数据探索性分析（EDA）

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 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

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

特征说明

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())

观察数据维度

Train_data.shape，Test_data.shape

总览概况: .describe（）查看统计量，.info（）查看数据类型

1.1 判断数据缺失和异常

1.1.1 查看nan

Train_data.shape，Test_data.shape

也可直接查看nan，有以下两种方式 ↓ ：

Train_data.isnull().sum()

可视化na更直观

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

新技能： msno库(缺失值可视化)的使用

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

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

直接显示未缺失的样本数量/每特征

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

使用msno中的 .heatmap()查看缺失值之间的相关性

msno.heatmap(Train_data.sample(250))

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

统计分布 ↓

Train_data['price'].value_counts()

## 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)

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。

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 kurtosis
sns.distplot(Train_data['price']);
print("Skewness: %f" % Train_data['price'].skew())
print("Kurtosis: %f" % Train_data['price'].kurt())

批量计算skew

Train_data.skew()

查看skew的分布情况

批量计算kurt

Train_data.kurt()

查看kurt的分布情况

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()

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）

# 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trick
plt.hist(np.log(1+Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') 
plt.show()

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：

test data显示同理

numeric_features.append('price')
numeric_features

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

只截了一部分

查看相关性（强->弱）

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

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)

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())  
         )

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：

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_features
target = '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

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python id()函数用于什么场景，语法是什么

  Python内置函数-id()函数。id() 函数返回对象的唯一标识符，标识符是一个整数。CPython 中 id() 函数用于获取对象的内存地址。

• Python中用什么方法实现配置热加载，具体怎样做

  所谓的配置热加载，也就是说当服务收到配置更新消息之后，我们不用重启服务就可以使用最新的配置去执行任务。本文将介绍如何用Python实现配置热加载，需要的可以参考一下

• Python装饰器的概念如何理解，详细用法是什么

  今天你的咖啡加糖了吗？ 让我们通过一个简单的例子来引出装饰器的概念及用法。在引出装饰器之前，我们先来了解一下函数的概念，感兴趣的朋友跟随小编一起看看吧

• Python中字典创建、增删改查及循环操作是什么

  创建字典有非常多种方式，但是我认为只要先掌握以下3种，就可以应对大部分的应用场景了； 1.直接赋值法；2.关键字赋值法；3. 列表转化法；4 .元素增加法；5. 元组转化法；6. 创建key值法

• Python3开启http服务的方式是什么，哪些事项要注意

  Python中自带了简单的服务器程序，能较容易地打开服务。在python3中将原来的SimpleHTTPServer命令改为了http.server，使用方法如下：