task2 EDA探索性数据分析

1、赛题数据

赛题以预测二手车的交易价格为任务，数据集报名后可见并可下载，该数据来自某交易平台的二手车交易记录，总数据量超过40w，包含31列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取15万条作为训练集，5万条作为测试集A，5万条作为测试集B，同时会对name、model、brand和regionCode等信息进行脱敏

2、评测标准

评价标准为MAE(Mean Absolute Error)。

MAE越小，说明模型预测得越准确。
赛事官网：
零基础入门数据挖掘 - 二手车交易价格预测

3、具体步骤

3.1、环境：pycharm + python3

3.2、读取数据

下面展示一些 内联代码片。

// An highlighted block
var foo = 'bar';
#读取数据并#切分数据
    dataset = pd.read_csv(r'C:\python3\envs\pytorch\atest_torch\data\used_car_train_20200313.csv', sep=' ')
    # print(dataset)
    # print(dataset.columns.values)
    X = dataset[['SaleID', 'name', 'regDate', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'power', 'kilometer',
                 'notRepairedDamage', 'regionCode', 'seller', 'offerType', 'creatDate', 'v_0', 'v_1', 'v_2',
                 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13', 'v_14']]
    Y = dataset['price']

   
   
   
   

   
   
   
   

    
    
    
    
1
    
    
    
    
2
    
    
    
    
3
    
    
    
    
4
    
    
    
    
5
    
    
    
    
6
    
    
    
    
7
    
    
    
    
8
    
    
    
    
9
    
    
    
    
10
   
   
   
   

#需要注意：因为该csv文件数据是按一个空格隔开的，在读取时需要用sep=’ '来分割开来。

3.2.2查看各列数据类型

#查看各列数据类型
print([X[column].dtypes for column in X])

   
   
   
   

   
   
   
   

    
    
    
    
1
    
    
    
    
2
   
   
   
   

发现notRepairedDamage数据存在异常，该特征为汽车有尚未修复的损坏：是：0，否：1。

我将“-”进行缺失值处理，赋值为0.5

更新时间：2020年3月17日

3.3拆分数据集与测试集

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.33, random_state=7)

   
   
   
   

   
   
   
   

    
    
    
    
1
   
   
   
   

3.4xgboost构建模型

• 点赞
• 收藏
• 分享
• • 文章举报

zxxmx

发布了1 篇原创文章 · 获赞 0 · 访问量 105

私信 关注