python数据分析pandas_利用Python进行数据分析笔记－pandas建模(Patsy篇)

跟着教程学习了一段时间数据分析，越学感觉坑越多。于是花了一个星期仔细看了下《利用Python进行数据分析》。写在这里主要是记录下，方便自己查看。

import numpy as np

import pandas as pd

import patsy

# 利用Patsy创建模型描述 Patsy是一个python库，用于描述统计模型（尤其是线性模型），方法是通过一个叫做公式语法（formula syntax）的字符串来描述。这种公式语法的灵感来源于R和S语言中的公式语法。 Patsy的公式是有特殊格式的字符串，像下面这样： y ~ x0 + x1 这种a + b的语法并不代表将a和b相加，而是代表为模型创建的设计矩阵的术语（terms in the design matrix）。patsy.dmatrices函数，取一个公式字符串和一个数据集（可以使DataFrame或dict），然后为线性模型产生设计矩阵：

data = pd.DataFrame({'x0': [1, 2, 3, 4, 5],

'x1': [0.01, -0.01, 0.25, -4.1, 0.],

'y': [-1.5, 0., 3.6, 1.3, -2.]})

data

x0

x1

y

0

1

0.01

-1.5

1

2

-0.01

0.0

2

3

0.25

3.6

3

4

-4.10

1.3

4

5

0.00

-2.0

y, X = patsy.dmatrices('y ~ x0 + x1', data)

y

DesignMatrix with shape (5, 1)

y

-1.5

0.0

3.6

1.3

-2.0

Terms:

'y' (column 0)

X

DesignMatrix with shape (5, 3)

Intercept x0 x1

1 1 0.01

1 2 -0.01

1 3 0.25

1 4 -4.10

1 5 0.00

Terms:

'Intercept' (column 0)

'x0' (column 1)

'x1' (column 2)

这些Patsy DesignMatrix实例是Numpy的ndarrays，附有额外的元数据（metadata）

np.asarray(y)

array([[-1.5],

[ 0. ],

[ 3.6],

[ 1.3],

[-2. ]])

np.asarray(X)

array([[ 1. , 1. , 0.01],

[ 1. , 2. , -0.01],

[ 1. , 3. , 0.25],

[ 1. , 4. , -4.1 ],

[ 1. , 5. , 0. ]])

我们可能奇怪X中的Intercept是从哪里来的。这其实是线性模型的一个惯例，比如普通最小二乘回归法（ordinary least squares regression）。我们可以去掉这个截距（intercept），通过加添术语+0给模型

patsy.dmatrices('y ~ x0 + x1 + 0', data)[1]

DesignMatrix with shape (5, 2)

x0 x1

1 0.01

2 -0.01

3 0.25

4 -4.10

5 0.00

Terms:

'x0' (column 0)

'x1' (column 1)

这种Patsy对象可以直接传入一个算法，比如numpy.linalg.lstsq，来进行普通最小二乘回归的计算

# 最小二乘法

coef, resid, _, _ = np.linalg.lstsq(X, y, rcond=-1)

coef

array([[ 0.31290976],

[-0.07910564],

[-0.26546384]])

coef = pd.Series(coef.squeeze(), index=X.design_info.column_names)

coef

Intercept 0.312910

x0 -0.079106

x1 -0.265464

dtype: float64

1、Patsy公式的数据变换

我们可以把python和Patsy公式混合起来。当评估公式的时候，库会尝试找到封闭域中的公式：

y, X = patsy.dmatrices('y ~ x0 + np.log(np.abs(x1) + 1)', data)

X

DesignMatrix with shape (5, 3)

Intercept x0 np.log(np.abs(x1) + 1)

1 1 0.00995

1 2 0.00995

1 3 0.22314

1 4 1.62924

1 5 0.00000

Terms:

'Intercept' (column 0)

'x0' (column 1)

'np.log(np.abs(x1) + 1)' (column 2)

一些常用的变量变换，包括标准化（standardizing (平均值0，方差1）和中心化（减去平均值）。Patsy有内建的函数可以做到这些

y, X = patsy.dmatrices('y ~ standardize(x0) + center(x1)', data)

X

DesignMatrix with shape (5, 3)

Intercept standardize(x0) center(x1)

1 -1.41421 0.78

1 -0.70711 0.76

1 0.00000 1.02

1 0.70711 -3.33

1 1.41421 0.77

Terms:

'Intercept' (column 0)

'standardize(x0)' (column 1)

'center(x1)' (column 2)

作为建模的一部分，我们可能会在一个数据及上训练模型，然后在另一个数据及上评价模型。当使用中心化或标准化这样的转换时，我们必须注意，必须用模型在新数据集上做预测。这叫做状态变换（stateful transformations）。因为我们必须用原本在训练集上得到的平均值和标准差，用在新的数据集上。

通过保存原先数据集中的信息，patsy.build_design_matrices函数能把变换用在新的数据集上

new_data = pd.DataFrame({

'x0': [6, 7, 8, 9],

'x1': [3.1, -0.5, 0, 2.3],

'y': [1, 2, 3, 4]})

new_X = patsy.build_design_matrices([X.design_info], new_data)

new_X

[DesignMatrix with shape (4, 3)

Intercept standardize(x0) center(x1)

1 2.12132 3.87

1 2.82843 0.27

1 3.53553 0.77

1 4.24264 3.07

Terms:

'Intercept' (column 0)

'standardize(x0)' (column 1)

'center(x1)' (column 2)]

因为加号在Patsy公式中不代表加法，如果想要把两个列通过名字相加，必须把他们用I函数包起来

y, X = patsy.dmatrices('y ~ I(x0 + x1)', data)

X

DesignMatrix with shape (5, 2)

Intercept I(x0 + x1)

1 1.01

1 1.99

1 3.25

1 -0.10

1 5.00

Terms:

'Intercept' (column 0)

'I(x0 + x1)' (column 1)

Patsy有一些其他的内建转换，得来patsy.builtins模块里。更多的信息请参考文档。

Categorical数据有特殊的类用于变换，下面进行介绍。

2、Categorical数据和Patsy

非数值型数据可以通过很多种方式变为一个模型设计矩阵。这个话题很大，这里只做简单介绍。

当我们在Patsy公式中使用非数值术语时，这些类型数据默认会被转换为哑变量。如果有截距，一个层级上的截距会被舍弃，防止出现共线性：

data = pd.DataFrame({'key1': ['a', 'a', 'b', 'b', 'a', 'b', 'a', 'b'],

'key2': [0, 1, 0, 1, 0, 1, 0, 0],

'v1': [1, 2, 3, 4, 5, 6, 7, 8],

'v2': [-1, 0, 2.5, -0.5, 4.0, -1.2, 0.2, -1.7] })

y, X = patsy.dmatrices('v2 ~ key1', data)

X

DesignMatrix with shape (8, 2)

Intercept key1[T.b]

1 0

1 0

1 1

1 1

1 0

1 1

1 0

1 1

Terms:

'Intercept' (column 0)

'key1' (column 1)

如果从模型中舍弃截距，每个类型的列会被包含在模型设计矩阵中

y, X = patsy.dmatrices('v2 ~ key1 + 0', data)

X

DesignMatrix with shape (8, 2)

key1[a] key1[b]

1 0

1 0

0 1

0 1

1 0

0 1

1 0

0 1

Terms:

'key1' (columns 0:2)

数值型列可以通过C函数，变为类型列：

y, X = patsy.dmatrices('v2 ~ C(key2)', data)

X

DesignMatrix with shape (8, 2)

Intercept C(key2)[T.1]

1 0

1 1

1 0

1 1

1 0

1 1

1 0

1 0

Terms:

'Intercept' (column 0)

'C(key2)' (column 1)

当我们在一个模型中使用多个类型术语时，会变得更复杂一些，之前用key1:key2的形式来包含有交集的术语，这种方法可以用于使用多个术语，例如，一个方法分析模型（analysis of variance (ANOVA) models）：

data['key2'] = data['key2'].map({0: 'zero', 1: 'one'})

data

key1

key2

v1

v2

0

a

zero

1

-1.0

1

a

one

2

0.0

2

b

zero

3

2.5

3

b

one

4

-0.5

4

a

zero

5

4.0

5

b

one

6

-1.2

6

a

zero

7

0.2

7

b

zero

8

-1.7

y, X = patsy.dmatrices('v2 ~ key1 + key2', data)

X

DesignMatrix with shape (8, 3)

Intercept key1[T.b] key2[T.zero]

1 0 1

1 0 0

1 1 1

1 1 0

1 0 1

1 1 0

1 0 1

1 1 1

Terms:

'Intercept' (column 0)

'key1' (column 1)

'key2' (column 2)

y, X = patsy.dmatrices('v2 ~ key1 + key2 + key1:key2', data)

X

DesignMatrix with shape (8, 4)

Intercept key1[T.b] key2[T.zero] key1[T.b]:key2[T.zero]

1 0 1 0

1 0 0 0

1 1 1 1

1 1 0 0

1 0 1 0

1 1 0 0

1 0 1 0

1 1 1 1

Terms:

'Intercept' (column 0)

'key1' (column 1)

'key2' (column 2)

'key1:key2' (column 3)