第1关:数据归约
任务描述
相关知识
数据归约策略
数据立方体聚集与维归约
数据压缩与数值归约
编程要求
测试说明
任务描述
本关任务:使用直方图展示不同年龄的发病次数。
相关知识
数据仓库中往往存有海量数据,在其上进行复杂的数据分析与挖掘需要很长的时间,数据归约可以用来得到数据集的归约表示,它小得多,但可以产生相同的(或几乎相同的)分析结果。
数据归约策略
数据归约策略:
数据立方体聚集;
维归约;
数据压缩;
数值归约;
离散化和概念分层产生。
用于数据归约的时间不应当超过或“抵消”在归约后的数据上挖掘节省的时间。
数据立方体聚集与维归约
数据立方体聚集
最底层的方体对应于基本方体,基本方体对应于感兴趣的实体。在数据立方体中存在着不同级别的汇总,数据立方体可以看成方体的格,每个较高层次的抽象将进一步减少结果数据。
数据立方体提供了对预计算汇总数据的快速访问,使用与给定任务相关的最小方体,在可能的情况下,对于汇总数据的查询应当使用数据立方体。
维归约
通过删除不相干的属性或减少数据量。属性子集选择,找出最小属性集,使得数据类的概率分布尽可能的接近使用所有属性的原分布,减少出现在发现模式上的属性的数目,使得模式更易于理解。
启发式的(探索性的)方法:
逐步向前选择;
逐步向后删除;
向前选择和向后删除相结合;
判定归纳树。
数据压缩与数值归约
数据压缩
数据压缩可分为有损压缩和无损压缩。
字符串压缩有广泛的理论基础和精妙的算法,通常是无损压缩,在解压缩前对字符串的操作非常有限。
音频/视频压缩,通常是有损压缩,压缩精度可以递进选择,有时可以在不解压整体数据的情况下,重构某个片断。
两种有损数据压缩的方法:小波变换和主要成分分析。
数值归约
通过选择替代的、较小的数据表示形式来减少数据量。
① 有参方法:使用一个参数模型估计数据,最后只要存储参数即可。
② 线性回归方法:Y=α+βX
多元回归:线性回归的扩充;
对数线性模型:近似离散的多维数据概率分布。
③ 无参方法:
直方图;
聚类;
选样。
编程要求
请仔细阅读右侧代码,结合相关知识,在 Begin-End 区域内进行代码补充,使用数值规约的无参方法中的直方图展示不同年龄的发病次数。
图片生产要求如下:
设置图片大小 figsize=(10,10);
图形保存到 Task1/img/T1.png。
测试说明
平台会对你编写的代码进行测试:
图片预期输出如下:
开始你的任务吧,祝你成功!
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
def student():
train = pd.read_csv('Task1/diabetes_null.csv', na_values=['#NAME?'])
train['Insulin'] = train['Insulin'].fillna(100)
train['SkinThickness'] = train['SkinThickness'].fillna(train['SkinThickness'].median())
train['BloodPressure'] = train['BloodPressure'].fillna(train['BloodPressure'].median())
train['BMI'] = train['BMI'].fillna(train['BMI'].mean())
train['Glucose'] = train['Glucose'].fillna(train['Glucose'].mean())
#********* Begin *********#
plt.figure(figsize=(10,10))
x=pd.Series(train['Age'])
count=x.value_counts()
count.plot(kind='bar')
plt.savefig("Task1/img/T1.png")
plt.show()
#********* End *********#
第2关:数据离散化
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
def student():
train = pd.read_csv('Task1/diabetes_null.csv', na_values=['#NAME?']).dropna()
#********* Begin *********#
bin=[0,30,50,90]
a=pd.cut(train["Age"],bin)
print(pd.value_counts(a))
#********* End *********#