正在参与datawhale和阿里云天池共同举办的数据挖掘比赛~
竞赛链接:
零基础入门数据挖掘-二手车交易价格预测
数据集
可见的数据集包含了训练集(15w),测试集(5w)。共有包括name,brand,model等在内的30个特征(已脱敏)。
数据分析及可视化
data为通过pandas从csv中读进来的dataframe格式
1.【总览数据概况】
data.describe()
– 统计各个特征的非NaN的个数,均值,标准差,最小值,最大值,分位数。返回dataframe格式的统计表。
data.info()
– 统计各个特征的dtype,非NaN的个数等。
2.【判断数据缺失和异常】
data.isnull()
– 查看全体数据是否为nan,返回各个位置为nan是True还是False。
data.isnull().sum()
– 查看每列(每个特征)存在nan的情况,返回每个特征对应缺失值个数。
nan可视化:执行下面代码,可生成特征对应缺失值个数的柱状图。
import matplotlib.pyplot as plt
missing = data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()
data[feature].value_counts()
– 统计feature的各个值的个数。
通过统计各特征的值组成,可以看到:
- notRepairedDamage特征对应值包含 ’ - ',可以转换为np.nan,再进行对缺失值的处理操作;
- seller和offerType特征值倾向性严重,对预测几乎没有帮助,可以不考虑(直接删去)。
3.【预测值的分布】
可以用scipy.stats 和 seaborn结合,通过作图的方式直观地对预测值的分布进行拟合。
import scipy.stats as st
y = data['price']
plt.figure(1); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)