python分析保险销售数据_pandas读取分析保险数据

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.preprocessing import PolynomialFeatures

from sklearn.linear_model import LinearRegression

#读入数据

data = pd.read_csv('./data/insurance.csv')

# describe做简单的统计摘要

print(data.describe())

# 采样要均匀,查看age字段有多少种数值，即各个年龄有多少个样本

data_count = data['age'].value_counts()

print(data_count)

#绘制年龄分布柱状图

data_count[:10].plot(kind='bar')

plt.show()

#将柱状图保存在本地

# plt.savefig('./temp')

输出结果为:

统计摘要:

age bmi children charges

count 1338.000000 1338.000000 1338.000000 1338.000000

mean 39.207025 30.663397 1.094918 13270.422265

std 14.049960 6.098187 1.205493 12110.011237

min 18.000000 15.960000 0.000000 1121.873900

25% 27.000000 26.296250 0.000000 4740.287150

50% 39.000000 30.400000 1.000000 9382.033000

75% 51.000000 34.693750 2.000000 16639.912515

max 64.000000 53.130000 5.000000 63770.428010

年龄段统计:

18 69

19 68

51 29

45 29

46 29

47 29

48 29

50 29

52 29

20 29

26 28

54 28

53 28

25 28

24 28

49 28

23 28

22 28

21 28

27 28

28 28

31 27

29 27

30 27

41 27

43 27

44 27

40 27

42 27

57 26

34 26

33 26

32 26

56 26

55 26

59 25

58 25

39 25

38 25

35 25

36 25

37 25

63 23

60 23

61 23

62 23

64 22

Name: age, dtype: int64

年龄分布直方图为(前十个年龄段)

利用data.corr()方法计算各字段的相关性，往往采用皮尔逊相关系数法

print(data.corr())

结果如下:

age bmi children charges

age 1.000000 0.109272 0.042469 0.299008

bmi 0.109272 1.000000 0.012759 0.198341

children 0.042469 0.012759 1.000000 0.067998

charges 0.299008 0.198341 0.067998 1.000000

表中数值为皮尔逊相关系数，该值越接近1表示二者越正相关，越接近-1表示二者越接近负相关(皮尔逊相关系数依赖于数值计算，故字段数据类型必须是数值)

2. 提取特征数据和目标数据并初步预处理

reg = LinearRegression()#实例化一个线性回归对象

#取出特征数据

x = data[['age', 'sex', 'bmi', 'children', 'smoker', 'region']]

#取出目标数据

y = data['charges']

#将x，y的每一列应用to_numeric方法，即将字段类型为字符串的转化为数值类型

x = x.apply(pd.to_numeric, errors='coerce')

y = y.apply(pd.to_numeric, errors='coerce')

#将x，y的空值填充为0

x.fillna(0, inplace=True)

y.fillna(0, inplace=True)

进行数据升维，利用多项式回归进行数据升维，意在将x和y之间的非线性关系转化为线性关系从而利用线性算法进行建模

#利用多项式回归进行数据升维，意在将x和y之间的非线性关系转化为线性关系从而利用线性算法进行建模

poly_features = PolynomialFeatures(degree=3, include_bias=False)

X_poly = poly_features.fit_transform(x)

传入数据训练

#传入升维后的X和y进行训练

reg.fit(X_poly, y)

#打印权重参数和偏置项

print(reg.coef_)

print(reg.intercept_)

调用模型预测，绘制真实值和预测值的散点图以观测模型预测效果

#调用模型预测

y_predict = reg.predict(X_poly)

#绘制真实值和预测值的散点图以观测预测效果

plt.plot(x['age'][:10], y[:10], 'b.')

plt.plot(X_poly[:10, 0], y_predict[:10], 'r.')

plt.show()

输出散点图如下:

由图可见，由于只进行了数据升维的预处理所以预测效果并不理想