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2.错误分析2.3第五章挖掘建模部分

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()
[/code]

​```code
    p=data.boxplot()
[/code]

修改这一句为：

​```code
    p=data.boxplot(return_type='dict')
[/code]

​```code
    p=data.boxplot(return_type='dict')
[/code]

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。

​```code
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['font.family']='sans-serif'
[/code]

  * 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：

​```code
    from __future__ import print_function
[/code]

​```code
    from __future__ import print_function
[/code]

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'。

​```code
    data.sort(ascending=False)
[/code]

​```code
    data.sort(ascending=False)
[/code]

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：

​```code
    data.sort_values(ascending=False)
[/code]

​```code
    data.sort_values(ascending=False)
[/code]

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：

​```code
    # -*- 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
[/code]

  * 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。

​```code
    # -*- 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
[/code]

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。

​```code
    # -*- 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()
[/code]

  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 

​```code
    # -*-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')
[/code]

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

​```code
    #-*- 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
[/code]

代码5.7正常

​```code
    #-*- 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。
[/code]

代码5.8正常

​```code
    #-*- 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()
[/code]

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！


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210608151750993.gif)