数据挖掘入门指南！！！

 Datawhale 

作者：王瑞楠、吴忠强、徐韬、田杨军

摘要：入门数据挖掘，必须理论结合实践。本文梳理了数据挖掘知识体系，帮助大家了解和提升在实际场景中的数据分析、特征工程、建模调参和模型融合等技能。

数据分析

探索性数据分析（Exploratory Data Analysis，EDA）是指对已有数据在尽量少的先验假设下通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。

常用的第三方库

数据科学库

• pandas：用于分组、过滤和组合数据，还提供了时间序列功能。

• numpy：处理大型的多维数组和矩阵

• scipy：用于解决线性代数、概率论、积分计算等任务

数据可视化库

• matplotlib：构建各种图表，从直方图和散点图到非笛卡尔坐标图等

• seaborn：提供了丰富的可视化图库，包括时间序列、联合图和小提琴图等复杂的类型。

常用函数

数据简略观测

• head()：观察数据读取是否准确，常读取前5行数据。

• shape：读取数据集的维度。

数据总览

• describe()：包含每列的统计量，个数、平均值、方差、最小值、中位数、最大值等。

• 数据类型info()：了解数据每列的type，了解是否存在除了nan以外的特殊符号异常。

数据检测

缺失值检测

• 查看每列的存在nan情况

• 排序函数sort_values()：将数据集依照某个字段中的数据进行排序,该函数即可根据指定列数据也可根据指定行的

• 可视化nan值与缺失值

异常值检测

• 3σ原则：拉依达准则，该准则具体来说，就是先假设一组检测数据只含有随机误差，对原始数据进行计算处理得到标准差，然后按一定的概率确定一个区间，认为误差超过这个区间的就属于异常值。

• 箱线图：依据实际数据绘制，真实、直观地表现出了数据分布的本来面貌，且没有对数据作任何限制性要求（3σ原则要求数据服从正态分布或近似服从正态分布），其判断异常值的标准以四分位数和四分位距为基础。

预测分布

总体分布概况：

• 无接触约翰逊分布：

• 正态分布

很多模型假设数据服从正态分布，数据整体服从正态分布，样本均值和方差则相互独立。当样本不服从正态分布时，可以做如下转换：

• 线性变化z-scores：基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x’

• Boxcox变换：一种广义幂变换方法，是统计建模中常用的一种数据变换，用于连续的响应变量不满足正态分布的情况。

• yeo-johnson变换：是幂变换（power transformation）的方法之一，通过构建一组单调函数对随机变量进行数据变换。

查看skeness 和kurtosis

• skeness：衡量随机变量概率分布的不对称性，是相对于平均值不对称程度的度量，通过对偏度系数的测量，我们能够判定数据分布的不对称程度以及方向。

• kurtosis：研究数据分布陡峭或平滑的统计量，通过对峰度系数的测量，我们能够判定数据相对于正态分布而言是更陡峭/平缓。

预测值的具体频数

当某范围预测值很少时，可将其当作异常值处理填充或删除。若频数很失常，需对数据进行处理，例如进行log变换，使数据分布较均匀，可据处理后的数据进行预测，这也是预测问题常用的技巧。

特征分析

数字特征

• 相关性分析：对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素之间的相关密切程度。

• 特征的偏度和峰度

• 数字特征分布可视化

• • pd.melt()：处理数据，透视表格，可将宽数据转化为长数据，以便于后续分析。形成的数据即为，键：各特征名称，值：特征对应的值

  • sns.FacetGrid() ：先sns.FacetGrid()画出轮廓,再map()填充内容

  • sns.pairplot()：展示变量两两之间的关系（线性或非线性，有无较为明显的相关关系）。

类别特征

• unique分布：对于一维数组或者列表，unique函数去除其中重复的元素，并按元素由大到小返回一个新的无元素重复的元组或者列表。

• 可视化：

• • 箱型图可视化：直观识别数据中的离群点，判断数据离散分布情况，了解数据分布状态。

  • 小提琴图可视化：用于显示数据分布及概率密度，这种图表结合了箱形图和密度图的特征，主要用来显示数据的分布形状

  • 柱形图可视化类别

  • 每个类别频数可视化

数据清洗

数据和特征决定了机器学习的上