python数据挖掘入门与实战——学习笔记（第1、2章）

使用numpy读取数据集：

import numpy as np
dataset_filename = 'affinity_dataset.txt'
X = np.loadtxt(dataset_filename ) 

sklearn库的相关概念：

estimator：估计器，用于分类、聚类和回归分析。

transformer：转换器，用于数据预处理和数据转换。

pipeline：流水线，组合数据挖掘流程，便于再次使用。

估计器用于分类任务，主要包括以下两个函数：

fit( )：训练算法，设置内部参数，完成模型的创建。

predict( )：预测测试集类别，并返回一个包含测试集各条数据类别的数组。

import csv
with open(data_filename, 'r') as input_file:
    reader = csv.reader(input_file)

训练集与测试集划分

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 14)

导入分类器包，并实例化一个分类器estimator，接着训练和预测，计算精度。

estimator.fit(x_train, y_train)
y_pre = estimator.predict(x_test)
accuracy = np.mean(y_test == y_pre) * 100

交叉验证

from sklearn.model_selection import cross_val_score
scores = cross_val_score(estimator, x, y, scoring = 'accuracy', cv = 10)# 10-fold cross-validation
average_accuracy = np.mean(scores) * 100

sklearn中的预处理工具叫做转换器（transformer），它接受原始数据集，返回转换后的数据集。除了处理数值型特征，转换器还能用来抽取特征。

标准预处理

from sklearn.preprocessing import MinMaxScaler
#0-1标准化
x_transformer = MinMaxScaler().fit_transform(x)

#类似的还有
#为使每条数据各特征的和为1
from sklearn.preprocessing import Normalizer
#为使各特征的均值为0，方差为1
from sklearn.preprocessing import StandardScaler
#为将数值型特征二值化，大于阈值为1，反之为0
from sklearn.preprocessing import Binarizer

流水线

当处理问题的步骤很多时，流水线可把这些步骤保存到数据挖掘的工作流中。之后就可以用它们读入数据，做各种处理，然后给出预测结果。

from sklearn.pipeline import Pipeline
scaling_pipeline = Pipeline([('scale', MinMaxScaler()), ('predict', KNeighborsClassifier())])
scores = cross_val_score(scaling_pipeline, x_broken, y, scoring = 'accuracy')