Python大資料處理案例

標籤：檢驗   ...   註冊   12c   bst   數字   python   boxplot   參數   

分享

知識要點：
lubridate包拆解時間 | POSIXlt
利用決策樹分類，利用隨機森林預測
利用對數進行fit，和exp函數還原

訓練集來自Kaggle華盛頓單車共用計劃中的單車租賃資料，分析共用單車與天氣、時間等關係。資料集共11個變數，10000多行資料。
https://www.kaggle.com/c/bike-sharing-demand

首先看一下官方給出的資料，一共兩個表格，都是2011-2012年的資料，區別是Test檔案是每個月的日期都是全的，但是沒有註冊使用者和隨意使用者。而Train檔案是每個月只有1-20天，但有兩類使用者的數量。
求解：補全Train檔案裡21-30號的使用者數量。評價標準是預測與真實數量的比較。

1.png

首先負載檔案和包

library(lubridate)library(randomForest)library(readr)setwd("E:")data<-read_csv("train.csv")head(data)

這裡我就遇到坑了，用r語言預設的read.csv死活讀不出來正確的檔案格式，換成xlsx更慘，所有時間都變成43045這樣的怪數字。本來之前試過as.Date可以正確轉換，但這次因為有時分秒，就只能用時間戳記，但結果也不行。
最後是下載了"readr"包，用read_csv語句，順利解讀。
因為test比train日期完整，但缺少使用者數，所以要把train和test合并。

test$registered=0test$casual=0test$count=0data<-rbind(train,test)

摘取時間：可以用時間戳記，這裡的時間比較簡單，就是小時數，所以也可以直接截字串。

data$hour1<-substr(data$datetime,12,13)table(data$hour1)

統計一下每個小時的使用總數，是這樣（為什麼介麼整齊）：

6-hour1.png

接下來是運用盒狀圖，看一下使用者和時間，周幾這些的關係。為什麼用盒狀圖而不用hist長條圖，因為盒狀圖有離散點表達，下面也因此運用對數求fit
可以看出，在時間方面，註冊使用者和非註冊使用者的使用時間有很大不同。

5-hour-regestered.png
5-hour-casual.png
4-boxplot-day.png

接下來用相關係數cor檢驗使用者，溫度，體感溫度，濕度，風速的關係。

相關係數：變數之間的線性關聯度量，檢驗不同資料的相關程度。
取值範圍[-1，1]，越接近0越不相關。

從運算結果可以看出，使用人群與風速呈負相關，比溫度影響還大。

cor.png

接下來就是將時間等因素用決策樹分類，然後用隨機森林來預測。隨機森林和決策樹的演算法。聽起來很高大上，其實現在也很常用了，所以一定要學會。

決策樹模型是 一種簡單易用的非參數分類器。它不需要對資料有任何的先驗假設，計算速度較快，結果容易解釋，而且穩健性強，不怕雜訊資料和缺失資料。
決策樹模型的基本計 算步驟如下：先從n個自變數中挑選一個，尋找最佳分割點，將資料劃分為兩組。針對分組後資料，將上述步驟重複下去，直到滿足某種條件。
在決策樹建模中需要解決的重要問題有三個：
如何選擇自變數
如何選擇分割點
確定停止劃分的條件

做出註冊使用者和小時的決策樹，

train$hour1<-as.integer(train$hour1)d<-rpart(registered~hour1,data=train)rpart.plot(d)

3-raprt-hour1.png

然後就是根據決策樹的結果手動分類，所以還滿占代碼的...

train$hour1<-as.integer(train$hour1)data$dp_reg=0data$dp_reg[data$hour1<7.5]=1data$dp_reg[data$hour1>=22]=2data$dp_reg[data$hour1>=9.5 & data$hour1<18]=3data$dp_reg[data$hour1>=7.5 & data$hour1<18]=4data$dp_reg[data$hour1>=8.5 & data$hour1<18]=5data$dp_reg[data$hour1>=20 & data$hour1<20]=6data$dp_reg[data$hour1>=18 & data$hour1<20]=7

同理，做出 （小時 | 溫度） X （註冊 | 隨意使用者） 等決策樹，繼續手動分類....

3-raprt-temp.png

年份月份，周末假日等手動分類

data$year_part=0data$month<-month(data$datatime)data$year_part[data$year==‘2011‘]=1data$year_part[data$year==‘2011‘ & data$month>3]=2data$year_part[data$year==‘2011‘ & data$month>6]=3data$year_part[data$year==‘2011‘ & data$month>9]=4

data$day_type=""data$day_type[data$holiday==0 & data$workingday==0]="weekend"data$day_type[data$holiday==1]="holiday"data$day_type[data$holiday==0 & data$workingday==1]="working day"data$weekend=0data$weekend[data$day=="Sunday"|data$day=="Saturday"]=1

接下來用隨機森林語句預測

在機器學習中，隨機森林是一個包含多個決策樹的分類器， 並且其輸出的類別是由個別樹輸出的類別的眾數而定。
隨機森林中的子樹的每一個分裂過程並未用到所有的待選特徵，而是從所有的待選特徵中隨機選取一定的特徵，再在其中選取最優的特徵。這樣決策樹都能夠彼此不同，提升系統的多樣性，從而提升分類效能。

ntree指定隨機森林所包含的決策樹數目，預設為500，通常在效能允許的情況下越大越好；
mtry指定節點中用於二叉樹的變數個數，預設情況下資料集變數個數的二次方根（分類模型）或三分之一（預測模型）。一般是需要進行人為的逐次挑選，確定最佳的m值—摘自datacruiser筆記。這裡我主要學習，所以雖然有10000多資料集，但也只定了500。就這500我的小電腦也跑了半天。

train<-dataset.seed(1234)train$logreg<-log(train$registered+1)test$logcas<-log(train$casual+1)fit1<-randomForest(logreg~hour1+workingday+day+holiday+day_type+temp_reg+humidity+atemp+windspeed+season+weather+dp_reg+weekend+year+year_part,train,importance=TRUE,ntree=250)pred1<-predict(fit1,train)train$logreg<-pred1

這裡不知道怎麼回事，我的day和day_part加進去就報錯，只有刪掉這兩個變數計算，還要研究修補。
然後用exp函數還原

train$registered<-exp(train$logreg)-1train$casual<-exp(train$logcas)-1train$count<-test$casual+train$registered

最後把20日後的日期截出來，寫入新的csv檔案上傳。

train2<-train[as.integer(day(data$datetime))>=20,]submit_final<-data.frame(datetime=test$datetime,count=test$count)write.csv(submit_final,"submit_final.csv",row.names=F)

大功告成！
github代碼加群

原來的樣本是煉數成金網站的kaggle課程第二節，基本按照視頻的思路。因為課程沒有原始碼，所以要自己修補運行完整。曆時兩三天總算把這個功課做完了。下面要修正的有：

好好理解三個知識點（lubridate包/POSIXlt，log線性，決策樹和隨機森林）；
用WOE和IV代替cor函數分析相關關係；
用其他圖形展現的手段分析
隨機樹變數重新測試

學習過程中遇到什麼問題或者想擷取學習資源的話，歡迎加入學習交流群
626062078，我們一起學Python！

完成了一個“浩大完整”的資料分析，還是很有成就感的！

Python大資料處理案例