DHU Data science technology and Application Learning【5】——Homework Viewing-back

写在前面

本博客用于记录（或者说是用来备份）我在2019s 数据科学技术与应用课 MOOC课上的回家作业即得分
课程链接：数据科学技术与应用
呃因为年代稍微有点远了，所以只有个别每一次作业的成绩，而不是单独的一个程序的分数

第一次作业

1.从键盘输入若干同学的姓名，保存在字符串列表中；
输入某个同学的名字，检索是否已保存在列表中。

i = 0
a = input("输入学生姓名，用英文逗号隔开，输入回车结束：")
a = a.split(",") #将a转变为符合题设要求的字符串列表
#把检索作为一个不停循环的步骤
i = 1
while True:
    check = input("需要检索的姓名,输入end结束检索：")
    if check == "end":
        break
    if check in a :
        print(check+"已保存在列表中")
    else:
        print(check+"未保存在列表中")

2.编写Python程序实现以下功能：使用字典记录多位同学的姓名及对应身高；
输入任意同学的姓名，查找并显示所有高于此身高的同学信息。

dic =  {"a":160,"b":170,"c":180,"d":190} #构造一个字典,键为名字，值为其身高
check = input("输入任意同学的姓名:")
for key in dic.keys():
    if dic[key] > dic[check]:
        print("姓名"+key+",身高"+str(dic[key])) #显示的是目标同学的全部信息。

第二次作业

成绩：78/100
1.“大润发”、“沃尔玛”、“联华”和“农工商”四个超市都卖苹果、香蕉、桔子、猕猴桃和芒果5种水果。使用NumPy的ndarray实现以下功能。
1)创建2个一维数组分别存储超市名称和水果名称；
2)创建1个4×5的二维数组存储不同超市的水果价格，其中价格由4到10范围内的随机数生成；
3)选择“大润发”的苹果和“联华”的香蕉，并将价格增加1元；
4)“农工商”水果大减价，所有水果价格减少2元；
5)统计四个超市苹果和芒果的销售均价；
6)找出桔子价格最贵的超市名称（不是序号）

import numpy as np
shop = np.array(["大润发","沃尔玛","联华","农工商"])
fruit = np.array(["苹果","香蕉","桔子","猕猴桃","芒果"])
price = np.random.randint(4,10,size=(4,5))
print(price)
print(price[(0,2),(0,1)]+1)
print(price[3,:]-1)
print(price[:,fruit=="苹果"].mean())
print(price[:,fruit=="芒果"].mean())
print(shop[price[:,fruit=="桔子" ].argmax()])

2.基于随机游走实例，使用ndarray和随机数生成函数模拟一个物体在三维空间随机游走的过程。
1)创建3×10的二维数组，记录物体每一步在三个轴向上的移动距离。
在每个轴向的移动距离服从标准正态分布（期望为0，方差为1）。
行序0、1、2分别对应x、y和z轴；
2)计算每一步走完后物体在三维空间的位置；
3)计算每一步走完后物体距离原点的距离；
4)统计物体在z轴上到达的最远距离；
（提示：使用abs()绝对值函数对z轴每一步运动后的位置求绝对值，然后求最大距离）
5)统计物体在三维空间距离原点的最近距离值。

import numpy as np
rndwlk = np.random.normal(0,1, size = (3,10))
print(rndwlk)
position = rndwlk.cumsum(axis = 1)
print(position)
dists = np.sqrt(position[0]**2+position[1]**2+position[2]**2)
print(dists)
zmax = abs(position[2].max()) #正负未知，但是肯定是未绝对运算后数值中最大的
fmax = abs(position[2].min())
if zmax > fmax:
    print(zmax)
else:
    print(fmax)
print(dists.min())

第三次作业

1.创建并访问DataFrame对象。

1. 创建3×3DataFrame数据对象：数据内容为1-9；行索引为字符a，b，c；列索引为字符串‘one’，‘two’，‘three’；
2. 查询列索引为‘two’和‘three’两列数据；
3. 查询第0行、第2行、第0列、第2列数据；
4. 筛选第1列中值大于2的所有行数据，另存为data1对象；
5. 为data1添加一列数据，列索引为‘four’，值都为10；
6. 将data1所有值大于9的数据修改为8；
7. 删除data1中第0行和第1行数据。

import pandas as pd
import numpy as np
from pandas import Series,DataFrame
data = [[1,2,3],[4,5,6],[7,8,9]]
form=DataFrame(data,index=['a','b','c'],columns=['one','two','three'])
print(form.loc[:,['two','three']]) #查询列索引为‘two’和‘three’两列数据
print(form.iloc[[0,2],:]) #查询第0行、第2行数据
print(form.iloc[:,[0,2]]) #查询第0列、第2列数据
mask = form.iloc[:,1] > 2
data1 = form.loc[mask,:] #筛选第1列中值大于2的所有行数据，另存为data1对象
data1.loc[:,'four'] = 10#为data1添加一列数据，列索引为‘four’，值都为10
print(data1)
mask = data1.values > 9
data1[mask]=8 #将data1所有值大于9的数据修改为8
print(data1)
data1.drop([data1.index.values[0],data1.index.values[1]],axis=0,inplace=True)#删除data1中第0行和第1行数据
print(data1)

2.海伦一直使用在线交友网站寻找适合的约会对象, 她将交友数据存放在datingTestSet.xls文件中。
1）从文件中读取有效数据保存到Dataframe对象中，跳过所有文字解释行；
2）列索引名设为 [‘flymiles’,‘videogame’,‘icecream’,'type‘]；
3）显示读取到的前5条数据；
4）显示所有’type’为’largeDoses‘的数据；
5）将平均每周玩视频游戏时间超过10的数据都改成10；
6）将修改后的DataFrame对象保存到文件中，保留行、列索引。

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
df = pd.read_csv('C:\\Users\\14401\\Downloads\\datingTestSet.csv',header=None,names=['flymiles','videogame','icecream','type'],skiprows=2)
print(df[:5]) #显示读取到的前5条数据
mask = df['type'] == 'largeDoses'
print(df.loc[mask,:]) #显示所有'type'为'largeDoses‘的数据；
mask = df['videogame'] > 10
df.loc[mask,'videogame'] = 10
print(df)
df.to_csv('C:\\Users\\14401\\Downloads\\datingTestSet.csv',mode='w') #将修改后的DataFrame对象保存到文件中，保留行、列索引。

第四次作业

成绩：95/100
1.数据清洗和填充
1）从studentsInfo.xlsx 文件的“Group1”表单中读取数据；
2）将“案例教学”列数据值全改为NaN；
3）滤除每行数据中缺失3项以上（包括3项）的行；
4）滤除值全部为NaN的列；
5）使用列的平均值填充“体重”和“成绩”列的NaN数据；
6）使用上一行数据填充“年龄”列的NaN数据；
7）使用“中位数”填充“生活费用”NaN数据。

import pandas as pd
import numpy as np
from pandas import DataFrame,Series
st1 = pd.read_excel('C:\\Users\\14401\\Downloads\\studentsInfo.xlsx',"Group1",index_col=0)
st1['案例教学']= np.NAN #将“案例教学”列数据值全改为NaN
print(st1)
st2 = st1.dropna(thresh=7) #滤除每行数据中缺失3项以上（包括3项）的行；
print(st2)
st1.dropna(how='all',axis=1,inplace=True) #滤除值全部为NaN的列；
print(st1)
st1.fillna({'体重':st1['体重'].mean(),'成绩':st1['成绩'].mean()},inplace=True) #使用列的平均值填充“体重”和“成绩”列的NaN数据；
print(st1)
st1['年龄'].fillna(method='ffill',inplace=True) #使用上一行数据填充“年龄”列的NaN数据；
print(st1)
st1.fillna({'月生活费':st1['月生活费'].median()},inplace=True)
print(st1)

2.数据合并与排序

1. 从studentsInfo.xlsx的“Group3”页读取数据，将序号、性别、年龄项保存到data1对象；
2. 从studentsInfo.xlsx的“Group3”页读取数据，将序号、身高、体重、成绩项保存到data2对象；
3. 将data2合并到data1中，连接方式为内连接。
4. 按月生活费对数据升序排序；
5. 按身高对数据降序排名，并列取值方式设置为min。

import pandas as pd
import numpy as np
from pandas import DataFrame,Series
st = pd.read_excel('C:\\Users\\14401\\Downloads\\studentsInfo.xlsx',"Group3",index_col=None)
data1 = st.loc[:,['序号','性别','年龄']]
print(data1)
data2 = st.loc[:,['序号','身高','体重','成绩']]
print(data2)
st1 = pd.merge(data1,data2,how='inner')
print(st1)
st2 = st.sort_values(by='月生活费',ascending=True)
print(st2)
st['身高排名'] = st['身高'].rank(ascending=True,method='min')
st3 = st.sort_values(by='身高排名',ascending=False)
print(st3)

3.根据某系的实验教学计划，完成以下分析：

1. 读取DataScience.xls文件数据，创建为data数据对象；
2. 查询df的数据量和基本结构（df.index，df.columns）；
3. 查询df中是否含有NaN数据？将含有NaN数据的行导出为数据文件pre.csv，
   判断采用何种数据清洗模式：填充、删除或手工填充；
4. 查询课程名称、实验项目名称、实验类型和二级实验室四列数据内容；
5. 统计每一门课程的实验课时数；
6. 统计每周开设所有实验课时数；
7. 统计每门课程的实验类型分布（crosstab）；
8. 统计每个班级的实验课课表；
9. 分析各二级实验室承担的实验课时量；
10. 分析各二级实验室能够支持的实验类型。

import numpy as np
import pandas as pd
from pandas import DataFrame,Series
data = pd.read_excel('C:\\Users\\14401\\Downloads\\DataScience.xls') #1
a = len(data.index)
b = data.columns.values
c = len(b)
print('当前的数据共有{}种属性特征，分别是{}，数据共有{}条记录。'.format(c,b,a)) #2
dt1 = data.loc[data.isnull().any(axis=1)] #3
dt1.to_csv('C:\\Users\\14401\\Downloads\\pre.csv',mode='w',header=True,index=True,encoding="utf_8_sig")
data.dropna(how='all',axis=0,inplace=True)
#如果一整行都是NaN，可以用删除，如果一行中不都是NaN，可以根据情况复制上一行，或手动输入（说不准和上一行内容会不会一样）
dt2 = data.loc[:,['课程名称','实验项目名称','实验类型','二级实验室']] #4
gp1 = data.groupby(['课程名称']).aggregate({'实验课时数':np.sum}) #5
print(gp1)
gp2 = data.groupby(['周次']).aggregate({'实验课时数':np.sum}) #6
print(gp2)
dt3 = pd.crosstab(data['课程名称'],data['实验类型']) #7
print(dt3)
dt4 = data.loc[:,['班级','周次','星期','课程名称','实验地点门牌号']] #8
print(dt4)
gp3 = data.groupby(['二级实验室名称']).aggregate({'实验课时数':np.sum}) #9
print(gp3)
dt5 = data.loc[:,['二级实验室名称','实验类型']] #10
print(dt5.drop_duplicates().dropna())

第五次作业

成绩：97/100
1.2012—2017年我国人均可支配收入为[1.47, 1.62, 1.78, 1.94, 2.38, 2.60]
（单位：万 元）。按照要求绘制以下图形。
1）模仿例4-1和例4-3，绘制人均可支配收入折线图（效果如图4-6所示）。
用小矩形标记数据点，黑色虚线，用注解标注最高点，图标题为“Income chart”，
设置坐标轴标题，最后将图形保存为JPG文件。
2）模仿例4-2，使用多个子图分别绘制人均可支配收入的折线图、箱形图及柱状图（效果如图4-7所示）。

import matplotlib.pyplot as plt
from pandas import DataFrame
income=[1.47, 1.62, 1.78, 1.94, 2.38, 2.60]
data=DataFrame({'Income':income},index=['2012','2013','2014','2015','2016','2017'])
plt.figure()
data.plot(color='black',label='Income',linestyle='dashed',marker='s')
plt.title('2012~2017 Income Chart')
plt.xlabel('Year')
plt.ylabel('Income(RMB Ten Thousand)')
plt.xlim(0,5)
plt.ylim(0.0,3.0)
plt.xticks(range(0,6),('2012','2013','2014','2015','2016','2017'))
plt.grid()
plt.legend(loc='upper right')
plt.annotate('Largest!',color='red',xy=(5,2.60),xytext=(3,2.50),arrowprops=dict(arrowstyle='->',color='red'))
#plt.savefig('F:\\1.1.jpg')
plt.show()
fig=plt.figure(figsize=(8,6))
plt.subplots_adjust(wspace=0.6)
ax1=fig.add_subplot(2,2,1)
plt.xticks([0,2,4])
plt.title('line chart')
plt.xlabel('Year')
plt.ylabel('Income')
plt.subplots_adjust(hspace = 0.4)
ax1.plot(data)
ax2=fig.add_subplot(2,1,2)
data.plot(kind='bar',title='bar chart',ax=ax2,fontsize='small')
plt.ylabel('Income')
ax3=fig.add_subplot(2,2,2)
data.plot(kind='box',fontsize='small',title='box-whisker plot',xticks=[],ax=ax3)
plt.ylabel('Income')
plt.xlabel('2012~2017',fontsize=12)
plt.show()

2.数据文件high-speed rail.csv存放着世界各国高铁的情况，数据格式如表4-6所示，
请对世界各国高铁的数据进行绘图分析。
1）各国运营里程对比柱状图，标注China为“Longest”，如图4-21所示。
2）各国运营里程现状和发展堆叠柱状图，如图4-22所示。
3）各国运营里程占比饼图，China扇形离开中心点，如图4-23所示。
4）绘制现有里程的散点地图，用点的大小表示数量由大到小。

import pandas as pd
import numpy as np
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
#from mpl_toolkits.basemap import Basemap
f = pd.read_csv('C:\\Users\\14401\\Downloads\\high-speed rail.csv',header='infer',index_col='Country')
plt.figure()
f1 = f['Operation']
f1.plot(kind='bar',title='Operation Mileage',use_index=True,rot=45)
plt.ylabel('Mileage')
plt.xlabel('Country')
plt.annotate('Longest!', color='red', xy=(0,20000),xytext=(1,20000),arrowprops=dict(arrowstyle='->',color='red'))
plt.show()

plt.figure()
f2 = f[['Operation','Under-construction','Planning']]
f2.plot(kind='barh',title='Global trends of high-speed rail',stacked=True)
plt.ylabel('Country')
plt.xlabel('Mileage(km)')
plt.show()

plt.figure()
f1.plot(kind='pie',subplots='True',startangle=60,title='Operation Mileage',explode=[0.1,0,0,0,0,0],autopct='%1.1f%%')
plt.ylabel('')
plt.show()

#plt.figure()
#map1 = Basemap(projection='cyl',llcrnrlon=0,urcrnrlon=150,llcrnrlat=0,urcrnrlat=55)
#map1.drawcountries()
#map1.drawcoastlines()
#lat=np.array(f["Latitude"])
#lon=np.array(f['Longitude'])
#map1.scatter(lon,lat,s=(f['Operation']/np.sum(f['Operation']))*10000)
#plt.show()

3.文件bankpep.csv存放着银行储户的基本信息，数据格式如表4-7所示。
通过绘图对这些客户数据进行探索性分析。
1）客户年龄分布的直方图和密度图（见图4-24）。
2）客户年龄和收入关系的散点图（见图4-25）。
3）绘制散点图观察账户（年龄、收入、孩子数）之间的关系，对角线显示直方图（见图4-26）。
4）按区域展示平均收入的柱状图，并显示标准差（见图4-27）。
5）多子图绘制：账户中性别占比饼图，有车的性别占比饼图，按孩子数的账户占比饼图（见图4-28）。
6）各性别收入的箱形图（见图4-29）。
具体表、图见习题1提供的文件。

import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
f = pd.read_csv('C:\\Users\\14401\\Downloads\\bankpep.csv',index_col='id',header='infer')

plt.figure()
f['age'].plot(kind='hist',bins=10,title='Customer age',xticks=[0,20,40,60,80],xlim=[-20,100],normed=True)
f['age'].plot(kind='kde',title='Customer age')
plt.xlabel('age')
plt.show()

plt.figure()
f.plot(kind='scatter',x='age',y='income',title='Customer Income',grid=True,xlim=[0,80],ylim=[0,70000],yticks=[10000,20000,30000,40000,50000,60000],label='(age,income)')
plt.ylabel('Income')
plt.xlabel('age')
plt.legend(loc='upper left')
plt.show()

plt.figure()
data = f[['age','income','children']]
pd.plotting.scatter_matrix(data, diagonal='hist',color='m')
plt.show()

plt.figure()
mean = f.groupby(['region']).aggregate({'income':np.mean})
std = f.groupby(['region']).aggregate({'income':np.std})
plt.subplots_adjust(wspace=0.6)
mean.plot(kind='bar',yerr=std,title='Customer Income',color='r',rot=45,label=None)

fig=plt.figure(figsize=(8,6))
ax1=fig.add_subplot(2,2,1)
f1 = f["sex"].value_counts()
f1.plot(kind='pie',startangle=45,title='Customer Sex',autopct='%1.1f%%',ax=ax1)
ax2=fig.add_subplot(2,2,2)
f21 = f.loc[f['car']=='YES',:]
f2 = f21["sex"].value_counts()
f2.plot(kind='pie',startangle=45,title='Customer Car Sex',autopct='%1.1f%%',ax=ax2)
ax3=fig.add_subplot(2,2,3)
f3 = f["children"].value_counts()
f3.plot(kind='pie',startangle=45,title='Customer Children',autopct='%1.1f%%',ax=ax3)
plt.show()

plt.figure()
f4 = f[['sex','income']]
f4.boxplot(by='sex',fontsize='small',figsize=(7,6))
#plt.title('boxplot grouped by sex')
plt.show()

第六次作业

1.Energy Efficiency数据集（ ENB2012_data.xlsx，ENB2012.names）记录不同房屋的制热能源消耗和制冷能源消耗。
包括768条记录，8个特征属性，两个预测值。具体说明见ENB2012.names。
1)在全数据集上训练线性回归模型预测制热能耗，计算模型性能：RMSE以及R2；
2)将数据集划分训练集和测试集，在训练集上训练线性回归模型，分析模型在训练集和测试集上的性能。

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn import model_selection
from sklearn import metrics

data = pd.read_excel('C:\\Users\\14401\\Downloads\\ENB2012_data.xlsx',index_col=None)
#建立8个自变量与目标变量的线性回归模型，计算误差。
X = data.iloc[:,0:8].values.astype(float)
y = data.iloc[:,9].values.astype(float)
linreg = LinearRegression()
linreg.fit(X,y) #以全数据集训练

X_train,X_test,y_train,y_test = model_selection.train_test_split(X,y,test_size=0.35,random_state=1)
linregTr = LinearRegression() #在训练集上学习回归模型
linregTr.fit(X_train,y_train)

#计算全数据集的模型性能
predict_score1 = linreg.score(X_test,y_test)
print('The R2 of model trained with all is:{:.2f}'.format(predict_score1))
y_test_pred1 = linreg.predict(X_test)
test_err1 = metrics.mean_squared_error(y_test,y_test_pred1)
print('The RMSE of test with all:{:.2f}'.format(test_err1))

#计算训练集的模型性能
y_train_pred = linregTr.predict(X_train)
y_test_pred = linregTr.predict(X_test)
train_score = linregTr.score(X_train,y_train)
test_score = linregTr.score(X_test,y_test)
print('The R2 of train is {:.2f},of test is {:.2f}'.format(train_score,test_score))
train_err = metrics.mean_squared_error(y_train,y_train_pred)
test_err = metrics.mean_squared_error(y_test,y_test_pred)
print('The RMSE of train is {:.2f},of test is {:.2f}'.format(train_err,test_err))

第七次作业

1.基于bankpep数据集，划分训练集与测试集，建立分类模型。
1)使用决策树建立分类模型，记录模型在测试集上的性能；
2)自学朴素贝叶斯、支持向量集建立分类模型的方法，记录模型在测试集上的性能；
3)使用使用梯度提升机以及XGBoost训练分累模型，并与步骤1、2的结果进行比较。
4)本次作业需提交源代码和结果分析报告，分析报告说明使用的数据集，数据集特征项、
数据量大小、尝试的每种方法、获得的结果。最后绘图比较这些方法在性能上的差别。

import numpy as np
import pandas as pd
from sklearn import model_selection
from sklearn import tree
from sklearn.naive_bayes import GaussianNB
from sklearn import svm
from sklearn.ensemble import GradientBoostingClassifier
from xgboost.sklearn import XGBClassifier
from pandas import DataFrame,Series
import matplotlib.pyplot as plt

filename = 'C:\\Users\\14401\\Downloads\\bankpep.csv'

data1 = pd.read_csv(filename,index_col=0,header=0)
seq1 = ['married','car','save_act','current_act','mortgage','pep']
for feature in seq1:
    data1.loc[data1[feature]=='YES',feature] = 1
    data1.loc[data1[feature]=='NO',feature] = 0
data1.loc[data1['sex']=='FEMALE','sex'] = 0
data1.loc[data1['sex']=='MALE','sex'] = 1
data1.loc[data1['region']=='INNER_CITY','region'] = 1
data1.loc[data1['region']=='RURAL','region'] = 2
data1.loc[data1['region']=='TOWN','region'] = 3
data1.loc[data1['region']=='SUBURBAN','region'] = 4
X1 = data1.iloc[:,0:9].values.astype(float)
y1 = data1.iloc[:,10].values.astype(int)
X_train1,X_test1,y_train1,y_test1 = model_selection.train_test_split(X1,y1,test_size=0.3,random_state=1)
clf1 = tree.DecisionTreeClassifier()
clf1 = clf1.fit(X_train1,y_train1)
print('用决策树建模在测试集上的性能：{:.2f}'.format(clf1.score(X_test1,y_test1)))
d1 = clf1.score(X_test1,y_test1)

model = GaussianNB()
model.fit(X_train1, y_train1)
print("用朴素贝叶斯建模在测试集上的性能：{:.2f}".format(model.score(X_test1,y_test1)))
d2 = model.score(X_test1,y_test1)

data2 = pd.read_csv(filename,index_col='id')
seq = ['married','car','save_act','current_act','mortgage','pep']
for feature in seq:
    data2.loc[data2[feature]=='YES',feature] = 1
    data2.loc[data2[feature]=='NO',feature] = 0
data2.loc[data2['sex']=='FEMALE','sex'] = 1
data2.loc[data2['sex']=='MALE','sex'] = 0
dumm_reg = pd.get_dummies(data2['region'],prefix='region')
dumm_child = pd.get_dummies(data2['children'],prefix='children')
df1 = data2.drop(['region','children'],axis=1)
df2 = df1.join([dumm_reg,dumm_child],how='outer')
X3 = df2.drop(['pep'],axis=1).values.astype(float)
y3 = df2['pep'].values.astype(int)
X_train3,X_test3,y_train3,y_test3 = model_selection.train_test_split(X3,y3,test_size=0.3,random_state=1)
clf3 = svm.SVC(kernel='rbf',gamma=0.7,C=0.001)
clf3.fit(X_train3,y_train3)
print("用支持向量集建立分类模型在测试集上的性能：{:.2f}".format(clf3.score(X_test3,y_test3)))
d3 = clf3.score(X_test3,y_test3)

X_train4,X_test4,y_train4,y_test4 = model_selection.train_test_split(X3,y3,test_size=0.3,random_state=1)
clf4=GradientBoostingClassifier()
clf4.fit(X_train4,y_train4)
print('使用梯度提升机的模型在测试集上的性能{:.2f}'.format(clf4.score(X_test4,y_test4)))
d4 = clf4.score(X_test4,y_test4)


clf5=XGBClassifier(silent=0,max_depth=6,gamma=0,subsample=1,colsample_bytree=1)
clf5.fit(X_train4,y_train4)
print('使用XGBoost的模型在测试集上的性能{:.2f}'.format(clf5.score(X_test4,y_test4)))
d5 = clf5.score(X_test4,y_test4)

plt.figure()
data = [d1,d2,d3,d4,d5]
f = DataFrame(data,columns=['score'],index=['tree','Naive Bayes','svm','gbrt','xgboot'])
f.plot(kind='bar',title='decision score on test set',use_index=True,rot=45)

第八次作业

成绩：94/100
1。葡萄酒数据集（wine.data）搜集了法国不同产区葡萄酒的化学指标。试建立决策树、
SVM和神经网络3种分类器模型，比较各种分类器在此数据集上的效果。

import pandas as pd
import numpy as np
from pandas import DataFrame
data = pd.read_csv('C:\\Users\\14401\\Downloads\\wine.data')
d_input = []
[d_input.append(str(i)) for i in range(14)]
data.columns = d_input
X = data.iloc[:,1:14].values.astype(float)
y = data.iloc[:,0].values
from sklearn import model_selection
X_train,X_test,y_train,y_test = model_selection.train_test_split(X,y,test_size=0.35,random_state=1)

from sklearn import tree
clf1 = tree.DecisionTreeClassifier()
clf1.fit(X_train, y_train)
s1 = clf1.score(X_test, y_test)
print('用决策树建模在测试集上的性能：{:.2f}'.format(s1))

from sklearn import svm
clf2 = svm.SVC(kernel='linear', gamma=0.6, C = 100)
clf2.fit(X_train, y_train)
s2 = clf2.score(X_test, y_test)
print('用SVM建模在测试集上的性能：{:.2f}'.format(s2))

from sklearn.neural_network import MLPClassifier
clf3 = MLPClassifier(solver='lbfgs',activation='identity',alpha=1e-5,hidden_layer_sizes=(9, 9),random_state=1)
clf3.fit(X_train, y_train)
s3 = clf3.score(X_test, y_test)
print('用神经网络建模在测试集上的性能：{:.2f}'.format(s3))

import matplotlib.pyplot as plt
plt.figure()
data = [s1,s2,s3]
f = DataFrame(data,columns=['score'],index=['tree','svm','MLP'])
f.plot(kind='bar',title='decision score on test set',use_index=True,rot=45)

2.基于Keras建立深度神经网络模型，在bankpep数据集上训练神经网络分类模型，
将训练模型的耗时以及模型性能，与XGBoost、SVM、朴素贝叶斯等方法进行比较。

import numpy as np
import pandas as pd
from sklearn import model_selection
from sklearn.naive_bayes import GaussianNB
from sklearn import svm
from sklearn.ensemble import GradientBoostingClassifier
from xgboost.sklearn import XGBClassifier
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPClassifier
import datetime

filename = 'C:\\Users\\14401\\Downloads\\bankpep.csv'

data1 = pd.read_csv(filename,index_col=0,header=0)
seq1 = ['married','car','save_act','current_act','mortgage','pep']
for feature in seq1:
    data1.loc[data1[feature]=='YES',feature] = 1
    data1.loc[data1[feature]=='NO',feature] = 0
data1.loc[data1['sex']=='FEMALE','sex'] = 0
data1.loc[data1['sex']=='MALE','sex'] = 1
data1.loc[data1['region']=='INNER_CITY','region'] = 1
data1.loc[data1['region']=='RURAL','region'] = 2
data1.loc[data1['region']=='TOWN','region'] = 3
data1.loc[data1['region']=='SUBURBAN','region'] = 4
X1 = data1.iloc[:,0:9].values.astype(float)
y1 = data1.iloc[:,10].values.astype(int)
X_train1,X_test1,y_train1,y_test1 = model_selection.train_test_split(X1,y1,test_size=0.3,random_state=1)

start1= datetime.datetime.now()
clf1 = MLPClassifier(solver='lbfgs',activation='identity',alpha=1e-5,hidden_layer_sizes=(9, 9),random_state=1)
clf1.fit(X_train1, y_train1)
end1= datetime.datetime.now()
d1 = clf1.score(X_test1, y_test1)
s1 = end1-start1
print("用神经网络建模的运行时长:",s1)
print('用神经网络建模在测试集上的性能：{:.2f}'.format(d1))

start2= datetime.datetime.now()
clf2 = GaussianNB()
clf2.fit(X_train1, y_train1)
end2= datetime.datetime.now()
d2 = clf2.score(X_test1,y_test1)
s2 = end2-start2
print("用朴素贝叶斯建模的运行时长:",s2)
print("用朴素贝叶斯建模在测试集上的性能：{:.2f}".format(d2))

data2 = pd.read_csv(filename,index_col='id')
seq = ['married','car','save_act','current_act','mortgage','pep']
for feature in seq:
    data2.loc[data2[feature]=='YES',feature] = 1
    data2.loc[data2[feature]=='NO',feature] = 0
data2.loc[data2['sex']=='FEMALE','sex'] = 1
data2.loc[data2['sex']=='MALE','sex'] = 0
dumm_reg = pd.get_dummies(data2['region'],prefix='region')
dumm_child = pd.get_dummies(data2['children'],prefix='children')
df1 = data2.drop(['region','children'],axis=1)
df2 = df1.join([dumm_reg,dumm_child],how='outer')
X3 = df2.drop(['pep'],axis=1).values.astype(float)
y3 = df2['pep'].values.astype(int)
X_train3,X_test3,y_train3,y_test3 = model_selection.train_test_split(X3,y3,test_size=0.3,random_state=1)

start3= datetime.datetime.now()
clf3 = svm.SVC(kernel='rbf',gamma=0.7,C=0.001)
clf3.fit(X_train3,y_train3)
end3= datetime.datetime.now()
d3 = clf3.score(X_test3,y_test3)
s3 = end3-start3
print("用SVM的运行时长:",s3)
print("用SVM在测试集上的性能：{:.2f}".format(d3))

start4= datetime.datetime.now()
clf4=XGBClassifier(silent=0,max_depth=6,gamma=0,subsample=1,colsample_bytree=1)
clf4.fit(X_train3,y_train3)
end4= datetime.datetime.now()
d4 = clf4.score(X_test3,y_test3)
s4 = end4-start4
print("用XGBoost的运行时长:",s4)
print('使用XGBoost的模型在测试集上的性能{:.2f}'.format(d4))

plt.figure()
data = [d1,d2,d3,d4]
f = DataFrame(data,columns=['score'],index=['MLP','Naive Bayes','svm','xgboot'])
f.plot(kind='bar',title='decision score on test set',use_index=True,rot=45)

plt.figure()
data = [s1,s2,s3,s4]
f = DataFrame(data,columns=['time'],index=['MLP','Naive Bayes','svm','xgboot'])
f.plot(kind='bar',title='decision time on test set',use_index=True,rot=45)