Python数据分析与挖掘实战中的错误总结与分析(持续更新)

1.前言

    博主研究生第一年已经成为过去式了，上了课，修了学分。接下来两年就是要搞搞学术了，方向为：大数据分析与数据挖掘。从此篇开始，就将学习过程中一些问题和想法与友交流之。这里是博主在学习中看的一本书《python数据分析与挖掘实战》中基础篇的一些代码规范以及参考方法，供大家学习。

2.错误分析

   由于第一章和第二章较为简单，这里就不在赘述，涉及到官方文档，大家一定多看看。

2.1第三章数据探索部分

•   代码3-1餐饮营销数据异常值检测代码

    这个代码主要是利用箱型图来将异常值进行显示，按照书上敲完代码执行后，会抛出一个TypeError：'AxesSubplot' object is not subscriptable。如下面图所示：

   错误提示呢，是由于在使用DataFrame方法画箱型图的时候，没有指定P的类型，导致不能正常的获取其下标。也就是上一句中：

p=data.boxplot()

p=data.boxplot()

 

  修改这一句为：

p=data.boxplot(return_type='dict')

p=data.boxplot(return_type='dict')

 

  便会得到正确的结果，其余部分的代码都很好理解。

   另外要提示的是下面这两句是在以后的代码中不可或缺的，一个是为了让中文标签正常显示，另一个是为了正常显示负号。根据代码的需求，要添加时候便添加。

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']='sans-serif'

• 代码3-2餐饮销量数据统计量分析代码

    这个代码主要是对数据的统计量分析，很好理解，里面没有问题。要提醒的是开头的这行

代码：

from __future__ import print_function

from __future__ import print_function

    这个代码是将未来版本的一些特性导入到现在使用的版本中，如果你的python版本较高，那么可以不使用这个方法。

• 代码3-3菜品盈利帕累托图代码

    贡献图分析又称帕累托分析，原理就是帕累托法则，对于一个公司来说，80%的利润常常来自于20%最畅销的产品，而其他80%的产品只产生了20%的利润，从而又称20/80定律。

    根据提供的数据和代码，很容易就能得到菜品盈利的帕累托图，这里要强调的是下面这一点，在对数据排序的时候使用到下面的方法，ascending=False表示的按照倒序来排列，但是会抛出一个AttributeError: 'Series' object has no attribute 'sor

t'。

data.sort(ascending=False)

data.sort(ascending=False)

  这是由于data在这里的类型是，可惜的是Series并没有sort这个方法，所以要采用sort_values（）方法，sort_values是归于pandas的，具体是DataFrame.sort_values，但是Series也具有这样的方法。修改为如下的

代码：

data.sort_values(ascending=False)

data.sort_values(ascending=False)

    具体调用是这样的：DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')，by要求传入一个字符或一个字符列表指定axis的排序，axis=0表示列，axis=1表示行，ascending True or False就是升序和降序了。kind是排序的类型，有quicksort快速排序、mergesort插入排序、heasort堆排序等。na_position是缺失值的位置，一般是放在后面，当然也可以放在前面，其余参数一般不会用到。

• 代码3-4餐饮销量数据相关性分析

这个代码很简单，利用好corr()方法就行，没有什么要强调的。

2.2第四章数据预处理部分

• 代码4-1用拉格朗日法进行插补

这里直接将代码粘在这里，代码中没有错误，也是很容易理解，需要注意的直接作为注释放在代码中：

# -*- coding:utf-8 -*-
import pandas as pd
from scipy.interpolate import lagrange

inputfile='/Users/yangjiayuan/PycharmProjects/day/cp4dataresolve/data/catering_sale.xls'
outputfile='/Users/yangjiayuan/PycharmProjects/day/cp4data-resolve/temp/sales.xls'

data=pd.read_excel(inputfile)
data[u'销量'][(data[u'销量']<400) | (data[u'销量']>5000)]=None#销量小于400或大于5000是异常，直接抹去。
#自定义的列向量插值函数
def ployinterp_column(s,n,k=5):
    y=s[list(range(n-k,n))+list(range(n+1,n+1+k))]#取缺失值的前五个和后五个数据参与建模
    y=y[y.notnull()]
    return lagrange(y.index,list(y))(n)#n是被插值的位置
#逐个元素判断是否需要插值
for i in data.columns:
    for j in range(len(data)):
        if (data[i].isnull())[j]:
            data[i][j]=ployinterp_column(data[i],j)

data.to_excel(outputfile)#输出结果，写入文件。具体是在outputfile的路径中，需要提前建好temp文件夹

• 代码4-2数据规范化代码

    数学基础好的同学对这个代码几乎没有什么疑问，很简单的数学操作，读取到数据后，分别进行最小-最大规范化、零-均值规范化、小数定标规范化这三部操作，最后的数据都可以通过shell来打印出来看到。

# -*- coding:utf-8 -*-

import pandas as pd
import numpy as np
datafile='/Users/yangjiayuan/PycharmProjects/day/cp4data-resolve/data/normalization_data.xls'
data=pd.read_excel(datafile,header=None)
print(data)
print((data-data.min())/(data.max()-data.min()))#最小-最大规范
print((data-data.mean())/data.std())#零-均值规范
print(data/10**np.ceil(np.log10(data.abs().max())))#小数定标规范

   要注意的是 read_excel()方法中，header=None，表示数据中是否存在列名，如果在第0行就写0，开始读数据时候跳过相应的行数，不存在的可以写None。

   另外是np的ceil方法，返回输入值的上限，对于输入x，返回最小整数i，使得i>=x。

• 代码4-3数据离散化代码

   数据离散化中采用了三种方法来进行操作：等宽法、等频法、基于聚类分析的方法，代码中都有涉及到，运行过程中发现有如下的问题，下面的代码已经修改过。

# -*- coding:utf-8 -*-
import pandas as pd
datafile='/Users/yangjiayuan/PycharmProjects/day/cp4data-resolve/data/discretization_data.xls'
data=pd.read_excel(datafile)
data=data[u'肝气郁结证型系数'].copy()
k=4

d1=pd.cut(data,k,labels=range(k))#等宽离散化

#等频率离散化
w=[1.0*i/k for i in range(k+1)]
w=data.describe(percentiles=w)[4:4+k+1]#自动计算分位数
w[0]=w[0]*(1-1e-10)
d2=pd.cut(data,w,labels=range(k))

#聚类分析方法
from sklearn.cluster import KMeans
kmodel=KMeans(n_clusters=k,n_jobs=4)
kmodel.fit(data.values.reshape((len(data),1)))
c=pd.DataFrame(kmodel.cluster_centers_).sort_values(0)
w=c.rolling(2).mean().iloc[1:]
w=[0]+list(w[0])+[data.max()]
d3=pd.cut(data,w,labels=range(k))

def cluster_plot(d,k):
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus']=False

    plt.figure(figsize=(8,3))
    for j in range(0,k):
        plt.plot(data[d==j],[j for i in d[d==j]],'o')

    plt.ylim(-0.5,k-0.5)
    return plt


cluster_plot(d1,k).show()
cluster_plot(d2,k).show()
cluster_plot(d3,k).show()

1. 在模型训练时：kmodel.fit(data.reshape((len(data),1)))，会抛出一个AttributeError: 'Series' object has no attribute 'reshape'。这是由于Series类型并没有reshape的方法，修改方法利用values方法将Series类型转化为numpy的ndarray类型，再使用reshape函数便可。
2. 同样的问题发生在输出聚类中心，并排序的操作中：c=pd.DataFrame(kmodel.cluster_centers_).sort(0)，会抛出异常：AttributeError: 'DataFrame' object has no attribute 'sort'，修改方法为改为使用sort_values()的排序方法。sort已经被pandas遗弃了，虽然它是属于DataFrame的。
3. 最后一个问题出现在相邻两项求中点的操作中，w=pd.rolling_mean(c,2).iloc[1:]，会抛出异常：AttributeError: 'Pandas' object has no attribute 'rolling_mean'，这里你要明白这个操作是对c的相邻两项求平均，从而修改为：w=c.rolling(2).mean().iloc[1:]。

其余部分没有发现错误，学习代码过程中着重看d1、d2、d3的部分就可以。关于等频率部分的内容，博主到现在仍有一些疑惑，希望理解的了朋友可以讲解讲解，不胜感激。

• 代码4-4和4-5线损率属性构造

    代码过于简单，略过。

• 代码4-6主成成分分析降维代码

# -*-coding:utf-8-*-
import pandas as pd

inputfile='/Users/yangjiayuan/PycharmProjects/day/cp4data-resolve/data/principal_component.xls'
outputfile='/Users/yangjiayuan/PycharmProjects/day/cp4data-resolve/temp/dimention_reduced.xls'

data=pd.read_excel(inputfile,header=None)
from sklearn.decomposition import PCA

pca=PCA()
pca.fit(data)
print(data)
#print(pca.components_)#返回模型的各个特征向量
#print(pca.explained_variance_ratio_)#返回各个成分各自的方差百分比

#降维处理操作
pca=PCA(3)
pca.fit(data)
low_d=pca.transform(data)#降维处理
pd.DataFrame(low_d).to_excel(outputfile)
print(low_d)
#pca.inverse_transform(low_d)#必要时候可以利用inverse_transform()函数来复原数据

   这里书上写的有些错误，根据代码跑出来的结果，应该是8个特征值已经这些特征值对应的特征向量。当选取4个主成分时候，累计贡献度已经达到97多，从而建立PCA模型的时候，设置n_components=3。计算出成分结果。

   在降维处理时候，将low_d的值转化为DataFrame是由于to_excel方法要求是pd.DataFrame.toexcel()。

   第四章的代码设计数据清洗、数据集成、数据变换、数据规约中的关键处理方法，多练练就会有感悟 。

 2.3第五章挖掘建模部分

代码5.1是逻辑回归的代码很简单，按照书上的来写就行了，基本上没有啥问题。

代码5.2是关于决策树的代码，其中要修改的部分如下所示，代码正常执行条件是按照书上的步骤来，安装Graphviz绘图工具，需要提醒的是在Mac系统中适用brew install graphviz 会显示dot command not found，建议使用别的安装方式。

#-*- coding: utf-8 -*-

import pandas as pd


inputfile = '../data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序号') 

data[data == u'好'] = 1
data[data == u'是'] = 1
data[data == u'高'] = 1
data[data != 1] = -1
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)

from sklearn.tree import DecisionTreeClassifier as DTC
dtc = DTC(criterion='entropy') 
dtc.fit(x, y)

from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO
x = pd.DataFrame(x)
with open("tree.dot", 'w') as f:
  f = export_graphviz(dtc, feature_names = x.columns, out_file = f)

第一处：x = data.iloc[:,:3].as_matrix().astype(int)#这里的as_matrix不再适用，修改为.values。

第二处：f = export_graphviz(dtc, feature_names = x.columns, out_file = f)这行代码中的x.columns会引发一个AttributeError: 'numpy.ndarray 'object has no attribute 'columns'，需要将x的格式做转换，添加x=pd.DataFrame(x)。

这两处修改后，再结合dot命令就可正常显示创建的决策树。

代码5.3是关于神经网络算法预测销售高低的代码，需要修改的有以下几处：

第一处同代码5-2一样，涉及as_matrix()方法的一律替换为.values方法。

第二处：是建立神经网络模型的时候会出现TypeError的异常，原来代码如下：

model = Sequential() #建立模型
model.add(Dense(input_dim = 3, output_dim = 10))
model.add(Activation('relu')) #用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim = 10, output_dim = 1))
model.add(Activation('sigmoid')) #由于是0-1输出，用sigmoid函数作为激活函数

修改其中的model.add方法，model.addDense(32,input_dim=16))，表示神经网络的输入维度为16，输出维度为32，按照这样的格式来修改，其余的类似。

第三处：编译模型中的编译函数

model.compile(loss = 'binary_crossentropy', optimizer = 'adam')

由于optimizer参数错误会产生一个Value Error，将optimizer参数更改为metrics=['accuracy']。其余部分代码正常，没有需要修改的地方。

代码5.4中中文显示的请参考博主的一篇文章，解决matplot中中文显示异常的办法就可以。

代码5.5同代码5.4

代码5.6正常

#-*- coding: utf-8 -*-
from __future__ import print_function
import pandas as pd

#自定义连接函数，用于实现L_{k-1}到C_k的连接
def connect_string(x, ms):
  x = list(map(lambda i:sorted(i.split(ms)), x))
  l = len(x[0])
  r = []
  for i in range(len(x)):
    for j in range(i,len(x)):
      if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
        r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
  return r

#寻找关联规则的函数
def find_rule(d, support, confidence, ms = u'--'):
  result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
  
  support_series = 1.0*d.sum()/len(d) #支持度序列
  column = list(support_series[support_series > support].index) #初步根据支持度筛选
  k = 0
  
  while len(column) > 1:
    k = k+1
    print(u'\n正在进行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'数目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
    
    #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
    d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
    
    support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度
    column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
    support_series = support_series.append(support_series_2)
    column2 = []
    
    for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
      i = i.split(ms)
      for j in range(len(i)):
        column2.append(i[:j]+i[j+1:]+i[j:j+1])
    
    cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列
 
    for i in column2: #计算置信度序列
      cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
    
    for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选
      result[i] = 0.0
      result[i]['confidence'] = cofidence_series[i]
      result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
  
  result = result.T.sort(['confidence','support'], ascending = False) #结果整理，输出
  print(u'\n结果为：')
  print(result)
  
  return result

代码5.7正常

#-*- coding: utf-8 -*-
#arima时序模型

import pandas as pd

#参数初始化
discfile = '../data/arima_data.xls'
forecastnum = 5

#读取数据，指定日期列为指标，Pandas自动将“日期”列识别为Datetime格式
data = pd.read_excel(discfile, index_col = u'日期')

#时序图
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
data.plot()
plt.show()

#自相关图
from statsmodels.graphics.tsaplots import plot_acf
plot_acf(data).show()

#平稳性检测
from statsmodels.tsa.stattools import adfuller as ADF
print(u'原始序列的ADF检验结果为：', ADF(data[u'销量']))
#返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore

#差分后的结果
D_data = data.diff().dropna()
D_data.columns = [u'销量差分']
D_data.plot() #时序图
plt.show()
plot_acf(D_data).show() #自相关图
from statsmodels.graphics.tsaplots import plot_pacf
plot_pacf(D_data).show() #偏自相关图
print(u'差分序列的ADF检验结果为：', ADF(D_data[u'销量差分'])) #平稳性检测

#白噪声检验
from statsmodels.stats.diagnostic import acorr_ljungbox
print(u'差分序列的白噪声检验结果为：', acorr_ljungbox(D_data, lags=1)) #返回统计量和p值

from statsmodels.tsa.arima_model import ARIMA

data[u'销量'] = data[u'销量'].astype(float)
#定阶
pmax = int(len(D_data)/10) #一般阶数不超过length/10
qmax = int(len(D_data)/10) #一般阶数不超过length/10
bic_matrix = [] #bic矩阵
for p in range(pmax+1):
  tmp = []
  for q in range(qmax+1):
    try: #存在部分报错，所以用try来跳过报错。
      tmp.append(ARIMA(data, (p,1,q)).fit().bic)
    except:
      tmp.append(None)
  bic_matrix.append(tmp)

bic_matrix = pd.DataFrame(bic_matrix) #从中可以找出最小值

p,q = bic_matrix.stack().idxmin() #先用stack展平，然后用idxmin找出最小值位置。
print(u'BIC最小的p值和q值为：%s、%s' %(p,q)) 
model = ARIMA(data, (p,1,q)).fit() #建立ARIMA(0, 1, 1)模型
model.summary2() #给出一份模型报告
model.forecast(5) #作为期5天的预测，返回预测结果、标准误差、置信区间。

代码5.8正常

#-*- coding: utf-8 -*-
#使用K-Means算法聚类消费行为特征数据

import numpy as np
import pandas as pd

#参数初始化
inputfile = '../data/consumption_data.xls' #销量及其他属性数据
k = 3 #聚类的类别
threshold = 2 #离散点阈值
iteration = 500 #聚类最大循环次数
data = pd.read_excel(inputfile, index_col = 'Id') #读取数据
data_zs = 1.0*(data - data.mean())/data.std() #数据标准化

from sklearn.cluster import KMeans
model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4
model.fit(data_zs) #开始聚类

#标准化数据及其类别
r = pd.concat([data_zs, pd.Series(model.labels_, index = data.index)], axis = 1)  #每个样本对应的类别
r.columns = list(data.columns) + [u'聚类类别'] #重命名表头

norm = []
for i in range(k): #逐一处理
  norm_tmp = r[['R', 'F', 'M']][r[u'聚类类别'] == i]-model.cluster_centers_[i]
  norm_tmp = norm_tmp.apply(np.linalg.norm, axis = 1) #求出绝对距离
  norm.append(norm_tmp/norm_tmp.median()) #求相对距离并添加

norm = pd.concat(norm) #合并

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
norm[norm <= threshold].plot(style = 'go') #正常点

discrete_points = norm[norm > threshold] #离群点
discrete_points.plot(style = 'ro')

for i in range(len(discrete_points)): #离群点做标记
  id = discrete_points.index[i]
  n = discrete_points.iloc[i]
  plt.annotate('(%s, %0.2f)'%(id, n), xy = (id, n), xytext = (id, n))

plt.xlabel(u'编号')
plt.ylabel(u'相对距离')
plt.show()

到这里前面基础的章节基本已经全部完成，后面博主会按照单个的实战章节来更新，敬请期待！