数据挖掘的学习和细节思考
本次学习是在二手车价格数据的分析的基础上,根据他人的文章进行研究学习。通过细分步骤和深究每一步的意义,对于数据挖掘有一个更好的认识。
参考链接为:Datawhale 零基础入门数据挖掘-Task3 特征工程
一、删除异常值
先放上学习代码:
以对POWER进行清洗为例
def outliers_proc(data, col_name, scale=3):
"""
用于清洗异常值,默认用 box_plot(scale=3)进行清洗
:param data: 接收 pandas 数据格式
:param col_name: pandas 列名
:param scale: 尺度
:return:
"""
def box_plot_outliers(data_ser, box_scale):
"""
利用箱线图去除异常值
:param data_ser: 接收 pandas.Series 数据格式
:param box_scale: 箱线图尺度,
:return:
"""
iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))#获取IQR等于上四分位数减下四分位数
val_low = data_ser.quantile(0.25) - iqr#下边缘
val_up = data_ser.quantile(0.75) + iqr#上边缘
rule_low = (data_ser < val_low)
rule_up = (data_ser > val_up)
return (rule_low, rule_up), (val_low, val_up)#返回箱线图的
data_n = data.copy()#对数据进行复制,由于数据不存在二级目录,所以是深复制,相当于重建了一个样本
data_series = data_n[col_name]#取要进行清理的那一列
rule, value = box_plot_outliers(data_series, box_scale=scale)#将数据代入
index = np.arange(data_series.shape[0])[rule[0] | rule[1]]
print("Delete number is: {}".format(len(index)))
data_n = data_n.drop(index)
data_n.reset_index(drop=True, inplace=True)
print("Now column number is: {}".format(data_n.shape[0]))
index_low = np.arange(data_series.shape[0])[rule[0]]
outliers = data_series.iloc[index_low]
print("Description of data less than the lower bound is:")
print(pd.Series(outliers).describe())
index_up = np.arange(data_series.shape[0])[rule[1]]
outliers = data_series.iloc[index_up]
print("Description of data larger than the upper bound is:")
print(pd.Series(outliers).describe())
fig, ax = plt.subplots(1, 2, figsize=(10, 7))
sns.boxplot(y=data[col_name], data=data, palette="Set1", ax=ax[0])
sns.boxplot(y=data_n[col_name], data=data_n, palette="Set1", ax=ax[1])
return data_n
Train_data=outliers_proc(Train_data,'power',scale=3)
结果如图:
前一个是未处理的图像,后一个是处理后的图像
分析:
- 由于操作的主要目的是去掉异常值,box_plot_outliers()对于箱型图的构造不需要太过精确,只需要确定异常值即可。
- 箱线图尺度,增大尺度会使异常值的判定范围缩小,更向极端情况靠拢(精确)
二、特征构造
1.进行统计
计算某品牌的销售统计量,这里以train的数据进行计算
Train_gb = Train_data.groupby("brand")
all_info = {}
for kind, kind_data in Train_gb:
info = {}
kind_data = kind_data[kind_data['price'] > 0]
info['brand_amount'] = len(kind_data)#品牌总数
info['brand_price_max'] = kind_data.price.max()#最大价格
info['brand_price_median'] = kind_data.price.median()#求矩阵中值
info['brand_price_min'] = kind_data.price.min()#最低价格
info['brand_price_sum'] = kind_data.price.sum()
info['brand_price_std'] = kind_data.price.std()#标准差
info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data) + 1), 2)
all_info[kind] = info
brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index": "brand"})
data = data.merge(brand_fe, how='left', on='brand')
2.数据分桶
数据分桶是把数据集分成更容易管理的若干部分的一种技术。
bin = [i*10 for i in range(31)]
data['power_bin'] = pd.cut(data['power'], bin, labels=False)#用于对数据从最大值到最小值进行等距划分
data[['power_bin', 'power']].head()
进行数据分桶的原因:
- 离散后稀疏向量内积乘法运算速度更快,计算结果也方便存储,容易扩展;
- 离散后的特征对异常值更具鲁棒性,如 age>30 为 1 否则为 0,对于年龄为 200 的也不会对模型造成很大的干扰;
- LR 属于广义线性模型,表达能力有限,经过离散化后,每个变量有单独的权重,这相当于引入了非线性,能够提升模型的表达能力,加大拟合;
- 离散后特征可以进行特征交叉,提升表达能力,由 M+N 个变量编程 M*N 个变量,进一步引入非线形,提升了表达能力;
- 特征离散后模型更稳定,如用户年龄区间,不会因为用户年龄长了一岁就变化
解释:
2.鲁棒性是一个系统或组织有抵御或克服不利条件的能力。往往在机器学习中会加入噪声,测试其鲁棒性。
3.广义线性模型和LR:链接1
链接2
4.特征组合&特征交叉 (Feature Crosses)
3.图像分析
三、特征筛选
学习链接:
特征工程系列:特征筛选的原理与实现(上)
补充内容:线性与非线性
1.两个变量之间的关系是一次函数关系的——图象是直线,这样的两个变量之间的关系就是“线性关系”;如果不是一次函数关系的——图象不是直线,就是“非线性关系”。
2.比如说y=kx 就是线形的 而y=x^2就是非线形的 线形的图形一般是一条直线。