python做预测有哪些方法_Python制作数据预测集成工具（值得收藏）

大数据预测是大数据最核心的应用，是它将传统意义的预测拓展到“现测”。大数据预测的优势体现在，它把一个非常困难的预测问题，转化为一个相对简单的描述问题，而这是传统小数据集根本无法企及的。从预测的角度看，大数据预测所得出的结果不仅仅是用于处理现实业务的简单、客观的结论，更是能用于帮助企业经营的决策。

在过去，人们的决策主要是依赖 20% 的结构化数据，而大数据预测则可以利用另外 80% 的非结构化数据来做决策。大数据预测具有更多的数据维度，更快的数据频度和更广的数据宽度。与小数据时代相比，大数据预测的思维具有 3 大改变：实样而非抽样;预测效率而非精确;相关关系而非因果关系。

而今天我们就将利用python制作可视化的大数据预测部分集成工具，其中数据在这里使用一个实验中的数据。普遍性的应用则直接从文件读取即可。其中的效果图如下：

实验前的准备

首先我们使用的python版本是3.6.5所用到的模块如下：

sklearn模块用来创建整个模型训练和保存调用以及算法的搭建框架等等。

numpy模块用来处理数据矩阵运算。

matplotlib模块用来可视化拟合模型效果。

Pillow库用来加载图片至GUI界面。

Pandas模块用来读取csv数据文件。

Tkinter用来创建GUI窗口程序。

数据的训练和训练的GUI窗口

经过算法比较，发现这里我们选择使用sklearn简单的多元回归进行拟合数据可以达到比较好的效果。

(1)首先是是数据的读取，通过设定选定文件夹函数来读取文件，加载数据的效果：

'''选择文件功能'''

def selectPath():

# 选择文件path_接收文件地址

path_ =tkinter.filedialog.askopenfilename()

# 通过replace函数替换绝对文件地址中的/来使文件可被程序读取

# 注意：\\转义后为\，所以\\\\转义后为\\

path_ =path_.replace("/", "\\\\")

# path设置path_的值

path.set(path_)

return path

# 得到的DataFrame读入所有数据

data = pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H,I")

# DataFrame转化为array

DataArray = data.values

# 读取已使用年限作为标签

Y = DataArray[:, 8]

# 读取其他参数作为自变量，影响因素

X = DataArray[:, 0:8]

# 字符串转变为整数

for i in range(len(Y)):

Y[i] = int(Y[i].replace("年", ""))

X = np.array(X) # 转化为array

Y = np.array(Y) # 转化为array

root = Tk()

root.geometry("+500+260")

# 背景图设置

canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0)

imgpath = '1.jpg'

img = Im