python小代码

查看训练集数据的前几行或者后几行

train.head()
train.tail()

归一化和反归一化问题

fit_transform() 会储存归一化函数是的相关参数，因此对训练集使用fit_transform() ，储存了训练集归一化的相关参数，然后利用这些参数对测试集进行统一的归一化transform()【切记不能再使用fit_transform() ，第二次使用fit_transform() 会刷新mm里储存的参数！！】

#导入数据
dataset= pd.read_excel(r"D:\alldata\pythonfiles\九寨沟\数据\lstm+搜索4.xlsx")
dataset.drop('日期',axis=1, inplace=True)
# print(dataset)
#整体归一化
scaler = MinMaxScaler(feature_range=(0,1))
dataset= scaler.fit_transform(dataset)
print(dataset)
X=np.array(dataset)
#对预测部分单独归一化
predict=dataset[-31:]
predict=scaler.transform(predict)

#预测出来
pre = model.predict(testX)
# 显示重要特征
# plot_importance(model)
# plt.show()
print(pre)


#反归一化
predict[:,0] = pre #将第1列的真实值改为预测值
predicted_data = scaler.inverse_transform(predict) #反归一化
pre = predicted_data[:,0]
print(pre)

#计算误差
y= pd.read_excel(r"D:\alldata\pythonfiles\九寨沟\预测结果\original-lstm.xlsx")
y=np.array(y['value']).reshape(1,31).flatten()
MSE = mean_squared_error(y, pre)
RMSE = math.sqrt(MSE)
# MAE=mean_absolute_error(y, pre)
# MAPE = metrics.mean_absolute_percentage_error(y, pre)
MAE = np.mean(np.abs(y-pre))
MAPE = np.mean(np.abs((y - pre) / y))
print("rmse :",RMSE)
print("mae :", MAE)
print("mape :", MAPE)

用python计算描述性统计

# 数据加载
data = pd.read_excel('2021年上半年笔记本新品清单20210622v2.xlsx',index_col=0)
data.head()
#查看数据信息
data.info()
# 查看连续型变量描述统计
data.describe().round(2)