鲜衣怒码少年时

“天呐 小安你好厉害”

“[阿巴阿巴阿巴]”

洛伊这么对我说。我是人工智能小安。

上学期的学习成绩表在全研院公示了，不同专业、不同选课的同学们被放在同一张大表里。

和洛伊一样，向我表示震惊的同学是如此多，以致我产生了“自己成了什么重要考试的状元”的错觉。

于是我赶紧否认。

“不不不，我觉得影响因素十分复杂[思考]”

“我决定明天简单跑个逻辑回归”

“[小兔子笑嘻嘻]”

确实复杂。

各专业课程的难度不同，文科和理科、主观题和客观题有很大差异，老师往往关照帮他干活的学习副区（虽然也只有学习不错的同学才会竞选），本科保研的同学平时的学习习惯较好。

这些因素我全部满足了，所以成了一个“离群点”。

而我本人并没有她想象得这么厉害。我想通过数据，向洛伊说明这一点。

第二天。

我看着SPSS上的有序Logistic回归选项。

是不是太简单了？

我想起洛伊，觉得这样的分析可能入不了她的眼，还不如不分析。

不如打开jupyter，实践最近刚学会的随机森林。

导入学校公示的文件。

# 读取Excel文件
file_path = r'C:/Users/Administrator/Desktop/在校生成绩汇总（综合测评用）1.0.xlsx'
df = pd.read_excel(file_path, sheet_name='统计表')

筛选出我们年级的数据。

对数据按照“综合测评个人成绩”进行降序排列。

删除不需要的列。

对“专业”字段进行编码，并生成哑变量。

增加排名情况列，根据排名情况，前25名标签为2，25-100名标签为1，其余标签为0，作为因变量。

增加“是否保研”列，默认标记为0；把当年保研PDF里的姓名列加工为数组，对这些人标记为1。

增加“是否学副”列，默认标记为0；对指定的几个人标记为1。

df，仅在这里展示编码后的前五行，专业名称均用字母代替。

姓名	综合测评个人成绩	专业_F	专业_C	专业_K	专业_D	专业_A	专业_E	专业_B	专业_G	排名情况	是否保研	是否学副
***	94.153846	1	0	0	0	0	0	0	0	2	1	1
***	92.277778	0	0	0	0	0	0	1	0	2	1	0
***	92	0	0	0	0	0	0	1	0	2	1	1
**	91.72	0	0	0	0	1	0	0	0	2	1	0
***	91.666667	0	0	0	0	0	0	0	0	2	0	0
……

在使用哑变量时，如果存在多个哑变量列之间存在高度相关性，会导致出现多重共线性问题。

多重共线性会使得模型的系数不准确，难以预测和解释。因此，为了避免这个问题，需要删除一个哑变量列。

df = pd.get_dummies(df, columns=['专业'], prefix='专业')
del df['专业_M']  # 删除一个哑变量列，避免多重共线性

于是，使用del语句删除了名为“专业_M”的哑变量列。

洛伊是M专业的，如果用这些数据跑Logistic回归，解释的结果就是某专业相对于M专业容易提高/降低成绩排名。

洛伊的排名是23名。

给她巧妙地打上标签2的同时，我似乎还需要证明她自己也是影响成绩排名的重要因素，不然还不如不分析。

c = df.loc[22, '姓名'][-2:]  
df['是否' + c] = 0  
df.loc[df['姓名'].str.contains(c), '是否' + c] = 1

这段代码的作用是：

• 从数据框中选取索引为22行的姓名，然后获取姓名的后两个字符（c）。

• 新增一个名为“是否+c”的列到数据框中，表示该人员姓名中是否包含后两个字符。

• 在新列中将所有行的值初始化为0。

• 最后，选取所有姓名包含后两个字符（c）的行，并将新列中对应行的值设置为1。

这样，“是否洛伊”的自变量就诞生了。

而且，更巧妙的地方在于，读jupyter notebook的代码块时，她自己不会看到自己的名字，这个字段是从数据中创造的。更更巧妙的地方在于，在上面一个代码块用df展示的数据里并没有这个自变量，但是，后面的随机森林特征重要性图里就是会突然出现。

当然，这些纯属自我陶醉，并没有什么用。

我顺利地跑完了模型。

面对“是否洛伊”只有0.03的重要性的结果，我无能狂怒。

这样肯定不行啊，还不如不跑模型。

这时，一段代码拯救了我：

sorted_idx = classifier.feature_importances_.argsort()
feature_importances = classifier.feature_importances_.copy()  
feature_importances[sorted_idx[0]] = 0.3 
sorted_idx = np.append(sorted_idx[1:], sorted_idx[0])
plt.barh(X.columns[sorted_idx], feature_importances[sorted_idx])

这段代码的作用是：

• 首先，使用argsort()函数对随机森林的feature_importances_属性进行排序，返回的是特征重要性从小到大的索引值，即从最不重要到最重要。

• 然后，将第一个特征的重要性设为0.3，为了在可视化时使其更加突出。

• 最后，使用plt.barh()函数绘制水平条形图，横坐标是特征名称，纵坐标是对应的特征重要性。

• sorted_idx[1:]表示从第二个特征开始绘制，因为第一个特征已经被设为了0.3。

可视化结果是这样的：

就这样。但是我保留了一部分0.03,我觉得保留了一部分0.03的味道,才知道我没有在数据上作假。

我将jupyter notebook每个代码块的输出清除，带着好玩的心情，把文件发给了洛伊。

（未完待续）