一段python算法实战的代码

最新推荐文章于 2023-11-29 10:38:03 发布
最新推荐文章于 2023-11-29 10:38:03 发布
阅读量462 收藏
点赞数
分类专栏： python数据人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AnalogElectronic/article/details/112195330
版权

一段python算法实战的代码


# coding: utf-8

# In[1]:


get_ipython().magic('matplotlib inline')
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression as LR


# In[2]:


data = pd.read_csv("rankingcard.csv",index_col=0)


# In[5]:


##重复数据剔除
data.drop_duplicates(inplace=True)


# In[6]:


data.info()


# In[10]:


data['NumberOfDependents'].fillna(data['NumberOfDependents'].mean(),inplace=True)


# In[11]:


data.info()


# In[16]:


x = data.iloc[:,1:]
y = data['SeriousDlqin2yrs']


# In[17]:


y_fill = data['MonthlyIncome']


# In[34]:


X = pd.concat([x.loc[:,x.columns !='MonthlyIncome'],y],axis=1)
Y = y_fill

X_train = X[y_fill.notnull()]
X_test = X[y_fill.isnull()]
Y_train = Y[y_fill.notnull()]
Y_test = Y[y_fill.isnull()]


# In[36]:


from sklearn.ensemble import  RandomForestRegressor
rfc_mode = RandomForestRegressor(n_estimators=10)
rfc_mode.fit(X_train,Y_train)


# In[37]:


Y_predict = rfc_mode.predict(X_test)


# In[38]:


Y_predict


# In[39]:


data.loc[data['MonthlyIncome'].isnull(),"MonthlyIncome"] = Y_predict


# In[40]:


data.info()


# In[43]:


(data["age"] == 0).sum()
data = data[data['age'] != 0]


# In[45]:


data.index = range(data.shape[0])


# In[54]:


x_data = data.iloc[:,1:]
y_data = data['SeriousDlqin2yrs']


# In[55]:


from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x_data,y_data,test_size = 0.3,random_state = 10)


# In[56]:


from sklearn.ensemble import RandomForestClassifier
forst_mode = RandomForestClassifier(n_estimators=50,random_state=10,n_jobs=-1)
forst_mode.fit(x_train,y_train)


# In[57]:


yp = forst_mode.predict(x_test)


# In[58]:


def cm_plot(y, yp):
    from sklearn.metrics import confusion_matrix  # 导入混淆矩阵函数
    cm = confusion_matrix(y, yp)  # 混淆矩阵
    import matplotlib.pyplot as plt
    plt.matshow(cm, cmap=plt.cm.Greens)
    plt.colorbar()
    for x in range(len(cm)):
        for y in range(len(cm)):
            plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
    plt.ylabel('Predicted label')
    plt.xlabel('True label')
    return plt


# In[59]:


cm_plot(y_test,yp)


# In[62]:


data.shape


# In[63]:


## 1 10009
10009/149390


# In[64]:


from imblearn.over_sampling import SMOTE


# In[65]:


sm = SMOTE(random_state=10)


# In[66]:


x_new_data,y_new_data = sm.fit_sample(x_data,y_data)


# In[70]:


from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x_new_data,y_new_data,test_size = 0.3,random_state = 10)


# In[71]:


from sklearn.ensemble import RandomForestClassifier
forst_mode = RandomForestClassifier(n_estimators=50,random_state=10,n_jobs=-1)
forst_mode.fit(x_train,y_train)


# In[73]:


yp = forst_mode.predict(x_test)


# In[74]:


cm_plot(y_test,yp)


# In[78]:


(38379+38074)/83629


# In[80]:


38074/(38074+3771)

逐句解析

get_ipython().magic('matplotlib inline')
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression as LR
data = pd.read_csv("rankingcard.csv",index_col=0)
data.info()

在这里插入图片描述

##重复数据剔除
data.drop_duplicates(inplace=True)
data.info()

在这里插入图片描述

#平均值填充NumberOfDependents空值
data['NumberOfDependents'].fillna(data['NumberOfDependents'].mean(),inplace=True)
data.info()

在这里插入图片描述

#随机森林填充MonthlyIncome空值
x = data.iloc[:,1:]
y = data['SeriousDlqin2yrs']


# In[17]:


y_fill = data['MonthlyIncome']


# In[34]:


X = pd.concat([x.loc[:,x.columns !='MonthlyIncome'],y],axis=1)
Y = y_fill

X_train = X[y_fill.notnull()]
X_test = X[y_fill.isnull()]
Y_train = Y[y_fill.notnull()]
Y_test = Y[y_fill.isnull()]
#随机森林回归树 预测y
from sklearn.ensemble import  RandomForestRegressor
rfc_mode = RandomForestRegressor(n_estimators=10)
rfc_mode.fit(X_train,Y_train)
Y_predict = rfc_mode.predict(X_test)
data.loc[data['MonthlyIncome'].isnull(),"MonthlyIncome"] = Y_predict

#异常值处理
(data["age"] == 0).sum()

data = data[data['age'] != 0]
data.index = range(data.shape[0]) #感觉这句没意义
x_data = data.iloc[:,1:]
y_data = data['SeriousDlqin2yrs']

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x_data,y_data,test_size = 0.3,random_state = 10)

from sklearn.ensemble import RandomForestClassifier
forst_mode = RandomForestClassifier(n_estimators=50,random_state=10,n_jobs=-1)
forst_mode.fit(x_train,y_train)


# In[57]:


yp = forst_mode.predict(x_test)


# In[58]:


def cm_plot(y, yp):
    from sklearn.metrics import confusion_matrix  # 导入混淆矩阵函数
    cm = confusion_matrix(y, yp)  # 混淆矩阵
    import matplotlib.pyplot as plt
    plt.matshow(cm, cmap=plt.cm.Greens)
    plt.colorbar()
    for x in range(len(cm)):
        for y in range(len(cm)):
            plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
    plt.ylabel('Predicted label')
    plt.xlabel('True label')
    return plt


# In[59]:


cm_plot(y_test,yp)

在这里插入图片描述


from imblearn.over_sampling import SMOTE

sm = SMOTE(random_state=10)
x_new_data,y_new_data = sm.fit_sample(x_data,y_data)


# In[70]:


from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x_new_data,y_new_data,test_size = 0.3,random_state = 10)

from sklearn.ensemble import RandomForestClassifier
forst_mode = RandomForestClassifier(n_estimators=50,random_state=10,n_jobs=-1)
forst_mode.fit(x_train,y_train)


# In[73]:


yp = forst_mode.predict(x_test)


# In[74]:

cm_plot(y_test,yp)

在这里插入图片描述

AnalogElectronic
关注
专栏目录
python优化算法_Python最优化算法实战
weixin_39972264的博客
12-07 4049
从推公式到写代码：代码是联系理论和现实的桥梁，本书通过代码实现*优化算法，将理论与实践相结合，在编程中思考算法的计算过程，并通过代码将算法应用在实际问题中，以达到解决问题的目的。本书以理论结合编程开发为原则，使用Python作为开发语言，讲解*优化算法的原理和应用，详细介绍了Python基础、Gurobi优化器、线性规划、整数规划、多目标优化、动态规划、图与网络分析、智能优化算法。对于算法部分的每...
k邻近算法python代码_机器学习算法之K近邻法-Python实现
weixin_35368877的博客
02-17 3261
一、算法简介k近邻法(k-nearest neighbor,k-NN)是一种基本的分类方法，输入的是实例的特征向量，对应于特征空间的点，输出结果为实例的类别，可以取多类。对于训练集来说，每个实例的类别已定，当分类时，对于新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式来进行预测。k近邻法分类过程不具有显式的学习过程，其实际上是利用训练数据集对特征向量空间进行划分，从而作为后面分类的模...
一段python代码
greenfarmer的博客
01-18 1172
def s(n):    if (n        return '0'    if n==6:        return '6'    if n==7:        return '7'    if n==8:        return '8'    t8=s(n-8)    if t8[0]!='0':        return t8+'+8'        t7=s(n-7)    
Python：计算一段代码的执行时间
weixin_42161670的博客
01-04 393
import time ''' # 例一 start = time.time() x = 0 for i in range(0,199999999): x += i print(x) end = time.time() print('例一的代码执行时长为：',round(end-start),'秒') # 例二 start = time.time() time.sleep(3) end = time.time() print('例二的代码执行时长为：',round(end-start),'秒')
utf-8编码举例
Ideality_hunter的专栏
03-22 919
“严”的Unicode码是4E25，UTF-8编码是E4B8A5。
UTF-8编码
weixin_57165154的博客
02-22 3330
字符编码UTF-8
Unicode转换为UTF-8过程Demo
04-22 342
碎碎念： 这几天在学习Python对Unicode的支持 上学的时候，计算机基础课上总能听到老师讲什么字节，字符，Unicode，UTF-8吧啦吧啦一堆，反正我是只记住了名字，至于具体这些名字所表达的含义，当时的我是一点也没有想要好好了解的意愿，必竟是一看就会睡着的内容。 那时候心里想的是，老...
Python自学教程-Python基础实战100例.pdf
06-13
循环是程序控制流程的一种方式，它允许我们重复执行一段代码，直到满足某个条件为止。在九九乘法表的实现中，我们通常使用for循环，因为它更适合处理已知数量的迭代。 1. 解题思路： - 用两个嵌套的for循环，外层...
朴素贝叶斯算法Python实战代码解析
本资源文件提供了关于朴素贝叶斯算法在Python中的实战代码示例。通过深入分析文件内容，可以学习到如何使用Python进行数据处理、模型构建、算法实现和性能评估。此外，通过掌握朴素贝叶斯算法，可以将其应用于多种...
Python入门实战：环境搭建与IDE选择和入门实战示例代码30例详解
最新发布
AI架构设计之禅
11-29 1017
1.背景介绍 Python是一种高级的、通用的、解释型的编程语言，由Guido van Rossum于1991年设计。Python语言的设计目标是让代码更简洁、易读和易于维护。Python语言的发展历程可以分为以下几个阶段： 1.1 诞生与发展阶段（1991-1994）：Python诞生于1991年，由Guido van Rossum在荷
【机器学习实战】8_dimensionality_reduction代码《Hands-On Machine Learning with Scikit-Learn&TensorFlow》
09-22 206
降维（主成分分析和因子分析） # -*- coding: utf-8 -*- """ Created on Fri Feb 1 16:21:14 2019 @author: Administrator """ import matplotlib.pyplot as plt import os import numpy as np PROJECT_ROOT_DIR = 'E:\wuxian ...
get_ipython().magic(‘matplotlib inline‘) NameError: name ‘get_ipython‘ is not defined
热门推荐
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
02-13 3万+
get_ipython().magic('matplotlib inline') NameError: name 'get_ipython' is not defined
python 魔术命令,iPython - 在配置文件中设置魔术命令
weixin_36138385的博客
01-15 356
I use iPython mostly via notebooks but also in the terminal. I just created my default profile by running ipython profile create.I can't seem to figure out how to have the profile run several magic co...
自然语言处理入门
u013154909的博客
08-20 1847
#!/usr/bin/env python coding: utf-8 本项目对应视频课程已上线，点击前往学习深度学习NLP从入门到实战 数据来源：从网站上爬取56821条数据中文新闻摘要 数据内容：包含10种类别，国际、文化、娱乐、体育、财经、汽车、教育、科技、房产、证券 # 1、准备数据: 创建数据集和数据字典 创建数据读取器train_reader 和test_reader # 2、配置网络 定义网络 定义损失函数 定义优化算法 # 3、训练网络 # 4、模型评估 # 5、模
python内建方法
potato123232的博客
08-18 857
在help文档中查看方法的参数时： 在'/'之前的参数都是位置参数 在'/'与'*'之间的参数可以被用作位置参数和关键字参数 在'*'之后的参数只能是关键字参数 1不常用的 1.1如果迭代器中没有负值则返回True all() #all()如果迭代器中所有数值为True则返回True a = [1,2] b = all(a) print(b) a = [0,1,2] b = all(a) print(b) #如果迭代器为空返回True a = [] b = all(a) prin...
NameError: name 'get_ipython' is not defined
jiao_mrswang的博客
12-28 2万+
   出错原因一： 将.ipynb文件保存为.py文件，用python命令直接运行py文件时会出现错误：NameError:name 'get_ipython' is not defined； 解决方案一： 用ipython运行py文件 出错原因二： 当用ipython运行该文件时会出现No event loop integration for 'inline' 解决方案二：...
python缺失值处理和空值处理
weixin_46713695的博客
06-22 6647
python缺失值和空值处理
%matplotlib inline命令出现get_ipython().magic错误
UniqueDavid的博客
05-03 1万+
今天使用seaborn库，使用anaconda中的jupyter notebook编写代码。为了让图直接在notebook中直接显示，使用了如下代码：%matplotlib inline#让图直接在notebook上面显示出现了如下错误：get_ipython().magic(u'matplotlib inline#\u8ba9\u56fe\u76f4\u63a5\u5728notebook\u4...
Python 评分卡之数据预处理（重复值、填补缺失值、异常值与数据不平衡）
程志伟的博客
03-29 2868
关注微信公共号：小程在线 关注CSDN博客：程志伟的博客 评分卡之数据预处理：重复值、填补缺失值、异常值与数据不平衡 在银行借贷场景中，评分卡是一种以分数形式来衡量一个客户的信用风险大小的手段，它衡量向别人借钱的人（受信人，需要融资的公司）不能如期履行合同中的还本付息责任，并让借钱给别人的人（授信人，银行等金融机构）造成经济损失的可能性。一般来说，评分卡打出的分数越高，客户的信用越好，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值