今天以决策树模型为例复习一下基本的大数据分析步骤:
- 数据的描述性统计,包括数值型和非数值型数据 data.describe()
- 数据预处理,一般是缺失值情况
- 探索性数据分析,可以根据某列数据进行分组后,计算其对应的目标值的平均值。data.groupby('College')['Base Pay'].mean().plot(kind='bar')
- 特征工程,对非数值型数据进行编码处理。
- 构建模型
- 准备数据,X = data.drop('Base Pay',axis=1)#特征量组(包含了除了 'Base Pay' 列之外的所有其他列) y = data['Base Pay']#目标组
- 划分数据集 首先拆分数据集为测试集和训练集 X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)
- 建立多个模型,利用模型评估函数(通用)进行对比
- 对特征的重要性进行排序
- 利用模型预测