Datawhale二手车预测Task

Task2

一、赛题的理解

• 确定问题的分类。是分类，回归，还是topk等问题
• 背景分析（赛题背景可能包含一些重要的隐藏信息，对数据的清洗有很大的帮助）
  • 对模型的性能要求
  • 判断某些值是否合理，异常值，
  • 是否遗漏了某些属性

二、数据的解析

1.载入数据

import pandas as pd
import numpy as numpy
import os

path='C:\\Users\\Aishuilife\\Desktop\\二手车\\data'

train_path=os.path.join(path,"used_car_train_20200313.csv")
test_path=os.path.join(path,"used_car_testA_20200313.csv")

Train_data=pd.read_csv(train_path,sep=" ")
Test_data=pd.read_csv(test_path,sep=" ")

print('Train data shape:',Train_data.shape)
print('TestA data shape:',Test_data.shape)

2.数据总体分析

1. 通过info()函数查看数据类型
2. 通过describe函数查看数据的相关统计量，对于数据分布进行初步了解

3.判断数据缺失和异常

1. #%%判断缺失值和异常值
   Train_data.isnull().sum()
   #%%
   Test_data.isnull().sum()
   
   #%%nan可视化
   missing=Train_data.isnull().sum();
   missing=missing[missing>0]
   missing.sort_values(inplace=True)
   missing.plot.bar()
   plt.show()

   

   #采样查看属性的缺省值
   msno.matrix(Train_data.sample(250))

   

通过以上两句可以很直观的了解哪些列存在 “nan”, 并可以把nan的个数打印，主要的目的在于 nan存在的个数是
否真的很大，如果很小一般选择填充，如果使用lgb等树模型可以直接空缺，让树自己去优化，但如果nan存在的
过多、可以考虑删掉

2.异常值

1. 通过info()函数可以查看属性得数值类型，可以发现notRepairedDamage 为object类型
2. 可以使用 value_counts() 函数 查看某一属性具体值得分布

Train_data['notRepairedDamage'].value_counts()

‘ - ’也为空缺值，因为很多模型对nan有直接的处理，这里我们先不做处理，先替换成nan

Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)

可以使用values_count 查看数据倾斜的程度

对于数据倾斜特别严重的属性可以直接删除

4.预测值的分布分析

import scipy.stats as st
y = Train_data['price']
plt.figure(1); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)

使用seaborn.displot()函数对预测值的分布进行拟合分析

价格不服从正态分布，所以在进行回归之前，它必须进行转换。虽然对数变换做得很好，但最佳拟合是无界约翰
逊分布
 

## 2) 查看skewness and kurtosis
sns.distplot(Train_data['price']);
print("Skewness: %f" % Train_data['price'].skew())
print("Kurtosis: %f" % Train_data['price'].kurt())

偏度是描述数据分布形态的统计量，其描述的是某总体取值分布的对称性，简单来说就是数据的不对称程度。

（1）Skewness = 0 ，分布形态与正态分布偏度相同。
（2）Skewness > 0 ，正偏差数值较大，为正偏或右偏。长尾巴拖在右边，数据右端有较多的极端值。
（3）Skewness < 0 ，负偏差数值较大，为负偏或左偏。长尾巴拖在左边，数据左端有较多的极端值。
（4）数值的绝对值越大，表明数据分布越不对称，偏斜程度大。

偏度是三阶中心距计算出来的| Skewness| 越大，分布形态偏移程度越大

峰度描述某变量所有取值分布形态陡缓程度的统计量，简单来说就是数据分布顶的尖锐程度。

（1）Kurtosis=0 与正态分布的陡缓程度相同。
（2）Kurtosis>0 比正态分布的高峰更加陡峭——尖顶峰
（3）Kurtosis<0 比正态分布的高峰来得平坦白——平顶峰

峰度是四阶标准矩计算出来的

sns.distplot(Train_data['price']);
print("Skewness: %f" % Train_data['price'].skew())
print("Kurtosis: %f" % Train_data['price'].kurt())
Train_data.skew(), Train_data.kurt()
#可视化偏度与峰度
sns.distplot(Train_data.skew(),color='blue',axlabel ='Skewness')
sns.distplot(Train_data.kurt(),color='orange',axlabel ='Kurtness')

## 3) 查看预测值的具体频数
plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red')
plt.show()

 

查看频数, 大于20000得值极少，其实这里也可以把这些当作特殊得值（异常值）直接用填充或者删掉
# log变换 z之后的分布较均匀，可以进行log变换进行预测，这也是预测问题常用的trick

 

5.特征分为类别特征和数字特征，并对类别特征查看unique分布

分离连续值和离散值，分别分析

#%%
# 分离label即预测值
Y_train = Train_data['price']
# 数字特征
numeric_features = Train_data.select_dtypes(include=[np.number])
numeric_features.columns
categorical_features =Train_data.select_dtypes(include=[np.object])
categorical_features.columns

特征nunique分布

# 特征nunique分布
for cat_fea in categorical_features:
    print(cat_fea + "的特征分布如下：")
    print("{}特征有个{}不同的值".format(cat_fea, Test_data[cat_fea].nunique()))
    print(Test_data[cat_fea].value_counts())

5.1数字特征分析

a.相关性分析

price_numeric = Train_data[numeric_features]
correlation = price_numeric.corr()
print(correlation['price'].sort_values(ascending = False),'\n')

可视化

f , ax = plt.subplots(figsize = (7, 7))
plt.title('Correlation of Numeric Features with Price',y=1,size=16)
sns.heatmap(correlation,square = True, vmax=0.8)

b.查看每个特征的偏度和峰度

for col in numeric_features:
    print('{:15}'.format(col),
    'Skewness: {:05.2f}'.format(Train_data[col].skew()) ,
    ' ' ,
    'Kurtosis: {:06.2f}'.format(Train_data[col].kurt())
    )

c.每个数字特征得分布可视化

pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
frame:要处理的数据集。也就是sql中的列转行，列转行则为pivot

id_vars:不需要被转换的列名。

value_vars:需要转换的列名，如果剩下的列全部都要转换，就不用写了。

var_name和value_name是自定义设置对应的列名。

col_level :如果列是MultiIndex，则使用此级别。
(原文链接：https://blog.csdn.net/maymay_/article/details/80039677)

转换后格式如下 

## 3) 每个数字特征得分布可视化
f = pd.melt(Train_data, value_vars=numeric_features)
g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False)
g = g.map(sns.distplot, "value")

## 4) 数字特征相互之间的关系可视化
sns.set()
columns = ['price', 'v_12', 'v_8' , 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14']
sns.pairplot(Train_data[columns],size = 2 ,kind ='scatter',diag_kind='kde')
plt.show()

d.类别特征箱型图

## 2) 类别特征箱形图可视化
# 因为 name和 regionCode的类别太稀疏了，这里我们把不稀疏的几类画一下
categorical_features = ['model',
'brand',
'bodyType',
'fuelType',
'gearbox',
'notRepairedDamage']
for c in categorical_features:
    Train_data[c] = Train_data[c].astype('category')
    if Train_data[c].isnull().any():
        Train_data[c] = Train_data[c].cat.add_categories(['MISSING'])
        Train_data[c] = Train_data[c].fillna('MISSING')
def boxplot(x, y, **kwargs):
    sns.boxplot(x=x, y=y)
    x=plt.xticks(rotation=90)
    f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
    g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)
    g = g.map(boxplot, "value", "price")

## 4) 类别特征的柱形图可视化
def bar_plot(x, y, **kwargs):
sns.barplot(x=x, y=y)
x=plt.xticks(rotation=90)
f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(bar_plot, "value", "p

## 5) 类别特征的每个类别频数可视化(count_plot)
def count_plot(x, **kwargs):
sns.countplot(x=x)
x=plt.xticks(rotation=90)
f = pd.melt(Train_data, value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(count_plot, "value")

6.用pandas_profiling生成数据报告

import pandas_profiling
pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file("./example.html")

7.总结

对于数据的初步分析（直接查看数据，或.sum(), .mean()，.descirbe()等统计函数）可以从：样本数量，训
练集数量，是否有时间特征，是否是时许问题，特征所表示的含义（非匿名特征），特征类型（字符类似，
int，float，time），特征的缺失情况（注意缺失的在数据中的表现形式，有些是空的有些是”NAN”符号
等），特征的均值方差情况。
2. 分析记录某些特征值缺失占比30%以上样本的缺失处理，有助于后续的模型验证和调节，分析特征应该是填
充（填充方式是什么，均值填充，0填充，众数填充等），还是舍去，还是先做样本分类用不同的特征模型
去预测。
3. 对于异常值做专门的分析，分析特征异常的label是否为异常值（或者偏离均值较远或者事特殊符号）,异常值
是否应该剔除，还是用正常值填充，是记录异常，还是机器本身异常等。
4. 对于Label做专门的分析，分析标签的分布情况等。
5. 进步分析可以通过对特征作图，特征和label联合做图（统计图，离散图），直观了解特征的分布情况，通过
这一步也可以发现数据之中的一些异常值等，通过箱型图分析一些特征值的偏离情况，对于特征和特征联合
作图，对于特征和label联合作图，分析其中的一些关联性