由于数据的不完整,所以这里主要从“钱花得最少,去的景点评分最高”这样的角度来判断“值不值”。
“值不值”的恒定标准为:
代数 意义
PS:这里本应该每个值附上自己的权重,由于时间关系,我仅将他们(0,1)规格化了,这样就是1:1:1:1的关系,以后有时间在调整其权重问题。
再由Score值来分类:
先从全国景点数据中,找到五个例子城市的景点数据。
(方法五个都一样,这里只展示以张家界为例)
def find_zhangjiajie(i):
if ‘张家界’ in i:
return True
else:
return False
zhangjiajie_scenic = China_scenic_charge[China_scenic_charge[‘spot-info1’].apply(find_zhangjiajie)].reset_index().drop(columns=‘index’)
导出后画图如下
接下来是获取出行数据,由于机票价格波动太大,并且某些城市还没有普火,这里主要是取平均值,zhangjiajie_traffic数据大概这个样子
现在,对于张家界的景点、出行、酒店数据已经准备完毕
左右拼接在一起,创建随机数据集 zhangjiajie_travel:
def price_02(i):
i = (i - zhangjiajie_travel[‘价格’].min()) / (zhangjiajie_travel[‘价格’].max() - zhangjiajie_travel[‘价格’].min())
return i
def comment_02(i):
i = (i - zhangjiajie_travel[‘spot-comment’].min()) / (
zhangjiajie_travel[‘spot-comment’].max() - zhangjiajie_travel[‘spot-comment’].min())
return i
def hotel_02(i):
i = (i - zhangjiajie_travel[‘poi-price’].min()) / (
zhangjiajie_travel[‘poi-price’].max() - zhangjiajie_travel[‘poi-price’].min())
return i
def traffic_02(i):
i = (i - zhangjiajie_travel[‘出行价格’].min()) / (zhangjiajie_travel[‘出行价格’].max() - zhangjiajie_travel[‘出行价格’].min())
return i
每个表随机采样一万行
zhangjiajie_scenic_test = zhangjiajie_scenic.sample(n=10000, axis=0, random_state=1, replace=True).reset_index().drop(
columns=‘index’)
zhangjiajie_hotel_test = zhangjiajie_hotel.sample(n=10000, axis=0, random_state=1, replace=True).reset_index().drop(
columns=‘index’)
zhangjiajie_traffic_test = zhangjiajie_traffic.sample(n=10000, axis=0, random_state=1, replace=True).reset_index().drop(
columns=‘index’)
合在一起成为张家界的“假旅游数据集”
zhangjiajie_travel = pd.concat([zhangjiajie_scenic_test, zhangjiajie_hotel_test, zhangjiajie_traffic_test],
sort=False, axis=1).drop(columns=‘Unnamed: 0’)
重点:把五个城市的测试数据集建立完毕后,上下拼接在一起成为总的数据集(五万条),再将Score值算出,并对其打上标签
import pandas as pd
import numpy as np
def Score_change(i):
if i <= np.percentile(lfw_Happy_travel[‘Score’], (25)):
return 0
elif i >= np.percentile(lfw_Happy_travel[‘Score’], (25)) and i <= np.percentile(lfw_Happy_travel[‘Score’], (50)):
return 1
elif i >= np.percentile(lfw_Happy_travel[‘Score’], (50)) and i <= np.percentile(lfw_Happy_travel[‘Score’], (75)):
return 2
elif i >= np.percentile(lfw_Happy_travel[‘Score’], (75)):
return 3
lfw_Happy_travel = pd.concat([changsha_travel,
zhangjiajie_travel,
suzhou_travel,
hangzhou_travel,
changzhou_travel],
axis=0, sort=False).dropna()
lfw_Happy_travel[‘Score’] = lfw_Happy_travel[‘spot-comment’] / (lfw_Happy_travel[‘价格’] * lfw_Happy_travel[‘poi-price’] * lfw_Happy_travel[‘出行价格’])
lfw_Happy_travel[‘Score’] = lfw_Happy_travel[‘Score’].apply(Score_change)
最后,利用SVM支持向量机来对整个数据集进行评分,以总花费和景点评分作为属性,Score值作为标签
from sklearn import model_selection
from sklearn import svm
lfw_Happy_travel_num = pd.DataFrame(
{‘景点评分’: lfw_Happy_travel[‘spot-comment’],
‘花费’: lfw_Happy_travel[‘cost’],
‘Score’: lfw_Happy_travel[‘Score’]
})
x = lfw_Happy_travel_num.iloc[:, 0:2].values.tolist()
y = lfw_Happy_travel_num.iloc[:, -1].tolist()
x_train, x_test, y_train, y_test = model_selection.train_test_split(x, y, random_state=1, test_size=0.3)
clf = svm.SVC(C=0.1, kernel=‘linear’, decision_function_shape=‘ovr’)
clf = svm.SVC(kernel=‘rbf’, gamma=0.1, decision_function_shape=‘ovo’, C=0.8)
clf.fit(x_train, y_train)
print(“SVM-输出训练集的准确率为:”, clf.score(x_train, y_train))
print(“SVM-输出测试集的准确率为:”, clf.score(x_test, y_test))
这里我选择的核函数为线性核和高斯核,还在调参研究哪个准确率更高…
附上其他四个城市的景点图
其实去哪里玩得值不值还得看个人啦,喜欢去哪玩就去哪旅游,这里只是做一个数据分析来熟悉一下Pandas和sklearn的使用
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
[外链图片转存中…(img-GhQFpTnd-1712434332944)]