有趣的事,Python永远不会缺席!
一、PimaIndiansdiabetes.csv 数据集介绍
1、该数据集最初来自国家糖尿病/消化/肾脏疾病研究所。数据集的目标是基于数据集中包含的某些诊断测量来诊断性的预测 患者是否患有糖尿病。
2、从较大的数据库中选择这些实例有几个约束条件。尤其是,这里的所有患者都是Pima印第安至少21岁的女性。
3、数据集由多个医学预测变量和一个目标变量组成Outcome。预测变量包括患者的怀孕次数、BMI、胰岛素水平、年龄等。
4、数据集的内容是皮马人的医疗记录,以及过去5年内是否有糖尿病。所有的数据都是数字,问题是(是否有糖尿病是1或0),是二分类问题。数据有8个属性,1个类别:
【1】Pregnancies:怀孕次数
【2】Glucose:葡萄糖
【3】BloodPressure:血压 (mm Hg)
【4】SkinThickness:皮层厚度 (mm)
【5】Insulin:胰岛素 2小时血清胰岛素(mu U / ml
【6】BMI:体重指数 (体重/身高)^2
【7】DiabetesPedigreeFunction:糖尿病谱系功能
【8】Age:年龄 (岁)
【9】Outcome:类标变量 (0或1)
二、数据预处理思考
1、首先要明确有多少特征,哪些是连续的,哪些是类别的。
2、检查有没有缺失值,对确实的特征选择恰当方式进行弥补,使数据完整。
3、对连续的数值型特征进行标准化,使得均值为0,方差为1。
4、对类别型的特征进行one-hot编码。
5、将需要转换成类别型数据的连续型数据进行二值化。
6、为防止过拟合或者其他原因,选择是否要将数据进行正则化。
7、在对数据进行初探之后发现效果不佳,可以尝试使用多项式方法,寻找非线性的关系。
8、根据实际问题分析是否需要对特征进行相应的函数转换。
三、数据的读取
1 import pandas as pd #数据科学计算工具
2 import numpy as np #数值计算工具
3 import matplotlib.pyplot as plt #可视化
4 import seaborn as sns #matplotlib的高级API
5 %matplotlib inline #在Notebook里面作图/嵌图
6
7
8 pima = pd.read_csv('C:\AI\AI_datasets\PimaIndiansdiabetes.csv')9 pima.head()
1 pima.describe()#panda的describe描述属性,展示了每一个字段的,【count条目统计,mean平均值,std标准值,min最小值,25%,50%中位数,75%,max最大值】
1 pima.groupby('Outcome').size() #按照是否发病分组,并展示每组的大小
四、Data Visualization - 数据可视化
1 pima.hist(figsize=(16, 14));2 #查看每个字段的数据分布;figsize的参数显示的是每个子图的长和宽
3 #后面加个分号就不会出现下面的输出
4 #array([[,
5 #,
6 #],
7 #[,
8 #,
9 #],
10 #[,
11 #,
12 #]],
13 #dtype=object)
1 sns.pairplot(pima, vars=pima.columns,hue = 'Outcome')2
3 #报错LinAlgError: singular matrix
1 sns.pairplot(pima, vars=pima.columns[:-1], hue='Outcome')2 plt.show()3
4 #seaborn常用命令
5 #【1】set_style()是用来设置主题的,Seaborn有5个预设好的主题:darkgrid、whitegrid、dark、white、ticks,默认为darkgrid
6 #【2】set()通过设置参数可以用来设置背景,调色板等,更加常用
7 #【3】displot()为hist加强版
8 #【4】kdeplot()为密度曲线图
9 #【5】boxplot()为箱图
10 #【6】joinplot()联合分布图
11 #【7】heatmap()热点图
12 #【8】pairplot()多变量图,可以支持各种类型的变量分析,是特征分析很好用的工具
13 #data:必不可少的数据;hue:用一个特征来显示图像上的颜色,类似于打标签;vars:只留几个特征两两比较,否则使用data的全部变量;
1 sns.pairplot(pima,diag_kind='hist', hue='Outcome')2
3 #通过设置diag_kind='hist',对角线是直方图
1 pima.plot(kind='box', subplots=True, layout=(3,3), sharex=False,sharey=False, figsize=(16,14));2
3 #箱线图(Boxplot)也称箱须图(Box-whisker Plot),是利用数据中的五个统计量:最小值、第一四分位数、中位数、第三四分位数与最大值
4 #来描述数据的一种方法