Kaggle之高级房价预测

0.综述

Kaggle是一个进行数据发掘和预测竞赛的在线平台。从公司的角度来讲，可以提供一些数据，进而提出一个实际需要解决的问题；从参赛者的角度来讲，他们将组队参与项目，针对其中一个问题提出解决方案，最终由公司选出的最佳方案可以获得奖金。本篇博客是自己入门Kaggle的记录，首先就是一个练手比赛题目：高级房价预测。

比赛链接链接为：
https://www.kaggle.com/c/house-prices-advanced-regression-techniques
数据集下载链接为：
https://www.kaggle.com/c/5407/download-all

1.加入比赛和下载数据集

Kaggle的注册不在赘述，要想参加比赛，首先要点击比赛链接界面中蓝色的参加比赛按钮，然后就可以点击下载数据集链接下载数据集了，下载好之后解压该压缩文件，里面的内容如下：

其中data_description是数据的描述文档，sample_submission.csv是提交结果的样例，test.csv和train.csv就是测试集和训练集啦。

2.数据分析与赛题思路

房价是一个连续值，因此首选方法是回归。当然什么事都不是肯定的，应当先对下载下来的数据集进行观察和分析。

首先来使用pandas看以下训练数据集：

import pandas as pd

train_data = pd.read_csv("train.csv")	#读取训练数据到内存中
train_data.info()	#info方法可以查看该文件的信息

输出信息:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1460 entries, 0 to 1459
Data columns (total 81 columns):
Id               1460 non-null int64
MSSubClass       1460 non-null int64
MSZoning         1460 non-null object
LotFrontage      1201 non-null float64
LotArea          1460 non-null int64
...
Fence            281 non-null object
MiscFeature      54 non-null object
MiscVal          1460 non-null int64
MoSold           1460 non-null int64
YrSold           1460 non-null int64
SaleType         1460 non-null object
SaleCondition    1460 non-null object
SalePrice        1460 non-null int64
dtypes: float64(3), int64(35), object(43)
memory usage: 924.0+ KB

从输出的信息可以看出，该训练集中包含1460行，每一行中包含了Id ,MSSubClass,MSZoning等共计81个特征列。查看测试集的方法类似，但是测试集中只包含了80个特征列，这是因为训练集比测试集多出一个该数据对应的实际的标签列，也就是房屋的价格。

train_data.head()	#head()方法可以显示读入文件的前5行的内容

head()方法可以显示出读入文件的前五行内容，可以看见数据中包含有字符串或者缺失值（Nan就是空值），我们应当把它们变成数值型的。