第35步 机器学习实战DLC：不平衡数据处理（下）
失踪人口回归的第二期，继续说一说用PSM处理不平衡数据。
一、啥叫PSM
PSM全称为Propensity Score Matching，翻译过来就是倾向匹配得分，为了省流，让小Chart介绍一下：
放到我们的数据就是：根据某个特征，从对类别0的1671例中挑出一部分来跟类别1来匹配，形成新的数据集，然后建模。其实就是多变少的策略。
可以1:1、1:2、1:3等进行匹配，没啥固定说哪种比例好，慢慢试吧。
多说一句，PSM需要指定匹配的一个或者多个自变量（特征），一般来说，选取人口学特征，比如年龄、性别、民族啥的。也可以根据专业实际情况选别的，反正有个说法即可。
下面来操作：
二、SPSS实现1:1的PSM匹配
高能预警：SPSS22及以上自带1:1的PSM，对于其他版本或者想要体验完整版功能，就要安装相应的软件（R、SPSS R插件、PS matching插件）。据说，超级难装。
说实话，我也是第一次用，然后我看了看我的SPSS版本，哭了：
没办法，默默装了一个：
（1）数据导入：
照着点：文件→导入数据→CSV数据：
（2）倾向性评分匹配
照着点：数据→倾向得分匹配→打开对话框：
组指示符：将因变量（outcome）放入；
预测变量：需要匹配的变量放进去，我这就一个，你们也可以放多个；
倾向变量随便起一个名字：JET；
匹配容差，也叫卡钳值，用来设置倾向性评分匹配标准，卡钳值设置的越小，匹配后可比性越好，卡钳值太小会导致匹配难度会加大，我们先设0.02；
个案 ID填入样本的ID，也就是排序的序号；
匹配ID变量名：随便起一个名字，用来明确匹配成功的样本ID；
输出数据集名称：把匹配的观测对象单独输出一个数据集。
（3）额外的设置
点击右上角的选项按钮，弹出对话框：
合格个案数变量：新生成一列，用来明确实验组中某一个观测对象，在对照组中有多少个观测对象满足与其匹配的条件；
抽样：不放回抽样，顾名思义；
优先考虑精确匹配：优先找实验组和对照组的JET值（倾向变量）一样的；
最优化执行性能：综合考虑精确匹配和基于设定的卡钳值范围内匹配的模糊匹配；
抽取匹配项时随机排列个案顺序：如果对照组有多个满足匹配条件的观测对象，就会随机将其与实验组观测对象匹配。注意是随机，所以为了能重复，需要设置我们熟悉的随机种子数，比如66666。
（4）看结果
（a）点击确定以后，会生成一个新的数据集（JET_M）,重点看新变量：
JET_case代表对照组中有几个符合匹配条件的观测对象（等于4，说明有4个对照组观测对象符合匹配条件）；
JET是算出的倾向性评分；
Jet_id代表匹配成功的ID号。
（b）看看输出窗口的结果：
全是模糊匹配，一共152对；
（c）匹配后的数据库整理输出：
首先，把配对成功的数据撸出来：
记得是打开新的数据集（JET_M），照着点：数据→选择个案→打开新窗口：
设定条件，JET_id要大于等于1，筛选出匹配成功的对子；
挑选出来的在生成新的数据集，叫做JET_M_NEW；
记得左边选择ID：
点击确定后，生成新的数据框JET_M_NEW：
然后导出数据成scv文件，转到python试试性能。
（5）Xgboost建模
无脑套代码：
#加载相关包
import xgboost as xgb
from xgboost import plot_importance
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.feature_selection import SelectFromModel
from xgboost import plot_importance
import math
#导入数据
dataset = pd.read_csv('wwd3.csv')
dataset = dataset.fillna(dataset.median())
X = dataset.iloc[:,1:16].values
y = dataset.iloc[:,0].values
#数据拆分成训练集、测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.30, random_state = 6588)
#数据归一化
#from sklearn.preprocessing import StandardScaler
#sc = StandardScaler()
#X_train = sc.fit_transform(X_train)
#X_test = sc.transform(X_test)
#模型构建
boost = xgb.XGBClassifier(
n_estimators=200,
max_depth=9,
min_child_weight=3,
subsample=0.9,
colsample_bytree=0.9,
scale_pos_weight=1,
gamma=0.1,
reg_alpha=7,
)
boost.fit(X_train, y_train)然后悲剧了：
显示的是格式问题，不是所有数据都是数值型，所以我们怎么看数据的每一列都是什么类型呢？无脑问小Chat即可：
我们试一下：
果然，一堆的“object”类型。所以需要把“object”全部改成“float64”，怎么搞，继续问小Chat：
复制TA提供的2行代码即可，其他不变：
#导入数据
dataset = pd.read_csv('wwd3.csv')
# 将所有能够转换为数字的object类型转换为float64类型
dataset = dataset.apply(pd.to_numeric, errors='coerce')
# 将剩余的object类型转换为float64类型
dataset = dataset.astype('float64')
dataset = dataset.fillna(dataset.median())
X = dataset.iloc[:,1:16].values
y = dataset.iloc[:,0].values看看结果：
灵敏度升高了，特异度下降了，至少没那么割裂，不过还有改进空间。毕竟样本量少了那么多，所以还得试试1:n的匹配。
三、R实现1:n的PSM匹配
说实话，我也不知道怎么做。
但是有GPT，问题不大。首先，需要写一个咒语，说清楚我们的需求：
我有一批{数据}，数据包括1个因变量“outcome”和38个自变量。我希望通过R进行1:3的倾向性评分匹配，使得“outcome=1”和“outcome=0”的两组的自变量“Age”不存在显著性差异。并且整理和输出进行匹配后的数据，数据格式与{数据}一致，保存为“psm.csv”。请写出R的代码。
数据格式如下，仅列出前5行数据：
{复制你的数据，表头和前4行}
然后就给了完整代码：
# 安装并加载所需的R包
if (!require(MatchIt)) install.packages('MatchIt')
library(MatchIt)
# 加载数据
data <- read.csv('wwd3.csv', sep = '\t')
# 使用中位数填充缺失值
for (column_name in colnames(data)) {
median_value <- median(data[[column_name]], na.rm = TRUE)
data[[column_name]] <- ifelse(is.na(data[[column_name]]), median_value, data[[column_name]])
}
# 提取自变量和因变量
X_columns <- colnames(data)[-1]
y_column <- 'outcome'
# 使用逻辑回归模型进行倾向性评分计算
ps_model <- glm(outcome ~ ., data = data, family = binomial())
# 保存倾向性评分
data$propensity_score <- ps_model$fitted.values
# 1:3的倾向性评分匹配
matched <- matchit(outcome ~ propensity_score, data = data, method = "nearest", ratio = 3)
# 输出匹配后的数据
matched_data <- match.data(matched)
write.csv(matched_data, 'psm.csv', row.names = FALSE)
# 检查匹配结果
summary(matched)跑了一下，很顺序，无报错。匹配好的数据已经自动输出：
R的输出框也给出了匹配结果，不过有些乱码，我让GPT帮整理一下：
收工！后面跑分类模型大家自己弄了哈。
有了GPT，效率大大提高！