房价预测--2024年5月16日

提示：供自己学习，代码并不能跑通

下载

def download(name, cache_dir=os.path.join('..', 'data')):  #@save
    """下载一个DATA_HUB中的文件，返回本地文件名"""
    assert name in DATA_HUB, f"{name} 不存在于 {DATA_HUB}"
    url, sha1_hash = DATA_HUB[name]
    os.makedirs(cache_dir, exist_ok=True)
    fname = os.path.join(cache_dir, url.split('/')[-1])
    if os.path.exists(fname):
        sha1 = hashlib.sha1()
        with open(fname, 'rb') as f:
            while True:
                data = f.read(1048576)
                if not data:
                    break
                sha1.update(data)
        if sha1.hexdigest() == sha1_hash:
            return fname  # 命中缓存
    print(f'正在从{url}下载{fname}...')
    r = requests.get(url, stream=True, verify=True)
    with open(fname, 'wb') as f:
        f.write(r.content)
    return fname

代码思路：
从字典中寻找文件（字典里已经录入文件URL和hash值），获取URL和hash值
创建文件夹
获取存放的文件名（带路径）
若文件存在，读入文件，校验hash值，否则下创建文件并读入文件（相当于下载）

assert name in DATA_HUB, f"{name} 不存在于 {DATA_HUB}"

断言语句，若不满足则报错，打印字符。f字符串格式：f"{变量} 不存在于 {变量}"，assert后面可以接f字符串，不能进行其它操作。

cache_dir=os.path.join('..', 'data')
os.makedirs(cache_dir, exist_ok=True)
os.path.exists(fname)

三个os.path函数，分别作用：返回文件路径字符串，创建文件夹，判断文件是否存在

url.split('/')[-1]

字符串处理方法，按/把字符串分割，返回被分开的字符串列，这里明显为了获得文件名

        sha1 = hashlib.sha1()
        with open(fname, 'rb') as f:
            while True:
                data = f.read(1048576)
                if not data:
                    break
                sha1.update(data)
        if sha1.hexdigest() == sha1_hash:
            return fname  # 命中缓存

1.文件的使用：通过with open(文件名,‘打开方式’) as f 打开，通过f.read,f.write进行操作
2.哈希值验证：先用hashlib.sha1()建立一个哈希对象，读文件时每次用读出的内容去更新哈希对象，最后用sha1.hexdigest()取出

下载解压

def download_extract(name, folder=None):  #@save
    """下载并解压zip/tar文件"""
    fname = download(name)
    base_dir = os.path.dirname(fname)
    data_dir, ext = os.path.splitext(fname)
    if ext == '.zip':
        fp = zipfile.ZipFile(fname, 'r')
    elif ext in ('.tar', '.gz'):
        fp = tarfile.open(fname, 'r')
    else:
        assert False, '只有zip/tar文件可以被解压缩'
    fp.extractall(base_dir)
    return os.path.join(base_dir, folder) if folder else data_dir

def download_all():  #@save
    """下载DATA_HUB中的所有文件"""
    for name in DATA_HUB:
        download(name)

代码思路
获取文件名，指定解压地点（当前文件及和当前文件夹下指定文件夹），根据文件类型打开并解压文件，返回解压地点

    base_dir = os.path.dirname(fname)
    data_dir, ext = os.path.splitext(fname)

os.path.dirname() 获得文件所在文件夹名字，os.path.splitext()将文件（包含路径）和扩展名分开

fp = zipfile.ZipFile(fname, 'r')
fp = tarfile.open(fname, 'r')
fp.extractall(base_dir)

分别对应zip和tar打开方式和提取

字典构造

DATA_HUB['kaggle_house_train'] = (  #@save
    DATA_URL + 'kaggle_house_pred_train.csv',
    '585e9cc93e70b39160e7921475f9bcd7d31219ce')

DATA_HUB['kaggle_house_test'] = (  #@save
    DATA_URL + 'kaggle_house_pred_test.csv',
    'fa19780a7b011d9b009e8bff8e99922a8ee2eb90')

数据处理

all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
# 若无法获得测试数据，则可根据训练数据计算均值和标准差
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std()))
# 在标准化数据之后，所有均值消失，因此我们可以将缺失值设置为0

# “Dummy_na=True”将“na”（缺失值）视为有效的特征值，并为其创建指示符特征
all_features = pd.get_dummies(all_features, dummy_na=True)
all_features.shape
n_train = train_data.shape[0]
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float32)
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float32)
train_labels = torch.tensor(
    train_data.SalePrice.values.reshape(-1, 1), dtype=torch.float32)

代码思路：打印两个数据集的形状和第一行内容，我们只保留自己需要的数据作为输入（如id就明显不是影响房价的因素，还有房价作为我们最终要输出的部分，也不能包含在输入里）。将所有数值项标准化，并处理NA；非数值项进行one-hot编码，将数据0划分为训练输入和测试输入，将其和训练集的输出转为tensor

all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))

pd的concat函数，接受(,)形式的参数

numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std()))
all_features[numeric_features] = all_features[numeric_features].fillna(0)

标准化。dtypes是数据类型表格，all_features.dtypes是一个包含所有数据类型的列表（标明每一列是什么数据类型），
dtypes[all_features.dtypes != ‘object’]对应的就是列名和对应是否不为object（标明每一列是T或者F），.index对应其index对象
这里的numeric_features是一个index对象，不同于array，它并没有任何值，仅能用于检索。
apply函数是对每一个项进行操作应用。
lambda x: 匿名函数，只能进行一个运算语句

all_features = pd.get_dummies(all_features, dummy_na=True)

pd里的转one-hot编码

n_train = train_data.shape[0]
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float32)
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float32)
train_labels = torch.tensor(
    train_data.SalePrice.values.reshape(-1, 1), dtype=torch.float32)

对于二维表，.shape[0]明显为表项数，shape[1]为属性数量。
all_features[:n_train].values是把数据表的项作为array取出。
train_data.SalePrice.values.reshape(-1, 1)，可以指定表中的某列，虽然SalePrice貌似是个列向量，但实际我们获得的是一个行向量，需要用reshape(-1, 1)来改变形状。
关于列向量和行向量在python中的表示，注意到：
array([[208500],
[181500],
[223500],
…,
[266500],
[142125],
[147500]], dtype=int64)

array([208500, 181500, 223500, …, 266500, 142125, 147500], dtype=int64)

即使在列向量里，维度也是2，只是每行属性为1

网络构造，选择损失函数

loss = nn.MSELoss()
in_features = train_features.shape[1]

def get_net():
    net = nn.Sequential(nn.Linear(in_features,1))
    return net

损失值计算

def log_rmse(net, features, labels):
    # 为了在取对数时进一步稳定该值，将小于1的值设置为1
    clipped_preds = torch.clamp(net(features), 1, float('inf'))
    rmse = torch.sqrt(loss(torch.log(clipped_preds),
                           torch.log(labels)))
    return rmse.item()

采用loss函数计算损失值，均方损失。torch.clamp(net(features), 1, float(‘inf’))函数，将通过网络获得的预测值进行裁剪，返回的是rmse的数值

训练函数

def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, learning_rate, weight_decay, batch_size):
    train_ls, test_ls = [], []
    train_iter = d2l.load_array((train_features, train_labels), batch_size)
    # 这里使用的是Adam优化算法
    optimizer = torch.optim.Adam(net.parameters(),
                                 lr = learning_rate,
                                 weight_decay = weight_decay)
    for epoch in range(num_epochs):
        for X, y in train_iter:
            optimizer.zero_grad()
            l = loss(net(X), y)
            l.backward()
            optimizer.step()
        train_ls.append(log_rmse(net, train_features, train_labels))
        if test_labels is not None:
            test_ls.append(log_rmse(net, test_features, test_labels))
    return train_ls, test_ls

代码思路：建立训练和测试的损失列表；三板斧：迭代器，优化器，for循环（梯度清理，损失函数，反向传播，参数更新），返回损失列表。

k折验证

数据提取

def get_k_fold_data(k, i, X, y):
    assert k > 1
    fold_size = X.shape[0] // k
    X_train, y_train = None, None
    for j in range(k):
        idx = slice(j * fold_size, (j + 1) * fold_size)
        X_part, y_part = X[idx, :], y[idx]
        if j == i:
            X_valid, y_valid = X_part, y_part
        elif X_train is None:
            X_train, y_train = X_part, y_part
        else:
            X_train = torch.cat([X_train, X_part], 0)
            y_train = torch.cat([y_train, y_part], 0)
    return X_train, y_train, X_valid, y_valid

代码思路：断言k>1，按照k的大小将确定每一折的大小（整除，多的忽略掉），利用slice函数返回每一折的index对象。如果不是当前折，就进行拼接torch.cat([X_train, X_part], 0)，与pd的concat一样，接受的是[,]形状的参数，0代表加表项，1代表拼属性

k折实现

def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay,
           batch_size):
    train_l_sum, valid_l_sum = 0, 0
    for i in range(k):
        data = get_k_fold_data(k, i, X_train, y_train)
        net = get_net()
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,
                                   weight_decay, batch_size)
        train_l_sum += train_ls[-1]
        valid_l_sum += valid_ls[-1]
        if i == 0:
            d2l.plot(list(range(1, num_epochs + 1)), [train_ls, valid_ls],
                     xlabel='epoch', ylabel='rmse', xlim=[1, num_epochs],
                     legend=['train', 'valid'], yscale='log')
        print(f'折{i + 1}，训练log rmse{float(train_ls[-1]):f}, '
              f'验证log rmse{float(valid_ls[-1]):f}')
    return train_l_sum / k, valid_l_sum / k

代码思路：对每一折，获取折数据和网络，进行训练，取所有折训练的最后一个epoch的损失值的总和，返回验证和训练的平均损失值

训练预测

def train_and_pred(train_features, test_features, train_labels, test_data,
                   num_epochs, lr, weight_decay, batch_size):
    net = get_net()
    train_ls, _ = train(net, train_features, train_labels, None, None,
                        num_epochs, lr, weight_decay, batch_size)
    d2l.plot(np.arange(1, num_epochs + 1), [train_ls], xlabel='epoch',
             ylabel='log rmse', xlim=[1, num_epochs], yscale='log')
    print(f'训练log rmse：{float(train_ls[-1]):f}')
    # 将网络应用于测试集。
    preds = net(test_features).detach().numpy()
    # 将其重新格式化以导出到Kaggle
    test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])
    submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)
    submission.to_csv('submission.csv', index=False)

代码思路：对训练集进行训练，保存损失列表，将测试集送入网络进行预测（net(test_features).detach().numpy()转为numpy形式方便写入csv）,对于 test_data[‘SalePrice’] = pd.Series(preds.reshape(1, -1)[0])，我们的到的预测值是列向量，同样我们需要转为行向量再协会dataframe。submission.to_csv(‘文件名’)，