python数据挖掘项目实战记录

取自《Python数据分析与挖掘实战》一书，整理各个项目中用到的数据处理方法：

数据预处理方法建立模型方法绘制图形

对于分类问题：用模型分类；混淆矩阵及其绘图；观测其ROC曲线； 对于聚类问题：划分类目数；获取划分类目中心；平行坐标系描述

---

 （一）数据预处理的方法

在获取数据之后，会发现一些数据值错误 一、填补空值 二、观察数据分布 三、数据清洗，使数据值都合理存在 四、数据规约，提取重要属性 五、数据归一化，为了使用K-Means算法

---

 数据读取

#SVM，bayes，ANN，D_Tree，等需要操作的数据是矩阵，需要 data=data.as_matrix() #将series数据转为矩阵形式的训练集 from numpy.random import shuffle shuffle(data) #随机打乱数据 x_train=data_train[:,2:]*30 #将特征放大 import pickle pickle.dump(model, open('../tmp/svm.model', 'wb'))# 保存模型 model = pickle.load(open('../tmp/svm.model', 'rb'))# 读取模型 #将数据保存为固定文件格式 pd.DataFrame(cm_train, index=range(5),columns=range(5)).to_excel(outputfile1)

 一、拉格朗日插值法

from scipy.interpolate import lagrange # 取数，两个列表尾接 y = s[list(range(n - k, n)) + list(range(n + 1, n + 1 + k))] y = y[y.notnull()] res=lagrange(y.index, list(y))(n)   #输入索引，和该列数据 n为空值下标

 二、series的内置插值法

df = pd.DataFrame(data, columns=[0, 1, 2]) df.interpolate()

 三、电量趋势描述

绘制折线图，观测电量下降趋势。

 四、数据探索describe(include=’all).T

通过数据探索，发现异常值，不合逻辑的错误值，如果数据集很大就可以丢弃，否则可以填充

explore = data.describe(include='all').T explore['null'] = len(data) - explore['count'] explore = explore[['null', 'max', 'min', 'std']]# count,unique,top,freq,mean,std,min,50%,max等选取几个属性 #计算相关系数矩阵，data必须是n*n矩阵 print(np.round(data.corr(method='pearson'), 2))

 五、数据清洗

类似集合的操作，对于不合逻辑的错误值，设置索引，排除。

data = data[data['SUM_YR_1'].notnull() & data['SUM_YR_2'].notnull()] index1 = data['SUM_YR_1'] != 0 index2 = data['SUM_YR_2'] != 0 index3 = (data['SEG_KM_SUM'] == 0) & (data['avg_discount'] == 0) data = data[index1 | index2 | index3]

 六、属性转换

数据的规约就是选取有用的数据属性，可以通过excel删除对应列即可实现。

# 选取某列 data=data[data['TARGET_ID']==184].copy()  #获取该条件下的数据的副本 data_group=data.groupby('COLLECTTIME')  #以时间分组 def attr_trans(x):  # 定义属性变换函数     #创建新的series     result=pd.Series(index=['SYS_NAME', 'CWXT_DB:184:C:\\', 'CWXT_DB:184:D:\\', 'COLLECTTIME'])  #设置列标     result['SYS_NAME'] = x['SYS_NAME'].iloc[0] #获取该属性值，唯一     result['COLLECTTIME'] = x['COLLECTTIME'].iloc[0] #获取该属性值，唯一     result['CWXT_DB:184:C:\\'] = x['VALUE'].iloc[0] #获取属性值A     result['CWXT_DB:184:D:\\'] = x['VALUE'].iloc[1] #获取属性值B，等等     return result data_processed = data_group.apply(attr_trans)  # 逐组处理

 七、数据归一化和标准化

使用正态分布的标准正态分布标准化：x-u/σ

data = (data - data.mean(axis=0)) / data.std(axis=0)  # 按列选取均值和标准差。矩阵操作

当发现数值范围对结果影响太大，不方便运算时，将数据标准化

data=(data-data.min())/(data.max()-data.min()) data=data.reset_index()

 八、数据离散化

应用在发掘频繁项时，需要把连续数据转变为离散数据。

    for i in range(len(keys)):         # 调用k-means算法，进行聚类离散化         r1 = pd.DataFrame(kmodel.cluster_centers_, columns=[typelabel[keys[i]]])  # 聚类中心,A         r2 = pd.Series(kmodel.labels_).value_counts()  # 分类统计         r2 = pd.DataFrame(r2, columns=[typelabel[keys[i]] + 'n'])  #统计量, An         r = pd.DataFrame(pd.concat([r1, r2], axis=1))  #聚类中心与类别数目匹配连接         r = r.sort_values(typelabel[keys[i]])         r.index = [1, 2, 3, 4]         r[typelabel[keys[i]]] = pd.rolling_mean(r[typelabel[keys[i]]], 2)  # rolling_mean()用来计算相邻2列的均值，以此作为边界点。         r[typelabel[keys[i]]][1] = 0.0  # 这两句代码将原来的聚类中心改为边界点。         result = result.append(r.T) #转置添加     result = result.sort_index()  # 以Index(A,B,C,D,E,F)顺序排序，保存     result.to_excel(processedfile)

 九、图像切割和颜色矩阵提取

1. 一阶颜色矩：采用一阶原点矩，反应图像的整体明暗程度 Ei=1/N * ∑(j:1-N) Pij 2. 二阶颜色矩：反应图像颜色的分布范围 σi=(1/N *∑j:1-N (Pij-Ei)^2) ^1/2 3. 三阶颜色矩：反应图像颜色分布的对称性

 十、时间序列算法

利用时间序列算法模型的流程，根据历史数据，来预测未来的数据情况 采用时间序列算法对模型输入数据进行模型拟合、检验与检测。依据误差公式，计算预测值与验证数据之间的误差，分析其是否属于业务接受的范围内。 模型识别AR,MA,ARMA 平稳性检验，白噪声检验，模型识别，模型检验，模型预测，模型评价，模型应用

 十一、行为分析与服务推荐

连接数据库 系统过滤算法为主，其他为辅。

 推荐

物品相似度：夹角余弦；杰卡德相似系数；相关系数 熟悉基于物品的协同过滤算法使用

# 基于物品的协同过滤算法 def Jaccard(a, b):     return 1.0 * (a * b).sum() / (a + b - a * b).sum() class Recommender():     sim = None     def similarity(self, x, distance):         y = np.ones((len(x), len(x)))         for i in range(len(x)):             for j in range(len(x)):                 y[i, j] = distance(x[i], x[j])         return y     def fit(self, x, distance=Jaccard):  #x传入的是矩阵（行：物品，列：用户）         self.sim = self.similarity(x, distance) #计算相似度     def recommend(self, a): #传入预测用户的购买记录的矩阵.T = n * 1         return np.dot(self.sim, a) * (1 - a)

 十二、变量选择与灰色预测

使用Lasso函数对与处理数据变量选择 灰色预测得到关键影响因素的预测值 使用神经网络对财政收入进行预测

 十三、文本预处理

#数据去重 l1 = len(data) data = pd.DataFrame(data[0].unique()) #选取数据列进行unique() l2 = len(data) data.to_csv(outputfile, index = False, header = False, encoding = 'utf-8') print(u'删除了%s条评论。' %(l1 - l2)) #机械压缩去词，去除连续重复语料，和短句子删除过滤较多垃圾信息 #文本评论分词 mycut = lambda s: ' '.join(jieba.cut(s)) #自定义简单分词函数 data1 = data1[0].apply(mycut)#对于读入的数据执行分词函数 data2 = data2[0].apply(mycut)#通过“广播”形式分词，加快速度。 #先将文本正负面评价分开，然后再进行LDA主题分析。COSTCM6中的情感分析做及其分类，生成正面情感和负面情感 # 正面主题分析 from gensim import corpora, models pos_dict = corpora.Dictionary(pos[2]) pos_corpus = [pos_dict.doc2bow(i) for i in pos[2]] pos_lda = models.LdaModel(pos_corpus, num_topics=3, id2word=pos_dict) for i in range(3):     neg_lda.print_topic(i)  # 输出每个主题

 （二）、模型方法

一、神经网络 二、决策树 三、K-Means

---

 一、LM神经网络

API: add(); compile(); fit(); save_weights(); predict_classrs()

from keras.models import Sequential from keras.layers import Dense, Activation net = Sequential() net.add(Dense(input_dim=3, activation='relu', units=10)) net.compile(loss='binary_crossentropy', optimizer='adam',  metrics=['accuracy']) net.fit(train[:, :3], train[:, 3], epochs=1000, batch_size=1)#传入的是矩阵，读取excel需要把数据.as_matrix() net.save_weights(netfile) predict_result = net.predict_classes(train[:, :3]).reshape(len(train))

 二、CART决策树

API： fit(); predict();

# 构建CART决策树模型 from sklearn.tree import DecisionTreeClassifier tree = DecisionTreeClassifier() tree.fit(train[:, :3], train[:, 3]) plt = cm_plot(test[:, 3], tree.predict(test[:, :3]))#获取结果 plt.show()

 三、K-Means K聚类算法

from sklearn.cluster import KMeans import pandas as pd inputFile = '../data/zscoreddata.xls' data = pd.read_excel(inputFile) kmodel = KMeans(n_clusters=5, n_jobs=4) kmodel.fit(data) print(kmodel.cluster_centers_)

 四、SVM支持向量机

from sklearn import svm smodel=svm.SVC()  #建立模型 smodel.fit(x_train,y_train)  #训练模型 res=smodel.predict(x_test)  #预测测试集

 （三）、绘制图形

模型建立后，需要可视化分析数据挖掘的合理性，准确性等 混淆矩阵：正确与错误分类的情况 ROC曲线：分类方法的性能 聚类群图：使数据值聚成n类，分析n类群体特征

---

 混淆矩阵

预测准确度：RMSE;MAE 分类准确度：precesion=TP/TP+FP :表示用户对推荐产品感兴趣的可能性 recall=TP/(TP+FN) ：表示推荐的产品，占用户喜欢产品的概率

from sklearn.metrics import confusion_matrix  # 导入混淆矩阵函数 cm = confusion_matrix(y, yp)  # 混淆矩阵如下 # CM [[TP,FP],[FN,TN]] #例如['TP', 'FP', 'FN', 'TN'] == [46, 2, 7, 4] cm_train = confusion_matrix(train_label, smodel.predict(trainSet)) cm_test = confusion_matrix(test_label, smodel.predict(testSet)) pd.DataFrame(cm_train).to_excel(outFile1) pd.DataFrame(cm_test).to_excel(outFile2)

 ROC曲线

from sklearn.metrics import roc_curve  # 导入ROC曲线函数 fpr, tpr, thresholds = roc_curve(test[:, 3], tree.predict_proba(test[:, :3])[:, 1], pos_label=1) plt.plot(fpr, tpr, linewidth=2, label='ROC of CART', color='green')  # 作出ROC曲线

 聚类群图

import matplotlib.pyplot as plt centers = kmodel.cluster_centers_ for i in range(5):     plt.plot([2, 4, 6, 8, 10], centers[i], label='group' + str(i),marker='o')  #设置横轴纵轴分别对应5个点 plt.ylabel('values') plt.xlabel('index: L R F M C') plt.show()

 层次聚类谱图

import matplotlib.pyplot as plt from scipy.cluster.hierarchy import linkage,dendrogram #这里使用scipy的层次聚类函数 Z = linkage(data_udf, method = 'ward', metric = 'euclidean') #谱系聚类图 P = dendrogram(Z, 0) #画谱系聚类图 plt.show()