Used-car-Task-3

最新推荐文章于 2021-07-14 11:18:52 发布

花下和风

最新推荐文章于 2021-07-14 11:18:52 发布

阅读量269

点赞数

分类专栏： Used-car 文章标签： python 机器学习大数据数据分析

本文链接：https://blog.csdn.net/weixin_45242930/article/details/105024079

版权

Used-car 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

简介

天池数据挖掘入门-二手车交易价格预测
地址 https://tianchi.aliyun.com/competition/entrance/231784/information
目标特征工程

步骤

引入模块

%matplotlib inline作用：具体作用是当你调用matplotlib.pyplot的绘图函数plot()进行绘图的时候，或者生成一个figure画布的时候，可以直接在你的python console里面生成图像。

import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
from operator import itemgetter
# 模仿命令行来访问magic函数的在IPython中独有的形式
%matplotlib inline

# 载入数据
path = 'E:\Train_Test_data\second_hand_car'
Train_data = pd.read_csv(path+'\\used_car_train_20200313.csv',sep=' ')
Test_data = pd.read_csv(path+'\\used_car_testA_20200313.csv',sep=' ')
print(Train_data.shape)
print(Test_data.shape)

删除异常值

# 删除异常值

# 处理异常值的函数
def outliers_proc(data,col_name,scale=3):
    """
    用于清洗异常值，默认用box_plot(scale=3)进行清洗（这里不懂？）
    :param data：接受pandas数据格式
    :param col_name：列名
    :param scale：尺度
    :returm
    """
    def box_plot_outliers(data_ser, box_scale):
        """
        利用箱型图去除异常值
        :param data_ser：接受pandas.Series数据格式
        :param box_scale：箱型图尺度
        :return:
        """
        iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))
        val_low = data_ser.quantile(0.25) - iqr
        val_up = data_ser.quantile(0.75) + iqr
        rule_low = (data_ser < val_low)
        rule_up = (data_ser > val_up)
        return (rule_low , rule_up),(val_low,val_up)
    data_n = data.copy()
    data_series = data_n[col_name]
    rule , value = box_plot_outliers(data_series , box_scale=scale)
    index = np.arange(data_series.shape[0])[rule[0] | rule[1]]
    print('Delete number is:{}'.format(len(index)))
    data_n = data_n.drop(index)
    data_n.reset_index(drop=True , inplace=True)
    print('Now column number is :{}'.format(data_n.shape[0]))
    index_low = np.arange(data_series.shape[0])[rule[0]]
    outliers = data_series.iloc[index_low]
    print('Description of data less than the lower bound is:')
    print(pd.Series(outliers).describe())
    index_up = np.arange(data_series.shape[0])[rule[1]]
    outliers = data_series.iloc[index_up]
    print('Description of data larger than the upper bound is:')
    print(pd.Series(outliers).describe())
    
    fig , ax = plt.subplots(1,2,figsize=(10,7))
    sns.boxplot(y=data[col_name] , data=data , palette='Set1' , ax=ax[0])
    sns.boxplot(y=data_n[col_name] , data=data_n , palette='Set1' , ax=ax[1])
    return data_n
    # 删除异常值
Train_data = outliers_proc(train , 'power' , scale=3)

特征构造

# 训练稽核测试集放一起，方便构造特征
Train_data['train']=1
Test_data['train']=0
data = pd.concat([Train_data, Test_data], ignore_index=True)

# 使用时长：data['creatDate'] - data['regDate']，反应汽车使用时间，一般来说价格与使用时间成反比
# 时间格式不对，使用：errors = 'coerce'，.dt.days转天数
data['used_time'] = (pd.to_datetime(data['creatDate'] , format='%Y%m%d' ,errors = 'coerce' ) - pd.to_datetime(data['regDate'] , format='%Y%m%d' ,errors = 'coerce')).dt.days

# 看一下空数据，有 15k 个样本的时间是有问题的，我们可以选择删除，也可以选择放着。
# 但是这里不建议删除，因为删除缺失数据占总样本量过大，7.5%
# 我们可以先放着，因为如果我们 XGBoost 之类的决策树，其本身就能处理缺失值，所以可以不用管；
data['used_time'].isnull().sum()

# 从邮编中提取城市信息，加入先验知识，德国的邮编
data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3])
data=data

# 计算品牌销售量
Train_gb = Train_data.groupby("brand")
all_info = {}
for kind, kind_data in Train_gb:
    info = {}
    kind_data = kind_data[kind_data['price'] > 0]
    info['brand_amount'] = len(kind_data)
    info['brand_price_max'] = kind_data.price.max()
    info['brand_price_median'] = kind_data.price.median()
    info['brand_price_min'] = kind_data.price.min()
    info['brand_price_sum'] = kind_data.price.sum()
    info['brand_price_std'] = kind_data.price.std()
    info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data) + 1), 2)
    all_info[kind] = info
brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index": "brand"})
data = data.merge(brand_fe, how='left', on='brand')

# 数据分桶 以 power 为例
# 这时候我们的缺失值也进桶了，
# 为什么要做数据分桶呢，原因有很多，= =
# 1. 离散后稀疏向量内积乘法运算速度更快，计算结果也方便存储，容易扩展；
# 2. 离散后的特征对异常值更具鲁棒性，如 age>30 为 1 否则为 0，对于年龄为 200 的也不会对模型造成很大的干扰；
# 3. LR 属于广义线性模型，表达能力有限，经过离散化后，每个变量有单独的权重，这相当于引入了非线性，能够提升模型的表达能力，加大拟合；
# 4. 离散后特征可以进行特征交叉，提升表达能力，由 M+N 个变量编程 M*N 个变量，进一步引入非线形，提升了表达能力；
# 5. 特征离散后模型更稳定，如用户年龄区间，不会因为用户年龄长了一岁就变化

# 当然还有很多原因，LightGBM 在改进 XGBoost 时就增加了数据分桶，增强了模型的泛化性
bin = [i*10 for i in range(31)]
data['power_bin'] = pd.cut(data['power'] , bin , labels=False)
data[['power_bin' , 'power']].head()

# 删除不需要的数据
data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)

# 目前的数据其实已经可以给树模型使用了，所以我们导出一下
data.to_csv('E:\Train_Test_data\second_hand_car\data_for_tree.csv', index=0)

# 我们可以再构造一份特征给 LR NN 之类的模型用
# 之所以分开构造是因为，不同模型对数据集的要求不同
# 我们看下数据分布：
data['power'].plot.hist()

# 我们刚刚已经对 train 进行异常值处理了，但是现在还有这么奇怪的分布是因为 test 中的 power 异常值，
# 所以我们其实刚刚 train 中的 power 异常值不删为好，可以用长尾分布截断来代替
train['power'].plot.hist()

# 取log，做归一化处理
from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
data['power'] = np.log(data['power']+1)
data['power'] = ((data['power'] - np.min(data['power'])) / (np.max(data['power']) - np.min(data['power'])))
data['power'].plot.hist()

# 公里数
data['kilometer'].plot.hist()

# 公里数，归一化
data['kilometer'] = ((data['kilometer'] - np.min(data['kilometer'])) / (np.max(data['kilometer']) - np.min(data['kilometer'])))
data['kilometer'].plot.hist()


# 除此之外 还有我们刚刚构造的统计量特征：
# 'brand_amount', 'brand_price_average', 'brand_price_max',
# 'brand_price_median', 'brand_price_min', 'brand_price_std',
# 'brand_price_sum'
# 这里不再一一举例分析了，直接做变换，

def max_min(x):
    return (x - np.min(x)) / (np.max(x) - np.min(x))
data['brand_amount'] = ((data['brand_amount'] - np.min(data['brand_amount'])) / 
                       (np.max(data['brand_amount']) - np.min(data['brand_amount'])))
data['brand_price_max'] = ((data['brand_price_max'] - np.min(data['brand_price_max'])) / 
                       (np.max(data['brand_price_max']) - np.min(data['brand_price_max'])))
data['brand_price_median'] = ((data['brand_price_median'] - np.min(data['brand_price_median'])) / 
                       (np.max(data['brand_price_median']) - np.min(data['brand_price_median'])))
data['brand_price_min'] = ((data['brand_price_min'] - np.min(data['brand_price_min'])) / 
                       (np.max(data['brand_price_min']) - np.min(data['brand_price_min'])))
data['brand_price_sum'] = ((data['brand_price_sum'] - np.min(data['brand_price_sum'])) / 
                       (np.max(data['brand_price_sum']) - np.min(data['brand_price_sum'])))
data['brand_price_std'] = ((data['brand_price_std'] - np.min(data['brand_price_std'])) / 
                       (np.max(data['brand_price_std']) - np.min(data['brand_price_std'])))
data['brand_price_average']=((data['brand_price_average'] - np.min(data['brand_price_average'])) / 
                       (np.max(data['brand_price_average']) - np.min(data['brand_price_average'])))

# 对类别特征进行 OneEncoder
data = pd.get_dummies(data , columns=['model' , 'brand' , 'bodyType' , 'fuelType',
                                     'gearbox' , 'notRepairedDamage' , 'power_bin'])
# 查看一下
print(data.shape)
data.columns

# 这份数据可以给 LR 用
data.to_csv('E:\Train_Test_data\second_hand_car\data_for_lr.csv', index=0)

# 特征筛选-根据文档总结知识点有3种
##过滤式
### 相关性分析
print(data['power'].corr(data['price'] , method='spearman'))
print(data['kilometer'].corr(data['price'] , method='spearman'))
print(data['brand_amount'].corr(data['price'] , method='spearman'))
print(data['brand_price_average'].corr(data['price'] , method='spearman'))
print(data['brand_price_max'].corr(data['price'] , method='spearman'))
print(data['brand_price_median'].corr(data['price'] , method='spearman'))

# 可视化
data_numeric = data[['power' , 'kilometer' , 'brand_amount' , 'brand_price_average' ,
                     'brand_price_max' , 'brand_price_median']]
correlation = data_numeric.corr()

f , ax = plt.subplots(figsize=(7,7))
plt.title('Correlation of Numeric Features with Price')
sns.heatmap(correlation , square = True , vmax=0.8)

/后边我的电脑一跑就死机，笑哭/

from mlxtend.feature_selection import SequentialFeatureSelector as SFS
from sklearn.linear_model import LinearRegression

sfs = SFS(LinearRegression(),
           k_features=10,
           forward=True,
           floating=False,
           scoring = 'r2',
           cv = 0)
x = data.drop(['price'], axis=1)
x = x.fillna(0)
y = data['price']
sfs.fit(x, y)
sfs.k_feature_names_ 

# 画出来，可以看到边际效益
from mlxtend.plotting import plot_sequential_feature_selection as plot_sfs
import matplotlib.pyplot as plt
fig1 = plot_sfs(sfs.get_metric_dict(), kind='std_dev')
plt.grid()
plt.show()