Task 2 数据挖掘实战-二手车交易价格预测-数据探索（EDA）

整体流程

数据探索，Exploratory Data Analysis， EDA

1. 统计层面分析
2. 缺失值处理
3. 异常值处理
4. Label分析
5. 特征分析

详细步骤

1 载入库

1. warnings包，忽视警告
2. 使用missingno包进行缺失值可视化处理，需安装pip install missingno

import warnings
warnings.filterwarnings('ignore')
import missingno as msno  # 缺失值可视化处理

2 载入数据

1. 数据中使用空格作为各列数据间的分隔符，载入数据时加上sep参数
2. pandas的append用法，可将数据拼接到一起

Train_data = pd.read_csv('used_car_train_20200313.csv', sep=' ')

Train_data.head().append(Train_data.tail())

3 总览数据

1. describe()函数直观的看到部分变量的样本值有缺失
2. 通过info()函数了解数据每列的type，发现notRepairedDamage特征的类型为object，此变量表示汽车有尚未修复的损坏，取值为0或1，但是在数据集中有部分样的值为-

Train_data.describe()

Train_data.info()

4 判断数据缺失值

1. 通过isnull().sum()查看每列nan的情况
2. 对于nan的处理
   • 个数较少，使用填充，如果使用lgb等树模型可以直接空缺，让树自己去优化
   • 个数较多，考虑删除这个特征

Train_data.isnull().sum()

Test_data.isnull().sum()

3. 查看训练集中有nan值的特征的nan值分布情况

missing = Train_data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)  # inpalce表示是否用排序后的数据集替换原数据
missing.plot.bar()

4. 使用missingno库 ，可视化缺省值

import missingno as msno
msno.matrix(Train_data.sample(250))

上图中，左边的纵轴从上至下表示第1-250个样本，当一列中出现白色横线时，表示这个样本的这个特征的值有缺失，然后在右侧的纵轴上便会有一个波动，波动越大，说明此条样本缺失的特征越多。在右侧的纵轴上会标出完整性最大的点和最小的点，上图中的28应该表示第28个样本的完整性最小，即缺失的特征最多。

msno.bar(Train_data.sample(1000))

`msno.bar` 简单的展示数据的完整度，右侧纵轴表示第0-1000个样本，左侧纵轴表示样本数据的完整度。

5 判断数据异常值

1. 处理notRepairedDamage：

通过显示其中不同的值来观察数据

Train_data['notRepairedDamage'].value_counts()

发现-为缺失值，先换成nan处理

Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)

value_counts()函数不会统计nan的数量，使用 isnull().sum()函数来查看

Train_data.isnull().sum()

对测试集执行相同的操作

2. 删除训练集和测试集中严重倾斜的特征

使用value_counts()函数统计每个特征的取值分布情况，如：【参考 7 查看数据特征 第2点】

Train_data['seller'].value_counts()

输出：

    0    149999
    1         1
    Name: seller, dtype: int64

删除特征seller, offerType

del Train_data['seller']
del Train_data['offerType']
del Test_data['seller']
del Test_data['offerType']

6 了解预测值分布

1. 查看预测值基本信息

Train_data['price']
Train_data['price'].value_counts()

2. 查看预测值总体分布情况

import scipy.stats as st

y = Train_data['price']
plt.figure(1);plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)  # distplot绘制观测值的单变量分布。
plt.figure(2);plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)  # kde参数：是否绘制高斯核密度估计。
plt.figure(3);plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)

从上图可知，横轴表示样本的各个价格，纵轴表示这一价格对应的样本数量与样本总数的比值。第一个图中的曲线拟合情况最好，所以预测值服从无界约翰逊分布，而不是服从正太分布。关于无界约翰逊分布（JohnsonSUDistribution）一些信息。

3. 查看预测值频数情况

plt.hist(Train_data['price'], orientation='vertical', histtype='bar', color='red')
plt.show()

从上图可知：大于20000的值比较少，可以把这些当作异常值直接用填充，或者删除掉。

plt.hist(np.log(Train_data['price']), orientation='vertical', histtype='bar', color='red')
plt.show()

从上图可知：log变换预测值之后的分布较均匀，可以用log变换进行预测（预测问题常用trick）

4. 查看偏度（Skewness）和峰度（Kurtosis）

预测值的偏度和峰度：

sns.distplot(Train_data['price']);
print('Skewness: %f' % Train_data['price'].skew())
print('Kurtosis: %f' % Train_data['price'].kurt())
Train_data.skew(), Train_data.kurt()

从上图可知：预测值的分布，呈现出右偏，尖顶峰

知识补充： 详细见参考网站

1. 用skewness和kurtosis来看数据的分布形态，一般会和正态分布比较，所以把正态分布的skewness和kurtosis都看作0.
2. 偏度：描述的是某总体取值分布的对称性
   （1）Skewness = 0 ，分布形态与正态分布偏度相同。
   （2）Skewness > 0 ，正偏差数值较大，为正偏或右偏。长尾巴拖在右边，数据右端有较多的极端值。
   （3）Skewness < 0 ，负偏差数值较大，为负偏或左偏。长尾巴拖在左边，数据左端有较多的极端值。
   （4）数值的绝对值越大，表明数据分布越不对称，偏斜程度大。
3. 峰度：是数据分布顶的尖锐程度
   （1）Kurtosis=0 与正态分布的陡缓程度相同。
   （2）Kurtosis>0 比正态分布的高峰更加陡峭——尖顶峰
   （3）Kurtosis<0 比正态分布的高峰来得平台——平顶峰

训练集的偏度和峰度：

sns.distplot(Train_data.skew(), color='blue', axlabel='Skewness')
sns.distplot(Train_data.kurt(), color='orange', axlabel='Kurtness')

上图中，以偏度图为例，横轴表示数据集中所有特征分布的偏度值，纵轴表示拥有此分布特征分布的偏度值的特征数与总特征数的比值。

7 查看数据特征

1. 特征分类

Y_train = Train_data['price']
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' ]
categorical_features = ['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode']

2. 查看各个特征的unique分布（特征的各个值出现的次数）

for cat_fea in categorical_features:
    print(cat_fea + '的特征分布如下：')
    print('{}特征有{}个不同的值：'.format(cat_fea, Train_data[cat_fea].nunique()))
    print(Train_data[cat_fea].value_counts())

分别查看训练集和测试集

数字特征（连续）

1. 数字特征总览

numeric_features.append('price')
numeric_features

2. 相关性分析

计算相关系数

price_numeric = Train_data[numeric_features]
correlation = price_numeric.corr()  # 求相关系数
print(correlation['price'].sort_values(ascending = False), '\n')   # 降序

绘制特征的相关系数矩阵图

f, ax = plt.subplots(figsize=(7,7))
plt.title('Correlation of Numeric Features with Price', y=1, size=16)
sns.heatmap(correlation, square=True, vmax=0.8)  # square：单元格为方格 vmax:右侧色条可见的最大数值

从上图可知：方格颜色最浅或者最深，则此方格对应的两个特征之间相关性越大。

3. 查看特征的偏度和峰值

del price_numeric['price']

for col in numeric_features:
    print('{:15}'.format(col),  # {}中的数字表示空格和精度
         'Skewness:{:05.2f}'.format(Train_data[col].skew()),
         ' ',
         'Kurtosis:{:06.2f}'.format(Train_data[col].kurt())\
         )

4. 每个数字特征分布

f = pd.melt(Train_data, value_vars=numeric_features)  # 将DataFrame从宽格式转为长格式
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False)
g = g.map(sns.distplot, "value")

这里的图的含义，和前述都差不多，横轴表示这个特征所有的取值，纵轴表示特征值等这个取值的样本数与总样本数的比值。

5. 数字特征之间的关系分析

sns.set()
columns = ['price', 'v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14']  # 根据前述计算的相关系数，挑选相关性较大的变量
sns.pairplot(Train_data[columns], size=2, kind='scatter', diag_kind='kde')
plt.show()

从上图可知：当两个特征之间存在较强的关系，会出现共线性，需要考虑去除共线性。

5. 多变量互相回归关系可视化

可以根据前述的相关系数或者特征关系矩阵，来挑选部分特征再次进行回归分析。

fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20))
# ['v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14', 'v_13']
v_12_scatter_plot = pd.concat([Y_train,Train_data['v_12']],axis = 1)
sns.regplot(x='v_12',y = 'price', data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1)

v_8_scatter_plot = pd.concat([Y_train,Train_data['v_8']],axis = 1)
sns.regplot(x='v_8',y = 'price',data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2)

v_0_scatter_plot = pd.concat([Y_train,Train_data['v_0']],axis = 1)
sns.regplot(x='v_0',y = 'price',data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3)

power_scatter_plot = pd.concat([Y_train,Train_data['power']],axis = 1)
sns.regplot(x='power',y = 'price',data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4)

v_5_scatter_plot = pd.concat([Y_train,Train_data['v_5']],axis = 1)
sns.regplot(x='v_5',y = 'price',data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5)

v_2_scatter_plot = pd.concat([Y_train,Train_data['v_2']],axis = 1)
sns.regplot(x='v_2',y = 'price',data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6)

v_6_scatter_plot = pd.concat([Y_train,Train_data['v_6']],axis = 1)
sns.regplot(x='v_6',y = 'price',data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7)

v_1_scatter_plot = pd.concat([Y_train,Train_data['v_1']],axis = 1)
sns.regplot(x='v_1',y = 'price',data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8)

v_14_scatter_plot = pd.concat([Y_train,Train_data['v_14']],axis = 1)
sns.regplot(x='v_14',y = 'price',data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9)

v_13_scatter_plot = pd.concat([Y_train,Train_data['v_13']],axis = 1)
sns.regplot(x='v_13',y = 'price',data = v_13_scatter_plot,scatter= True, fit_reg=True, ax=ax10)

从上图可知：部分解释变量与被解释变量之间没有太大关系，可以考虑删除。

类别特征（离散）

1. 查看类别特征的unique分布

for fea in categorical_features:
    print(Train_data[fea].nunique())

categorical_features

2. 箱型图可视化特征

# 因为 name和 regionCode的类别太多，这里我们把类别不是特别多的几个特征画一下
categorical_features = ['model',
 'brand',
 'bodyType',
 'fuelType',
 'gearbox',
 'notRepairedDamage']

for c in categorical_features:
    Train_data[c] = Train_data[c].astype('category')
    if Train_data[c].isnull().any():  # 发现空值时，添加MISSING类，并且用”MISSING“来作为nan填充
        Train_data[c] = Train_data[c].cat.add_categories(['MISSING'])
        Train_data[c] = Train_data[c].fillna('MISSING')

def boxplot(x,y,**kwargs):
    sns.boxplot(x=x, y=y)
    x = plt.xticks(rotation=90)
    
f = pd.melt(Train_data, id_vars=['price'], value_vars = categorical_features)
g = sns.FacetGrid(f, col='variable', col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(boxplot, 'value', 'price')

所以，由上图可知，横轴中会出现MISSING这一类。

3. 类别特征的小提琴图可视化

catg_list = categorical_features
target = 'price'
for catg in catg_list:
    sns.violinplot(x=catg,y=target, data=Train_data)
    plt.show()

可以看到各个特征的分布情况。

4. 类别特征的柱形图可视化

categorical_features = ['model',
 'brand',
 'bodyType',
 'fuelType',
 'gearbox',
 'notRepairedDamage']

def bar_plot(x, y, **kwargs):
    sns.barplot(x=x, y=y)
    x = plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col='variable', col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(bar_plot, 'value', 'price')

研究预测值与各个类别特征的关系，给出某个特征的每一个类别取值对应的预测值的平均数，以及”置信区间“（黑色的竖线）。

5. 类别特征的每个类别频数可视化

def count_plot(x, **kwargs):
    sns.countplot(x=x)
    x = plt.xticks(rotation=90)
    
f = pd.melt(Train_data, value_vars=categorical_features)
g = sns.FacetGrid(f, col='variable', col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(count_plot, 'value')

某个特征的每一个类别出现的频数。

8 生成数据报告

需要安装pandas_profiling库，可能出现安装失败的情况。有很多种解决办法，详见官网。
我是用pip安装失败，用conda install -c conda-forge pandas-profiling 就可以了。

import pandas_profiling

pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file('./report.html')

导出的效果不错！