Datawhale - 数据挖掘训练营 - Task2 EDA数据探索性分析

载入分析库

import warnings
warnings.filterwarnings('ignore')
#导入warnings包，利用过滤器来实现忽略警告语句。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt #2D绘图库
import seaborn as sns #图形可视化library
import missingno as msno #缺失值可视化

载入数据

Train_data = pd.read_csv('train.csv', sep=' ')
Test_data = pd.read_csv('testA.csv', sep=' ')

pd.read_csv(file_name, sep=’ ') 导入csv格式数据，以‘ ’为分隔符

简略观察数据

Train_data.head().append(Train_data.tail())
Train_data.shape

• head(), tail()：数据首尾
• shape：数据规模

数据总览

Train_data.describe()
Train_data.info()

• describe(): 输出每一列的个数、均值、方差、最小值、中位数以及最大值；以此掌握各列值域，发现异常值（ex. 999 9999 - 1表示nan）
• info(): 输出各列的type，发现除了nan以外的特殊符号异常

排查数据缺失、数据异常

查看数据缺失

# 输出各列nan的个数
Train_data.isnull().sum()

#nan可视化
missing = Train_data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()

• sort_values(inplace=True)：将数据按（默认）升序排序，并用排序后的数据替换原数据。
  函数详见：https://blog.csdn.net/MsSpark/article/details/83154128

• plot.bar()：用pandas画柱状图。

如果处理缺失：如果nan个数较少，一般选择填充；如果nan个数过多，可用考虑删除；如果使用lgb等树模型并nan个数较少，可用直接空缺，让树模型自己进行优化。

查看缺省值

# 查看缺省值
msno.matrix(Train_data.sample(250))
msno.bar(Train_data.sample(1000))

#对特殊缺省值多的列，显示该列的不同值
Train_data['notRepairedDamage'].value_counts()

#将空缺值'-'替换成'nan'
Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)

• sample(sequence_a, n)：从序列中a中随机抽取n个元素，并以list形式返回，参考https://www.cnblogs.com/volcao/p/8727688.html
• matrix()：矩阵容器，参考https://blog.csdn.net/weixin_36179862/article/details/84936247
• bar()：matplotlib绘制柱状图，参考https://blog.csdn.net/beyond9305/article/details/82958683

处理异常值

#将类别严重倾斜的特征删掉
del Train_data["seller"]
del Train_data["offerType"]
del Test_data["seller"]
del Test_data["offerType"]

• value_counts()：查看一列中有多少个不同值，并计算不同值在该列中有多少重复值，参考https://blog.csdn.net/qq_42665335/article/details/81177699
• replace(old, new)：将字符串中的old替换成new，参考https://www.runoob.com/python/att-string-replace.html
• np.nan：not a number，来自于numpy.nan

了解预测值分布

Train_data['price']
Train_data['price'].value_counts()

观察预测值分布

import scipy.stats as st
y = Train_data['price']
plt.figure(1); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)

• sns.distplot()：seaborn画图，参考https://www.cnblogs.com/yudanqu/p/9031869.html
• scipy.stats：统计推断包，参考http://blog.chinaunix.net/uid-31404425-id-5763774.html
  **johnsonsu：无界约翰逊分布
  **norm：正态分布
  **lognorm：对数正态分布

线性回归的基本假设之一就是随机变量服从正态分布。加入不符合正态分布，考虑用非线性模型，或数据进行转换。

查看skewness and kurtosis

#查看数据偏度和峰度
sns.distplot(Train_data['price']);
print("Skewness: %f" % Train_data['price'].skew())
print("Kurtosis: %f" % Train_data['price'].kurt())

Train_data.skew(), Train_data.kurt()
sns.distplot(Train_data.skew(),color='blue',axlabel ='Skewness')
sns.distplot(Train_data.kurt(),color='orange',axlabel ='Kurtness')

关于数据偏度和峰度，参考https://www.cnblogs.com/wyy1480/p/10474046.html

查看预测值频数

#绘制预测值的直方图，
plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red')
plt.show()

# log变换之后的分布较均匀，可以进行log变换进行预测，这也是预测问题常用的trick
plt.hist(np.log(Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') 
plt.show()

• hist()：绘制直方图，参考https://www.cnblogs.com/czz0508/p/10452490.html
• 对于频数较少的值当作异常处理，可以填充或删掉
• 有时数据进行log变换之后的分布较均匀，则可以进行log变换进行预测

特征分析

手动分割特征

numeric_features = ['power', 'kilometer', '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' ]

categorical_features = ['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode',]

数字特征分析

相关性分析

#进行相关性分析
price_numeric = Train_data[numeric_features]
correlation = price_numeric.corr()
print(correlation['price'].sort_values(ascending = False),'\n')

##相关系数矩阵热力图
f , ax = plt.subplots(figsize = (7, 7))

plt.title('Correlation of Numeric Features with Price',y=1,size=16)

sns.heatmap(correlation,square = True,  vmax=0.8)

• corr()：相关系数矩阵，给出两个变量之间的相关系数，参考https://blog.csdn.net/c1z2w3456789/article/details/80929140

• heatmap：热力图，参考https://blog.csdn.net/cymy001/article/details/79576019

特征的偏度和峰值

del price_numeric['price']
for col in numeric_features:
    print('{:15}'.format(col), 
          'Skewness: {:05.2f}'.format(Train_data[col].skew()) , 
          '   ' ,
          'Kurtosis: {:06.2f}'.format(Train_data[col].kurt())  
         )

特征的分布可视化

f = pd.melt(Train_data, value_vars=numeric_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False)
g = g.map(sns.distplot, "value")

• melt()：用来进行数据格式转换，可以输出f查看，参考https://blog.csdn.net/mingkoukou/article/details/82867218
• FacetGrid()，map()：seaborn可视化，先用facegrid画出轮廓，再用map填充，参考https://blog.csdn.net/acbattle/article/details/86490395
• displot()：集合了matplotlib的hist()与核函数估计kdeplot的功能，增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途，参考https://www.jianshu.com/p/844f66d00ac1

特征相互之间的关系可视化

sns.set()
columns = ['price', 'v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14']
sns.pairplot(Train_data[columns],size = 2 ,kind ='scatter',diag_kind='kde')
plt.show()

• sns.set()：切换到seaborn的默认运行配置
• pairplot()：seaborn的散点图矩阵可视化，参考https://blog.csdn.net/qq_36142114/article/details/80559949

更多关于多变量关系可视化

#多变量互相回归关系可视化
fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20))
# ['v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14']
v_12_scatter_plot = pd.concat([Y_train,Train_data['v_12']],axis = 1)
sns.regplot(x='v_12',y = 'price', data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1)

v_8_scatter_plot = pd.concat([Y_train,Train_data['v_8']],axis = 1)
sns.regplot(x='v_8',y = 'price',data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2)

v_0_scatter_plot = pd.concat([Y_train,Train_data['v_0']],axis = 1)
sns.regplot(x='v_0',y = 'price',data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3)

power_scatter_plot = pd.concat([Y_train,Train_data['power']],axis = 1)
sns.regplot(x='power',y = 'price',data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4)

v_5_scatter_plot = pd.concat([Y_train,Train_data['v_5']],axis = 1)
sns.regplot(x='v_5',y = 'price',data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5)

v_2_scatter_plot = pd.concat([Y_train,Train_data['v_2']],axis = 1)
sns.regplot(x='v_2',y = 'price',data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6)

v_6_scatter_plot = pd.concat([Y_train,Train_data['v_6']],axis = 1)
sns.regplot(x='v_6',y = 'price',data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7)

v_1_scatter_plot = pd.concat([Y_train,Train_data['v_1']],axis = 1)
sns.regplot(x='v_1',y = 'price',data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8)

v_14_scatter_plot = pd.concat([Y_train,Train_data['v_14']],axis = 1)
sns.regplot(x='v_14',y = 'price',data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9)

v_13_scatter_plot = pd.concat([Y_train,Train_data['v_13']],axis = 1)
sns.regplot(x='v_13',y = 'price',data = v_13_scatter_plot,scatter= True, fit_reg=True, ax=ax10)

• concat()：将数据根据不同的轴（行或列）进行拼接，参考https://www.cnblogs.com/RB26DETT/p/11555099.html
• regplot()：显示一对变量之间的关系，绘制回归分析图
• 通过seaborn绘制回归分析图资料，参考https://www.cnblogs.com/cecilia-2019/p/11368248.html
• 多变量关系可视化，参考https://www.jianshu.com/p/6e18d21a4cad

类别特征分析

以下分析用到的可视化方法包括箱型图、小提琴图和柱形图。其中：

• 箱型图：显示一组数据分散情况资料的统计图。
• 小提琴图：展示多组数据的分布状态以及概率密度，结合了箱形图和密度图的特征，主要用来显示数据的分布形状。跟箱形图类似，但是在密度层面展示更好。在数据量非常大不方便一个一个展示的时候小提琴图特别适用。
• 柱形图：用于对比两个或多个变量的值域分布。

查看unique分布

for cat_fea in categorical_features:
    print(cat_fea + "的特征分布如下：")
    print("{}特征有个{}不同的值".format(cat_fea, Train_data[cat_fea].nunique()))
    print(Train_data[cat_fea].value_counts())

特征箱形图可视化

#对不稀疏的特征有意义
categorical_features = ['model',
 'brand',
 'bodyType',
 'fuelType',
 'gearbox',
 'notRepairedDamage']
for c in categorical_features:
    Train_data[c] = Train_data[c].astype('category')
    if Train_data[c].isnull().any():
        Train_data[c] = Train_data[c].cat.add_categories(['MISSING'])
        Train_data[c] = Train_data[c].fillna('MISSING')

def boxplot(x, y, **kwargs):
    sns.boxplot(x=x, y=y)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(boxplot, "value", "price")

小提琴图可视化

catg_list = categorical_features
target = 'price'
for catg in catg_list :
    sns.violinplot(x=catg, y=target, data=Train_data)
    plt.show()

柱形图可视化

def bar_plot(x, y, **kwargs):
    sns.barplot(x=x, y=y)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(bar_plot, "value", "price")

各个类别频数可视化

def count_plot(x,  **kwargs):
    sns.countplot(x=x)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data,  value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(count_plot, "value")

生成数据报告 - pandas_profiling

import pandas_profiling
pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file("./example.html")

• pandas_profiling可以简单快速地进行探索性数据分析，适合前期数据探索阶段以及数据报告批量化生产。
• 安装方式：pip install pandas-profiling
• 使用方法：导入相关库（ex. seaborn, pandas, pandas_profiling, matplotlib）；导入数据集；使用pandas_profiling生成报告；导出html文件
• 参考：https://zhuanlan.zhihu.com/p/85967505