零基础入门数据挖掘Task1&2

Datawhale 零基础入门数据挖掘-Task1&2

Task1 赛题理解

这次是以阿里天池的一个入门比赛“零基础入门数据挖掘 - 二手车交易价格预测”为例学习，希望它能“火”成一个经典数据挖掘入门题供大家学习。

赛题以二手车市场为背景，要求选手预测二手汽车的交易价格，这是一个典型的回归问题。通过这道赛题来引导大家走进AI数据竞赛的世界，主要针对于于竞赛新人进行自我练习、自我提高。

赛题目的

浏览完赛题具体数据及其它官方信息后了然，赛题已知15万条二手汽车的交易价格信息(每条二手车信息包含31项变量信息)，欲解决测试集对应二手汽车的交易价格预测。

评价指标

评价标准为MAE(Mean Absolute Error)，即平均绝对值误差，它表示预测值和观测值之间绝对误差的平均值。这是一种常见的评价指标。
$$MAE=\frac{{\sum }_{i=1}^n\left|y_i-{\hat{y}}_i\right|}{n}$$
事实上，MAE越小，说明模型预测得越准确。在训练模型时可以借助sklearn中已有的MAE评测来检验自己模型对测试集拟合的效果，源代码在此。也可以对应此题自己编写一个简易的MAE评价指标。

# coding=utf-8
import numpy as np
#定义自己编写的MAE评价指标
def test_mae(y_true, y_pred):
    mae_value = np.mean(np.abs(y_pred - y_true))
    return mae_value



#下面分别测试自己编写的MAE评价指标和sklearn的MAE评价指标
y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])
y_pred = np.array([1.0, 4.5, 3.8, 3.2, 3.0, 4.8, -2.2])
print('test_MAE:',test_mae(y_true, y_pred))
#调用sklearn中的MAE
from sklearn import metrics
print('sklearn_MAE:',metrics.mean_absolute_error(y_true, y_pred))

#test_MAE: 0.4142857142857143
#sklearn_MAE: 0.4142857142857143

Task2 数据分析

EDA简介

探索性数据分析（Exploratory Data Analysis，简称EDA），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。

简而言之，就是要了解数据集，以便于后续开发模型。“兵马未动，粮草先行”，EDA的重要性也是“粮草”级别的。

探索性数据分析

题目给出的测试集有15万条二手汽车信息，验证集有5万条。一条二手车信息中包含31项变量信息，其中15项匿名变量，其余16项变量（含价格变量）。实际上划分变量就是30项自变量（包含数字型变量、类别型变量、文本型变量和时间型变量），1项因变量（整数形式的二手车交易价格）。
SaleID(交易ID)是唯一编码，不作为后续有效变量的考虑。seller（销售方）在测试集中只有一条是“非个体”，其余十四万九千九百九十九都是“个体”。offerType（报价类型）在测试集中只有一种。因此也选择放弃这两项变量。

有效变量名	描述	类型
v系列特征	匿名特征，包含v0-14在内15个匿名特征	数字
power	发动机功率：范围 [ 0, 600 ]	数字
kilometer	汽车已行驶公里，单位万km	数字
regDate	汽车注册日期，例如20160101，2016年01月01日	时间
creatDate	汽车上线时间，即开始售卖时间	时间
name	汽车交易名称，已脱敏	类别
model	车型编码，已脱敏	类别
brand	汽车品牌，已脱敏	类别
bodyType	车身类型：豪华轿车：0，微型车：1，厢型车：2，大巴车：3，敞篷车：4，双门汽车：5，商务车：6，搅拌车：7	类别
fuelType	燃油类型：汽油：0，柴油：1，液化石油气：2，天然气：3，混合动力：4，其他：5，电动：6	类别
gearbox	变速箱：手动：0，自动：1	类别
notRepairedDamage	汽车有尚未修复的损坏：是：0，否：1	类别
regionCode	地区编码，已脱敏	类别

#类别变量值的分布情况
categorical_features=[ 'name', 'model', 'brand', 'bodyType', 'fuelType','gearbox','notRepairedDamage', 'regionCode']
for i in categorical_features:
    print(i+'有%i个不同的特征值'%train[i].nunique())
    print(train[i].value_counts())

#notRepairedDamage存在除“是：0，否：1”外的情况
train['notRepairedDamage'].value_counts()

#0.0    111361
#-       24324
#1.0     14315
#Name: notRepairedDamage, dtype: int64

事实上对每一个变量进行数据查看缺省情况的时候可以发现，在“汽车有尚未修复的损坏”上的“ - ”也是一种空缺的表现，先将其替换成NAN。然后查看整体缺省情况发现，凡有缺省的信息都被删除，则原15万条交易信息只剩118326条有效交易信息

#处理'notRepairedDamage'
train['notRepairedDamage'].replace('-', np.nan, inplace=True)
train['notRepairedDamage'].value_counts()

#0.0    111361
#1.0     14315
#Name: notRepairedDamage, dtype: int64

#train缺省情况
train.isnull().sum()
'''
SaleID                   0
name                     0
regDate                  0
model                    1
brand                    0
bodyType              4506
fuelType              8680
gearbox               5981
power                    0
kilometer                0
notRepairedDamage    24324
regionCode               0
seller                   0
offerType                0
creatDate                0
price                    0
v_0                      0
v_1                      0
v_2                      0
v_3                      0
v_4                      0
v_5                      0
v_6                      0
v_7                      0
v_8                      0
v_9                      0
v_10                     0
v_11                     0
v_12                     0
v_13                     0
v_14                     0
dtype: int64
'''
#凡有缺省的信息都被删除，则原15万条交易信息只剩118326条有效交易信息
train.dropna().describe()

此外，无论是测试集还是验证集中power(发动机功率)都超过600的存在，这也是后续需要处理的地方。其中，测试集有143条power(发动机功率)超过600的信息，验证集有70条。

train['power'].describe()
'''
count    150000.000000
mean        119.316547
std         177.168419
min           0.000000
25%          75.000000
50%         110.000000
75%         150.000000
max       19312.000000
Name: power, dtype: float64
'''
test['power'].describe()
'''
count    50000.000000
mean       119.883620
std        185.097387
min          0.000000
25%         75.000000
50%        109.000000
75%        150.000000
max      20000.000000
Name: power, dtype: float64
'''
train['power'][train['power']>600].count()
#143
train['power'][train['power']>600].count()
#70

时间类型就是汽车注册时间和开始售卖时间，这两个就留在特征处理中解决。
最后对我们的预测目标price（二手车交易价格）进行分析。分析训练集中price的情况发现，价格不服从正态分布，对数变换处理后结果接近正态分布，但无界约翰逊分布拟合效果更佳。

import scipy.stats as st
y = train['price']
plt.figure(1); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(2); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)
plt.figure(3); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)

不过时间匆匆，无界约翰逊分布也没有找到，接下来用比较常用的对数变换来做价格的转换。

# 目标值做log(x+1)处理
train_price = np.log1p(train['price'])
plt.figure(); plt.title('log1p price')
sns.distplot(train_price, fit=st.norm)

观察一下数字型变量和价格的相关性。

numeric_features = ['power', 'kilometer', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13','v_14' ]
#数字型变量和价格的相关性
numeric_features.append('price')
price_numeric = train[numeric_features]
correlation = price_numeric.corr()
print(correlation['price'].sort_values(ascending = False),'\n')
'''
price        1.000000
v_12         0.692823
v_8          0.685798
v_0          0.628397
power        0.219834
v_5          0.164317
v_2          0.085322
v_6          0.068970
v_1          0.060914
v_14         0.035911
v_13        -0.013993
v_7         -0.053024
v_4         -0.147085
v_9         -0.206205
v_10        -0.246175
v_11        -0.275320
kilometer   -0.440519
v_3         -0.730946
Name: price, dtype: float64 
'''

最后直观感受一下测试集和验证集之间的变量值分布情况，大体上是差不多的,后续做特征工程也要根据于此。

Reference

1. Datawhale 零基础入门数据挖掘-Task1 赛题理解
2. Datawhale 零基础入门数据挖掘-Task2 数据分析
3. sklaern分类评价指标
4. EDA简单分析报告