线性回归预测PM2.5----台大李宏毅机器学习作业1(HW1)

 

---

1、作业说明

  

给定训练集train.csv，要求根据前9个小时的空气监测情况预测第10个小时的PM2.5含量。

训练集介绍：

　　(1)、CSV文件，包含台湾丰原地区240天的气象观测资料(取每个月前20天的数据做训练集，12月X20天=240天，每月后10天数据用于测试，对学生不可见);

　　(2)、每天的监测时间点为0时，1时......到23时，共24个时间节点;

　　(3)、每天的检测指标包括CO、NO、PM2.5、PM10等气体浓度，是否降雨、刮风等气象信息，共计18项；

     （4）数据集地址：https://pan.baidu.com/s/1GBIPDhA8Xt63tVTt5D3LSQ   提取码：wugw

2、数据预处理

第一行是说明，分别是时间，地点，各空气中物质的名称，以及0-23时他们的浓度。

注意RAINFALL参数的值是NR，表示没有下雨，那么我们就可以将它的值改为0这样便于处理。
我们第一步肯定是数据预处理啦，因为在python中数据是通过矩阵来保存的，所以我们第一步就是删减掉不需要的行与列，然后将其保存到矩阵中。

      根据作业要求可知，需要用到连续9个时间点的气象观测数据，来预测第10个时间点的PM2.5含量。针对每一天来说，其包含的信息维度为(18,24)(18项指标，24个时间节点)。可以将0到8时的数据截取出来，形成一个维度为(18,9)的数据帧，作为训练数据，将9时的PM2.5含量取出来，作为该训练数据对应的label；同理可取1到9时的数据作为训练用的数据帧，10时的PM2.5含量作为label......以此分割，可将每天的信息分割为15（24-9）个shape为(18,9)的数据帧和与之对应的15个label。训练集中共包含240天的数据，因此共可获得240X15=3600个数据帧和与之对应的3600个label。

# 引入必要的包
import pandas as pd
import numpy as np

   

#数据预处理
def dataProcess(df):

    x_list, y_list = [], []
    df = df.replace(['NR'], [0.0])   # 将所有NR的值全部置为0方便之后处理
    array = np.array(df).astype(float)   # astype() 转换array中元素数据类型
    # train_hung_1_pm2.5.csv文件中去除第一行，所以剩下一共是4320行数据，因为每一天是一共有18行的，
    # 所以步长是18，第一