• 本文是该系列读书笔记的第二章数据预处理部分
  • 获取数据
  • 数据的初步分析，数据探索
  • 地理分布
  • 数据特征的相关性
  • 创建新的特征
  • 数据清洗， 创建处理流水线

本文是该系列读书笔记的第二章数据预处理部分

  • 导入常用的数据分析库
import pandas as pd
import numpy as np
import os 
import tarfile
from six.moves import urllib

获取数据

download_root="https://raw.githubusercontent.com/ageron/handson-ml/master/"
house_path="datasets/housing"
housing_url=download_root+house_path+"/housing.tgz"
def fecthing_housing_data(housing_url=housing_url,house_path=house_path):
    if not os.path.exists(house_path):
        os.makedirs(house_path)
    tgz_path=os.path.join(house_path,'housing.tgz')
    urllib.request.urlretrieve(housing_url,tgz_path)
    housing_tgz=tarfile.open(tgz_path)
    housing_tgz.extractall(path=house_path)
    housing_tgz.close()
def load_housing_data(house_path=house_path):
    csv_path=os.path.join(house_path,"housing.csv")
    return pd.read_csv(csv_path)

数据的初步分析，数据探索

# fecthing_housing_data()  # 下载数据，解压出csv文件
housing=load_housing_data()
housing.head()

longitude

latitude

housing_median_age

total_rooms

total_bedrooms

population

households

median_income

median_house_value

ocean_proximity

0

-122.23

37.88

41.0

880.0

129.0

322.0

126.0

8.3252

452600.0

NEAR BAY

1

-122.22

37.86

21.0

7099.0

1106.0

2401.0

1138.0

8.3014

358500.0

NEAR BAY

2

-122.24

37.85

52.0

1467.0

190.0

496.0

177.0

7.2574

352100.0

NEAR BAY

3

-122.25

37.85

52.0

1274.0

235.0

558.0

219.0

5.6431

341300.0

NEAR BAY

4

-122.25

37.85

52.0

1627.0

280.0

565.0

259.0

3.8462

342200.0

NEAR BAY

housing.info()
# total_bedrooms 存在缺失值，
# 前9列为float格式，经度，维度，房龄中位数，总的房间数，卧室数目，人口，家庭数，收入中位数，房屋价格的中位数，
# 最后一列为离海距离为object类型
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 20640 entries, 0 to 20639
Data columns (total 10 columns):
longitude             20640 non-null float64
latitude              20640 non-null float64
housing_median_age    20640 non-null float64
total_rooms           20640 non-null float64
total_bedrooms        20433 non-null float64
population            20640 non-null float64
households            20640 non-null float64
median_income         20640 non-null float64
median_house_value    20640 non-null float64
ocean_proximity       20640 non-null object
dtypes: float64(9), object(1)
memory usage: 1.6+ MB
# 需要查看ocean_proximity都包含哪些,
housing['ocean_proximity'].value_counts()
<1H OCEAN     9136
INLAND        6551
NEAR OCEAN    2658
NEAR BAY      2290
ISLAND           5
Name: ocean_proximity, dtype: int64
# 对数值类型的特征进行初步的统计
housing.describe()

longitude

latitude

housing_median_age

total_rooms

total_bedrooms

population

households

median_income

median_house_value

count

20640.000000

20640.000000

20640.000000

20640.000000

20433.000000

20640.000000

20640.000000

20640.000000

20640.000000

mean

-119.569704

35.631861

28.639486

2635.763081

537.870553

1425.476744

499.539680

3.870671

206855.816909

std

2.003532

2.135952

12.585558

2181.615252

421.385070

1132.462122

382.329753

1.899822

115395.615874

min

-124.350000

32.540000

1.000000

2.000000

1.000000

3.000000

1.000000

0.499900

14999.000000

25%

-121.800000

33.930000

18.000000

1447.750000

296.000000

787.000000

280.000000

2.563400

119600.000000

50%

-118.490000

34.260000

29.000000

2127.000000

435.000000

1166.000000

409.000000

3.534800

179700.000000

75%

-118.010000

37.710000

37.000000

3148.000000

647.000000

1725.000000

605.000000

4.743250

264725.000000

max

-114.310000

41.950000

52.000000

39320.000000

6445.000000

35682.000000

6082.000000

15.000100

500001.000000

%matplotlib inline
import matplotlib.pyplot as plt
# 查看每个数值特征的分布，
housing.hist(bins=50,figsize=(20,15))
# plt.show()
array([[<matplotlib.axes._subplots.AxesSubplot object at 0x00000000179D4A20>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000000019A2A128>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000000019A557B8>],
       [<matplotlib.axes._subplots.AxesSubplot object at 0x0000000019A7AE48>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000000019AAB518>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000000019AAB550>],
       [<matplotlib.axes._subplots.AxesSubplot object at 0x0000000019B03278>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000000019B29908>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000000019B53F98>]],
      dtype=object)

加州房价数据进行机器学习_数据

地理分布

housing.plot(kind="scatter", x="longitude", y="latitude")
<matplotlib.axes._subplots.AxesSubplot at 0x19bbfcc0>

加州房价数据进行机器学习_git_02

housing.plot(kind="scatter", x="longitude", y="latitude",alpha=0.4)
# 标量，可选，默认值无，alpha混合值，介于0（透明）和1（不透明）之间
# 显示高密度区域的散点图，颜色越深，表示人口越密集，虽然我对加州的地理位置不是特别清楚
<matplotlib.axes._subplots.AxesSubplot at 0x1a705b70>

加州房价数据进行机器学习_加州房价数据进行机器学习_03

housing.plot(kind='scatter',x='longitude',y='latitude',alpha=0.4,
            s=housing['population']/50,label='population',
            c='median_house_value',cmap=plt.get_cmap("jet"),colorbar=True,
            figsize=(9,6))
# import matplotlib
# plt.figure(figsize=(15,9)) 
# sc=plt.scatter(housing['longitude'],housing['latitude'],alpha=0.4,
#             s=housing['population']/100,label='population',
#             c=housing['median_house_value'],cmap=plt.get_cmap("jet"))
# plt.legend()
# matplotlib.rcParams["font.sans-serif"]=["SimHei"]
# matplotlib.rcParams['axes.unicode_minus'] = False
# matplotlib.rcParams['font.size'] =15
# plt.xlabel('经度')
# plt.ylabel('纬度')
# color_bar=plt.colorbar(sc)
# color_bar.set_label('meidan_house_value')
# plt.show()
#以上为使用plt的完整代码，将坐标轴的内容以及添加colorbar，设置中文坐标轴标题
<matplotlib.axes._subplots.AxesSubplot at 0x19ffb390>

加州房价数据进行机器学习_git_04

#  房价与位置和人口密度联系密切，但是如何用数学的角度来描述几个变量之间的关联呢，可以使用标准相关系数standard correlation coefficient 
# 常用的相关系数为皮尔逊相关系数
corr_matrix = housing.corr()
corr_matrix

longitude

latitude

housing_median_age

total_rooms

total_bedrooms

population

households

median_income

median_house_value

longitude

1.000000

-0.924664

-0.108197

0.044568

0.069608

0.099773

0.055310

-0.015176

-0.045967

latitude

-0.924664

1.000000

0.011173

-0.036100

-0.066983

-0.108785

-0.071035

-0.079809

-0.144160

housing_median_age

-0.108197

0.011173

1.000000

-0.361262

-0.320451

-0.296244

-0.302916

-0.119034

0.105623

total_rooms

0.044568

-0.036100

-0.361262

1.000000

0.930380

0.857126

0.918484

0.198050

0.134153

total_bedrooms

0.069608

-0.066983

-0.320451

0.930380

1.000000

0.877747

0.979728

-0.007723

0.049686

population

0.099773

-0.108785

-0.296244

0.857126

0.877747

1.000000

0.907222

0.004834

-0.024650

households

0.055310

-0.071035

-0.302916

0.918484

0.979728

0.907222

1.000000

0.013033

0.065843

median_income

-0.015176

-0.079809

-0.119034

0.198050

-0.007723

0.004834

0.013033

1.000000

0.688075

median_house_value

-0.045967

-0.144160

0.105623

0.134153

0.049686

-0.024650

0.065843

0.688075

1.000000

数据特征的相关性

import seaborn as sns
plt.Figure(figsize=(25,20))
hm=sns.heatmap(corr_matrix,cbar=True,annot=True,square=True,fmt='.2f',annot_kws={'size':9}, cmap="YlGnBu")
plt.show()

加州房价数据进行机器学习_git_05

corr_matrix['median_house_value'].sort_values(ascending=False)
"""
相关系数的范围是 -1 到 1。当接近 1 时，意味强正相关；
例如，当收入中位数增加时，房价中位数也会增加。
当相关系数接近 -1 时，意味强负相关；
纬度和房价中位数有轻微的负相关性（即，越往北，房价越可能降低）。
最后，相关系数接近 0，意味没有线性相关性。
"""
# 使用pandas中的scatter_matrix 可以从另外一种角度分析多个变量之间的相关性
from pandas.plotting import  scatter_matrix
attributes=['median_house_value',"median_income","total_bedrooms","housing_median_age"]
scatter_matrix(housing[attributes],figsize=(12,9))
# sns.pairplot(housing[['median_house_value',"median_income",]],height=5)
# 使用seaborn中的pariplot可以实现同样的结果
housing.plot(kind="scatter",x='median_income',y='median_house_value',alpha=0.2)
<matplotlib.axes._subplots.AxesSubplot at 0x1e3df9e8>

加州房价数据进行机器学习_git_06

加州房价数据进行机器学习_中位数_07

创建新的特征

  • 重点关注收入的中位数与房屋价值的中位数之间的关系，从上图以及相关系数都可以得到两者之间存在很明显的正相关
  • 可以清洗的看到向上的趋势，并且数据点不是非常分散，
  • 我们之前统计得到的最高房价位于5000000美元的水平线
  • 从频率分布直方图hist可以看到housing_median_age ,meidan_house_value 具有长尾分布，可以尝试对其进行log或者开根号等转化
  • 当然，不同项目的处理方法各不相同，但大体思路是相似的。
housing['rooms_per_household']=housing['total_rooms']/housing['households']
housing['bedrooms_per_room']= housing['total_bedrooms']/housing['total_rooms']
housing['population_per_household']=housing['population']/housing['households']
corr_matrix = housing.corr()
corr_matrix['median_house_value'].sort_values(ascending=False)
# """
# 新的特征房间中，卧室占比与房屋价值中位数有着更明显的负相关性，比例越低，房价越高；
# 每家的房间数也比街区的总房间数的更有信息，很明显，房屋越大，房价就越高
# """
median_house_value          1.000000
median_income               0.688075
rooms_per_household         0.151948
total_rooms                 0.134153
housing_median_age          0.105623
households                  0.065843
total_bedrooms              0.049686
population_per_household   -0.023737
population                 -0.024650
longitude                  -0.045967
latitude                   -0.144160
bedrooms_per_room          -0.255880
Name: median_house_value, dtype: float64

数据清洗， 创建处理流水线

  • 缺失值处理
  • 处理object文本数据类型
  • 特征放缩
  • 构建模型pepeline
  • 以上几个步骤我们在之前的博客中基本上都已经用过，这里作为读书笔记不会再过多的详细解释
# total_bedrooms特征缺失值处理
"""
- 去掉含有缺失值的样本，dropna()
- 去掉含有缺失值的特征 dropna(axis=1)
- 进行填充（中位数，平均值，0，插值填充） fillna(housing['total_bedrooms'].median()) 较为方便的使用pandas中的方法
"""
from sklearn.preprocessing import Imputer
imputer=Imputer(strategy='mean')
housing_num=housing.drop('ocean_proximity',axis=1)
imputer.fit(housing_num)
Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0)
housing_num_trans=pd.DataFrame(imputer.transform(housing_num),columns=housing_num.columns)
housing_num_trans.info()
# 缺失值补齐，总觉得如果是缺失值处理的话，可以直接用pandas中的fillna会节省一点时间，在原始的数据上直接处理掉，后面也就不用再去担心这个
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 20640 entries, 0 to 20639
Data columns (total 12 columns):
longitude                   20640 non-null float64
latitude                    20640 non-null float64
housing_median_age          20640 non-null float64
total_rooms                 20640 non-null float64
total_bedrooms              20640 non-null float64
population                  20640 non-null float64
households                  20640 non-null float64
median_income               20640 non-null float64
median_house_value          20640 non-null float64
rooms_per_household         20640 non-null float64
bedrooms_per_room           20640 non-null float64
population_per_household    20640 non-null float64
dtypes: float64(12)
memory usage: 1.9 MB
# 处理文本object类型数据
from sklearn.preprocessing import  LabelEncoder
encoder= LabelEncoder()
house_cat=housing['ocean_proximity']
house_cat_encode=encoder.fit_transform(house_cat)
house_cat_encode
array([3, 3, 3, ..., 1, 1, 1], dtype=int64)
encoder.classes_
array(['<1H OCEAN', 'INLAND', 'ISLAND', 'NEAR BAY', 'NEAR OCEAN'],
      dtype=object)
  • 在之前博客中也提到类似的操作，改操作可能会将两个临近的值
  • 比两个疏远的值更为相似，因此一般情况下，对与类标才会使用LabelEncoder,对于特征不会使用该方式对特征转换
  • 更为常用的操作是独热编码，给每个分类创建一个二元属性，比如当分类是INLAND，有则是1，没有则是0
  • skleanrn中提供了编码器OneHotEncoder，类似与pandas中pd.get_dummies()
from sklearn.preprocessing import OneHotEncoder
# OneHotEncoder只能对数值型数据进行处理,只接受2D数组
encoder=OneHotEncoder()
housing_cat_1hot=encoder.fit_transform(house_cat_encode.reshape((-1,1)))
housing_cat_1hot
<20640x5 sparse matrix of type '<class 'numpy.float64'>'
	with 20640 stored elements in Compressed Sparse Row format>
housing_cat_1hot.toarray()
array([[0., 0., 0., 1., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 1., 0.],
       ...,
       [0., 1., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 1., 0., 0., 0.]])
# 使用LabelBinarizer 可以实现同样的效果
from sklearn.preprocessing import  LabelBinarizer
encoder=LabelBinarizer()
housing_cat_1hot=encoder.fit_transform(house_cat)
housing_cat_1hot
array([[0, 0, 0, 1, 0],
       [0, 0, 0, 1, 0],
       [0, 0, 0, 1, 0],
       ...,
       [0, 1, 0, 0, 0],
       [0, 1, 0, 0, 0],
       [0, 1, 0, 0, 0]])
# 直接在原始的数据上使用pandas.get_dummies()是最简单的方法
pd.get_dummies(housing[['ocean_proximity']]).head()

ocean_proximity_<1H OCEAN

ocean_proximity_INLAND

ocean_proximity_ISLAND

ocean_proximity_NEAR BAY

ocean_proximity_NEAR OCEAN

0

0

0

0

1

0

1

0

0

0

1

0

2

0

0

0

1

0

3

0

0

0

1

0

4

0

0

0

1

0

# 特征放缩 我们常用到的MinMaxScaler和StandandScaler两种
# 一般会对不同范围内的特征进行放缩，有助于优化算法收敛的速度（尤其是针对梯度提升的优化算法）
# 归一化： 减去最小值，然后除以最大最小值的差
# 标准化： 减去平均值，然后除以方差，得到均值为0，方差为1的标准正态分布，受异常值影响比较小，决策树和随机森林不需要特征放缩
# 特征放缩一般针对训练数据集进行transform_fit，对测试集数据进行transform
# 从划分数据集→pipeline
from sklearn.model_selection import  train_test_split
housing=load_housing_data()
# train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)  #  随机采样
from sklearn.model_selection import StratifiedShuffleSplit  #  分层采样

split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
housing["income_cat"] = np.ceil(housing["median_income"] / 1.5)
housing["income_cat"].where(housing["income_cat"] < 5, 5.0, inplace=True)

for train_index, test_index in split.split(housing, housing["income_cat"]): # 按照收入中位数进行分层采样
    strat_train_set = housing.loc[train_index]
    strat_test_set = housing.loc[test_index]
housing = strat_train_set.copy()  # 创建一个副本，以免损伤训练集，
housing.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 16512 entries, 17606 to 15775
Data columns (total 11 columns):
longitude             16512 non-null float64
latitude              16512 non-null float64
housing_median_age    16512 non-null float64
total_rooms           16512 non-null float64
total_bedrooms        16354 non-null float64
population            16512 non-null float64
households            16512 non-null float64
median_income         16512 non-null float64
median_house_value    16512 non-null float64
ocean_proximity       16512 non-null object
income_cat            16512 non-null float64
dtypes: float64(10), object(1)
memory usage: 1.5+ MB
#转化流水线
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
num_pipeline=Pipeline([('imputer',Imputer(strategy='median')),('std_scaler',StandardScaler())])
housing = strat_train_set.drop("median_house_value", axis=1)
housing_labels = strat_train_set["median_house_value"].copy()
housing_num=housing.drop('ocean_proximity',axis=1)
housing_num_tr = num_pipeline.fit_transform(housing_num)
housing_cat=housing['ocean_proximity']
housing_cat_tr= LabelBinarizer().fit_transform(housing_cat)
housing_train=np.c_[housing_num_tr,housing_cat_tr]
housing_train.shape
#  数字特征与categoriy 特征不能同时进行转化，需要进行FeatureUnion
# 你给它一列转换器（可以是所有的转换器），当调用它的transform()方法，每个转换器的transform()会被并行执行，
# 等待输出，然后将输出合并起来，并返回结果
# 当然也可以通过分批转化，然后通过np将转化好的数据集合并，本质上没有什么区别，只不过对于测试集仍然需要transform，然后再合并成转化好的测试集
(16512, 14)
import os
import sys
sys.path.append(os.getcwd())
from future_encoders import ColumnTransformer
from future_encoders import OneHotEncoder
num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]

full_pipeline = ColumnTransformer([
        ("num", num_pipeline, num_attribs),
        ("cat", OneHotEncoder(), cat_attribs),
    ])

housing_prepared = full_pipeline.fit_transform(housing)
housing_prepared
array([[-1.15604281,  0.77194962,  0.74333089, ...,  0.        ,
         1.        ,  0.        ],
       [-1.17602483,  0.6596948 , -1.1653172 , ...,  0.        ,
         1.        ,  0.        ],
       [ 1.18684903, -1.34218285,  0.18664186, ...,  0.        ,
         1.        ,  1.        ],
       ...,
       [ 1.58648943, -0.72478134, -1.56295222, ...,  0.        ,
         1.        ,  0.        ],
       [ 0.78221312, -0.85106801,  0.18664186, ...,  0.        ,
         1.        ,  0.        ],
       [-1.43579109,  0.99645926,  1.85670895, ...,  0.        ,
         1.        ,  0.        ]])
np.allclose(housing_prepared, housing_train)
True

后续内容已经放在github上，篇幅过大就只能把数据预处理的部分整理在这里，然后把后续的算法的实现部分整理在github中