python定价_机器学习项目：使用Python进行零售价格推荐

日本最大的社区购物应用Mercari遇到了一个问题。他们希望向卖家提供定价建议，但这很难，因为他们的卖家能够在Mercari上放置任何东西。

在这个机器学习项目中，我们将建立一个自动建议正确的产品价格的模型。我们提供以下信息：

train_id – 列表的ID

name – 列表的标题

item_condition_id – 卖方提供商品的情况

category_name – 种类的列表

brand_name – 品牌名称

price – 该商品的售价。也就是我们预测的目标变量

shipping - 如果运费由卖方支付，买方支付0

item_description – 商品的完整描述

EDA

数据集可以从Kaggle下载(文末链接)。为了验证结果，我只需要train.tsv。让我们开始吧！

import gc

import time

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

from scipy.sparse import csr_matrix, hstack

from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer

from sklearn.preprocessing import LabelBinarizer

from sklearn.model_selection import train_test_split, cross_val_score

from sklearn.metrics import mean_squared_error

import lightgbm as lgb

df = pd.read_csv('train.tsv', sep = '\t')

随机将数据拆分为训练集和测试集。我们只对EDA使用训练集。

msk = np.random.rand(len(df)) < 0.8

train = df[msk]

test = df[~msk]

train.shape, test.shape

((1185866, 8), (296669, 8))

train.head()

train.info()

价格

train.price.describe()

物品价格总体左倾(left skewed)，绝大多数物品售价10-20。然而，最昂贵的商品定价在2009。所以我们会对价格进行对数变换。

plt.subplot(1,2,1)

(train ['price'])。plot.hist(bins = 50，figsize =(12,6)，edgecolor ='white'，range = [0,250])

plt .xlabel('price'，fontsize = 12)

plt.title('Price Distribution'，fontsize = 12)

plt.subplot(1,2,2)

np.log(train ['price'] + 1).plot.hist(bins = 50，figsize =(12,6)，edgecolor ='white')

plt.xlabel( 'log(price + 1)'，fontsize = 12)

plt.title('Price Distribution'，fontsize = 12)

运费

超过55％的物品运费由买家支付。

train ['shipping']。value_counts()/ len(train)

运费如何与价格相关？

shipping_fee_by_buyer = train.loc[df['shipping'] == 0, 'price']

shipping_fee_by_seller = train.loc[df['shipping'] == 1, 'price']

fig, ax = plt.subplots(figsize=(18,8))

ax.hist(shipping_fee_by_seller, color='#8CB4E1', alpha=1.0, bins=50, range = [0, 100],

label='Price when Seller pays Shipping')

ax.hist(shipping_fee_by_buyer, color='#007D00', alpha=0.7, bins=50, range = [0, 100],

label='Price when Buyer pays Shipping')

plt.xlabel('price', fontsize=12)

plt.ylabel('frequency', fontsize=12)

plt.title('Price Distribution by Shipping Type', fontsize=15)

plt.tick_params(labelsize=12)

plt.legend()

plt.show()

print('The average price is {}'.format(round(shipping_fee_by_seller.mean(), 2)), 'if seller pays shipping');

print('The average price is {}'.format(round(shipping_fee_by_buyer.mean(), 2)), 'if buyer pays shipping')

如果卖家支付运费，平均价格为22.58

如果买家支付运费，平均价格为30.11

我们对价格进行对数转换后再次进行比较。

fig, ax = plt.subplots(figsize=(18,8))

ax.hist(np.log(shipping_fee_by_seller+1), color='#8CB4E1', alpha=1.0, bins=50,

label='Price when Seller pays Shipping')

ax.hist(np.log(shipping_fee_by_buyer+1), color='#007D00', alpha=0.7, bins=50,

label='Price when Buyer pays Shipping')

plt.xlabel('log(price+1)', fontsize=12)

plt.ylabel('frequency', fontsize=12)

plt.title('Price Distribution by Shipping Type', fontsize=15)

plt.tick_params(labelsize=12)

plt.legend()

plt.show()

当买家支付运费时，平均价格显然会更高。

种类名称

print('There are', train['category_name'].nunique(), 'unique values in category name column')

种类名称列中有1265个唯一值

十大最常见的种类名称：

train['category_name'].value_counts()[:10]

商品情况与价格

sns.boxplot(x ='item_condition_id'，y = np.log(train ['price'] + 1)，data = train，palette = sns.color_palette('RdBu'，5))

每个商品状态id的平均价格都不大一样。

经过以上的探索性数据分析，我决定使用所有的特征来构建我们的模型。

LightGBM

LightGBM是一个使用基于树的学习算法的梯度提升框架。具有它被设计成分布式且高效性的，它的优点包括：

更快的训练速度和更高的效率

更低的内存使用率

更高的准确性

支持并行和GPU学习

能够处理大规模数据

因此，我们要尝试一下。

常规设置：

NUM_BRANDS = 4000

NUM_CATEGORIES = 1000

NAME_MIN_DF = 10

MAX_FEATURES_ITEM_DESCRIPTION = 50000

我们必须修复的列中缺失值：

print('There are %d items that do not have a category name.' %train['category_name'].isnull().sum())

有5083个商品没有种类名称。

print('There are %d items that do not have a brand name.' %train['brand_name'].isnull().sum())

有506370个商品没有品牌名称。

print('There are %d items that do not have a description.' %train['item_description'].isnull().sum())

有3个商品没有描述。

LightGBM的助手函数：

def handle_missing_inplace(dataset):

dataset['category_name'].fillna(value='missing', inplace=True)

dataset['brand_name'].fillna(value='missing', inplace=True)

dataset['item_description'].replace('No description yet,''missing', inplace=True)

dataset['item_description'].fillna(value='missing', inplace=True)

def cutting(dataset):

pop_brand = dataset['brand_name'].value_counts().loc[lambda x: x.index != 'missing'].index[:NUM_BRANDS]

dataset.loc[~dataset['brand_name'].isin(pop_brand), 'brand_name'] = 'missing'

pop_category = dataset['category_name'].value_counts().loc[lambda x: x.index != 'missing'].index[:NUM_CATEGORIES]

def to_categorical(dataset):

dataset['category_name'] = dataset['category_name'].astype('category')

dataset['brand_name'] = dataset['brand_name'].astype('category')

dataset['item_condition_id'] = dataset['item_condition_id'].astype('category')

删除price = 0的行

df = pd.read_csv('train.tsv'，sep ='\ t')

msk = np.random.rand(len(df))<0.8

train = df [msk]

test = df [~msk]

test_new = test .drop('price'，axis = 1)

y_test = np.log1p(test [“price”])

train = train [train.price！= 0] .reset_index(drop = True)

合并训练和新的测试数据。

nrow_train = train.shape [0]

y = np.log1p(train [“price”])

merge：pd.DataFrame = pd.concat([train，test_new])

训练准备

handle_missing_inplace(merge)

cutting(merge)

to_categorical(merge)

计算矢量化名称和种类名称的列。

cv = CountVectorizer(min_df = NAME_MIN_DF)

X_name = cv.fit_transform(merge ['name'])

cv = CountVectorizer()

X_category = cv.fit_transform(merge ['category_name'])

TF-IDF Vectorize item_description列。

tv = TfidfVectorizer(max_features = MAX_FEATURES_ITEM_DESCRIPTION，ngram_range =(1,3)，stop_words ='english')

X_description = tv.fit_transform(merge ['item_description'])

标签二值化brand_name列。

lb = LabelBinarizer(sparse_output = True)

X_brand = lb.fit_transform(merge ['brand_name'])

为item_condition_id和运费列创建虚拟变量。

X_dummies = csr_matrix(pd.get_dummies(merge [['item_condition_id'，'shipping']]，sparse = True).values)

创建稀疏合并。

sparse_merge = hstack((X_dummies，X_description，X_brand，X_category，X_name))。tocsr()

删除文档频率<= 1的特征。

mask = np.array(np.clip(sparse_merge.getnnz(axis = 0) -

1,0,1 )，dtype = bool)sparse_merge = sparse_merge [：，mask]

从稀疏合并中分离出训练和测试数据。

X = sparse_merge [：nrow_train]

X_test = sparse_merge [nrow_train：]

为lightgbm创建数据集。

train_X = lgb.Dataset(X，label = y)

将我们的参数指定为dict。

params = {

'learning_rate'：0.75，

'application'：'regression'，

'max_depth'：3，

'num_leaves'：100，

'verbosity'： - 1，

'metric'：'RMSE'，

}

当我们处理回归问题时，使用“regression”作为应用程序。

使用“RMSE”作为度量，因为这是一个回归问题。

“num_leaves”= 100，因为我们的数据相对较大。

使用“max_depth”以避免过拟合。

使用“verbosity”来控制LightGBM的冗余度(<0：致命)。

“learning_rate”确定每棵树对最终结果的影响。

训练开始

训练模型需要参数列表和数据集。训练需要一段时间。

gbm = lgb.train(params，train_set = train_X，num_boost_round = 3200，verbose_eval = 100)

预测

y_pred = gbm.predict(X_test，num_iteration = gbm.best_iteration)

评估

from sklearn.metrics import mean_squared_error

print('The rmse of prediction is:', mean_squared_error(y_test, y_pred) ** 0.5)

预测的rmse是：0.46164222941613137

Kaggle：https://www.kaggle.com/tunguz/more-effective-ridge-lgbm-script-lb-0-44823

Github：https://github.com/susanli2016/Machine-Learning-with-Python/blob/master/Mercari%20Price%20Suggestion%20Lightgbm.ipynb

数据集：https://www.kaggle.com/saitosean/mercari