50145262

37.39663093

1

油井6

178.089172

131.0509554

0

油井7

177.4840764

129.9681529

0

油井8

182.0063694

133.9171975

0

油井9

178.8535032

133.4713376

0

油井10

180.6369427

135.2866242

0

利用决策树建立抽油杆断脱工况诊断模型。实测示功图经标准化处理提取特征信息，如果为错误功图则直接输出诊断结果，否则到达下一节点，进行断脱属性测试。此处节点分类权值为上一阶段训练集得出结果，如果符合断脱条件则输出诊断结果，不符合则继续进行其他工况诊断。如果准确率达不到期望值，可以重新调整特征信息。决策树部分示例代码如下：

import numpy as np

import scipy as sp

from sklearn import tree

from sklearn.cross_validation import train_test_split

from sklearn.metrics import precision_recall_curve

from sklearn.metrics import classification_report

def main():

data = []

lable= []

with open("decisiontree.txt") as ifile:

for line in ifile:

tmp = line.strip().split(' ')

tmp1=[]

for i in range(0,len(tmp)-1):

tmp1.append(float(tmp[i]))

data.append(tmp1)

lable.append(float(tmp[len(tmp)-1]))

x = np.array(data)

y = np.array(lable)

''''' 拆分训练数据与测试数据 '''

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2)

''''' 使用信息熵作为划分标准，对决策树进行训练 '''

clf = tree.DecisionTreeClassifier(criterion='entropy')

print(clf)

clf.fit(x_train, y_train)

''''' 把决策树结构写入文件 '''

with open("tree.dot", 'w') as f:

f = tree.export_graphviz(clf, out_file=f)

''''' 系数反映每个特征的影响力。越大表示该特征在分类中起到的作用越大 '''

print(clf.feature_importances_)

'''''测试结果的打印'''

answer = clf.predict(x_train)

print(x_train)

print(answer)

print(y_train)

print(np.mean( answer == y_train))

'''''准确率与召回率'''

precision, recall, thresholds = precision_recall_curve(y_train, clf.predict(x_train))

answer = clf.predict_proba(x)[:,1]

print(classification_report(y, answer, target_names = ['yes', 'no']))

if __name__ == '__main__':

main()

决策树的结构写入了tree.dot中，决策树结构如下(采用80%为训练数据，8条的结果，与引用文档所描述结果不一致)：

digraph Tree {

node [shape=box] ;

0 [label="X[0] <= 125.993\nentropy =0.954\nsamples =8\nvalue =[3, 5]"] ;

1 [label="entropy = 0.0\nsamples =5\nvalue =[0, 5]"] ;

0 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;

2 [label="entropy = 0.0\nsamples =3\nvalue =[3, 0]"] ;

0 -> 2 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;

}

转化为决策树图形为：

运行程序结果如下，供参考：

DecisionTreeClassifier(class_weight=None, criterion='entropy', max_depth=None,

max_features=None, max_leaf_nodes=None,

min_impurity_decrease=0.0, min_impurity_split=None,

min_samples_leaf=1, min_samples_split=2,

min_weight_fraction_leaf=0.0, presort=False, random_state=None,

splitter='best')

[1. 0.]

[[ 74.50145262 37.39663093] [178.8535032 133.4713376 ] [ 17.28699552 0. ] [182.0063694 133.9171975 ] [ 34.27258806 47.09825638] [ 44.91577335 42.38897397] [ 39.60183767 40.47473201] [177.4840764 129.9681529 ]]

[1. 0. 1. 0. 1. 1. 1. 0.]

[1. 0. 1. 0. 1. 1. 1. 0.]

1.0

precision recall f1-score support

yes 1.00 1.00 1.00 5

no 1.00 1.00 1.00 5

avg / total 1.00 1.00 1.00 10

由于本人水平有限，欢迎读者反馈。

参考：

1. 薛良玉，付国庆，蔡俊，等․ 油井生产工况诊断及智能预警. 2018年中国石油石化企业信息技术论文集 156-161

2. 用Python开始机器学习(2：决策树分类算法) CSDN博客 lsldd的专栏 2014年11月

3. Python科学计算初探——余弦相似度 CSDN博客 肖永威 2018年4月