當(dāng)前位置：首頁 > 编程语言 > python >内容正文

python

《python数据分析与挖掘》-步骤

發(fā)布時間：2023/12/15 python 28 豆豆

生活随笔收集整理的這篇文章主要介紹了《python数据分析与挖掘》-步骤小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

第3章數(shù)據(jù)探索（重要）

數(shù)據(jù)質(zhì)量分析

是數(shù)據(jù)預(yù)處理的前提，是數(shù)據(jù)挖掘分析結(jié)論有效性和準(zhǔn)確性的基礎(chǔ)，其主要任務(wù)是檢查原始數(shù)據(jù)中是否存在臟數(shù)據(jù)，臟數(shù)據(jù)包括：

????缺失值

????異常值

????不一致的值

????重復(fù)數(shù)據(jù)及含有特殊符號（如#、￥、*）的數(shù)據(jù)

本小節(jié)將主要對數(shù)據(jù)中的缺失值、異常值和一致性進(jìn)行分析。

缺失值統(tǒng)計分析

統(tǒng)計缺失值的變量個數(shù)

統(tǒng)計每個變量的未缺失數(shù)

統(tǒng)計變量的缺失數(shù)及缺失率

異常值統(tǒng)計分析-箱型圖代碼

異常值分析是檢驗(yàn)數(shù)據(jù)是否有錄入錯誤以及含有不合常理的數(shù)據(jù)。

異常值是指樣本中的個別值，其數(shù)值明顯偏離其余的觀測值。異常值也稱為離群點(diǎn)，異常值的分析也稱為離群點(diǎn)的分析。

異常值分析方法主要有：簡單統(tǒng)計量分析、3 ???原則、箱型圖分析。

import pandas as pd
data = pd.read_excel('../data/catering_sale.xls', index_col = u'日期') #讀取數(shù)據(jù)，指定“日期”列為索引列

import matplotlib.pyplot as plt #導(dǎo)入圖像庫
plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標(biāo)簽
plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負(fù)號

plt.figure() #建立圖像
p = data.boxplot(return_type='dict')#p['fliers'][0].get不會報錯
#p = data.boxplot() #畫箱線圖，直接使用pd的DataFrame的方法
x = p['fliers'][0].get_xdata() # 'flies'即為異常值的標(biāo)簽
y = p['fliers'][0].get_ydata()
y.sort() #從小到大排序，該方法直接改變原對象

#用annotate添加注釋
#其中有些相近的點(diǎn)，注解會出現(xiàn)重疊，難以看清，需要一些技巧來控制。
#以下參數(shù)都是經(jīng)過調(diào)試的，需要具體問題具體調(diào)試。
for i in range(len(x)):
??if i>0:
????plt.annotate(y[i], xy = (x[i],y[i]), xytext=(x[i]+0.05 -0.8/(y[i]-y[i-1]),y[i]))
??else:
????plt.annotate(y[i], xy = (x[i],y[i]), xytext=(x[i]+0.08,y[i]))
plt.show() #展示箱線圖

一致性分析

數(shù)據(jù)不一致性是指數(shù)據(jù)的矛盾性、不相容性。直接對不一致的數(shù)據(jù)進(jìn)行挖掘，可能會產(chǎn)生與實(shí)際相違背的挖掘結(jié)果。

在數(shù)據(jù)挖掘過程中，不一致數(shù)據(jù)的產(chǎn)生主要發(fā)生在數(shù)據(jù)集成的過程中，可能是由于被挖掘數(shù)據(jù)是來自于從不同的數(shù)據(jù)源、重復(fù)存放的數(shù)據(jù)未能進(jìn)行一致性地更新造成的，比如兩張表中都存儲了用戶的地址，在用戶的地址發(fā)生改變時，如果只更新了一張表中的數(shù)據(jù)，那么這兩張表中就有了不一致的數(shù)據(jù)。

數(shù)據(jù)特征分析

一般可通過繪制圖表、計算某些特征量等手段進(jìn)行數(shù)據(jù)的特征分析。

這里主要介紹的特征方法有：

分布分析-統(tǒng)計函數(shù)describe

分布分析能揭示數(shù)據(jù)的分布特征和分布類型，便于發(fā)現(xiàn)某些特大或特小的可疑值。

對于定性分類數(shù)據(jù)，可用餅圖和條形圖直觀地顯示分布情況。

對于定量變量而言，欲了解其分布形式，是對稱的、還是非對稱的，可做出頻率分布表、繪制頻率分布直方圖、繪制莖葉圖進(jìn)行直觀地分析；

定量變量做頻率分布分析時選擇“組數(shù)”和“組寬”是主要的問題，一般按照以下步驟：

求極差2決定組距與組數(shù)3決定分點(diǎn)4列出頻率分布表5繪制頻率分布直方圖

1各組之間必須是相互排斥的

2各組必須將所有的數(shù)據(jù)包含在內(nèi)

3各組的組寬最好相等
catering_sale = '../data/catering_sale.xls' #餐飲數(shù)據(jù)
data = pd.read_excel(catering_sale, index_col = u'日期') #讀取數(shù)據(jù)，指定“日期”列為索引列
data = data[(data[u'銷量'] > 400)&(data[u'銷量'] < 5000)] #過濾異常數(shù)據(jù)
statistics = data.describe() #保存基本統(tǒng)計量

statistics.loc['range'] = statistics.loc['max']-statistics.loc['min'] #極差
statistics.loc['var'] = statistics.loc['std']/statistics.loc['mean'] #變異系數(shù)
statistics.loc['dis'] = statistics.loc['75%']-statistics.loc['25%'] #四分位數(shù)間距
print(statistics)

對比分析

對比分析是指把兩個相互聯(lián)系的指標(biāo)數(shù)據(jù)進(jìn)行比較，從數(shù)量上展示和說明研究對象規(guī)模的大小，水平的高低，速度的快慢，以及各種關(guān)系是否協(xié)調(diào)。特別適用于指標(biāo)間的橫縱向比較、時間序列的比較分析。在對比分析中，選擇合適的對比標(biāo)準(zhǔn)是十分關(guān)鍵的步驟，選擇得合適，才能做出客觀的評價，選擇不合適，評價可能得出錯誤的結(jié)論。

對比分析主要有以下兩種形式：

第一種:絕對數(shù)比較

第二種:相對數(shù)比較

???????1)結(jié)構(gòu)相對數(shù) ????????????????????????????????4)強(qiáng)度相對數(shù)

???????2)比例相對數(shù) ????????????????????????????????5)計劃完成程度相對數(shù)

???????3)比較相對數(shù) ????????????????????????????????6)動態(tài)相對數(shù)

統(tǒng)計量分析

用統(tǒng)計指標(biāo)對定量數(shù)據(jù)進(jìn)行統(tǒng)計描述，常從集中趨勢和離中趨勢兩個方面進(jìn)行分析。

平均水平的指標(biāo)是對個體集中趨勢的度量，使用最廣泛的是均值和中位數(shù)；反映變異程度的指標(biāo)則是對個體離開平均水平的度量，使用較廣泛的是標(biāo)準(zhǔn)差（方差）、四分位間距。

集中趨勢度量主要有：均值、中位數(shù)、眾數(shù)

離中趨勢度量主要有：極差、標(biāo)準(zhǔn)差、變異系數(shù)

周期性分析

周期性分析是探索某個變量是否隨著時間變化而呈現(xiàn)出某種周期變化趨勢。周期性趨勢相對較長的有年度周期性趨勢、季節(jié)性周期趨勢，相對較短的一般有月度周期性趨勢、周度周期性趨勢，甚至更短的天、小時周期性趨勢。

如在做某用電單位用電量趨勢預(yù)測過程中，可以先分析該用電單位日用電量的時序圖，來直觀地估計其用電量變化趨勢。

貢獻(xiàn)度分析-帕累托分析

貢獻(xiàn)度分析又稱帕累托分析，帕累托法則又稱20/80定律。同樣的投入放在不同的地方會產(chǎn)生不同的效益。比如對一個公司來講，80%的利潤常常來自于20%最暢銷的產(chǎn)品；而其他80%的產(chǎn)品只產(chǎn)生了20%的利潤。貢獻(xiàn)度分析要求我們抓住問題的重點(diǎn)，找到那最有效的20%的熱銷產(chǎn)品、渠道或者銷售人員，在最有效的20%上投入更多資源，盡量減少浪費(fèi)在80%低效的地方。

菜品盈利數(shù)據(jù) 帕累托圖

#初始化參數(shù)
dish_profit = '../data/catering_dish_profit.xls' #餐飲菜品盈利數(shù)據(jù)
data = pd.read_excel(dish_profit, index_col = u'菜品名')
data = data[u'盈利'].copy()
plt.figure()
data.plot(kind='bar')
plt.ylabel(u'盈利（元）')
p = 1.0*data.cumsum()/data.sum()
p.plot(color = 'r', secondary_y = True, style = '-o',linewidth = 2)#secondary_y數(shù)軸說明在右邊
plt.annotate(format(p[6], '.4%'), xy = (6, p[6]), xytext=(6*0.9, p[6]*0.9), arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) #添加注釋，即85%處的標(biāo)記。這里包括了指定箭頭樣式。
plt.ylabel(u'盈利（比例）')
plt.show()

#小知識cumsum
a = np.array([[1,2,3], [4,5,6]])
np.cumsum(a,axis=0) ?????# sum over rows for each of the 3 columns
np.cumsum(a,axis=1) ?# sum over rows for each of the 3 行

就餐飲企業(yè)來講，可以重點(diǎn)改善盈利最高的80%的菜品，或者重點(diǎn)發(fā)展綜合影響最高的80%的部門。這種結(jié)果可以通過帕累托分析直觀的呈現(xiàn)出來，如下圖：

統(tǒng)計特征函數(shù)

Mean（）Geomean（）幾何平均數(shù)，Var，std，corr，cov。Moment中心距

第4章-數(shù)據(jù)預(yù)處理

一、數(shù)據(jù)清洗

數(shù)據(jù)清洗主要是刪除原始數(shù)據(jù)集中的無關(guān)數(shù)據(jù)、重復(fù)數(shù)據(jù)，平滑噪聲數(shù)據(jù)，處理缺失值、異常值等。

1刪除無關(guān)重復(fù)值

2平滑噪聲

3異常值處理

(1)刪除有異常值的記錄 (2)視為缺失值 (3)平均值修正 (4)不處理
要分析異常值的原因，再決定取舍。

4缺失值處理

方法可分為三類：刪除記錄、數(shù)據(jù)插補(bǔ)和不處理。

常用的數(shù)據(jù)插補(bǔ)方法：均值/中位數(shù)/眾數(shù)，固定值，最近鄰插補(bǔ)，回歸方法，插值

插值方法：有Hermite插值、分段插值、樣條插值法，而最主要的有拉格朗日插值法和牛頓插值法。

拉格朗日插值法代碼?ployinterp_column

拉格朗日插值法可以找到一個多項式，其恰好在各個觀測的點(diǎn)取到觀測到的值。這樣的多項式稱為拉格朗日（插值）多項式
from scipy.interpolate import lagrange #導(dǎo)入拉格朗日插值函數(shù)
inputfile = '../data/catering_sale.xls' #銷量數(shù)據(jù)路徑
outputfile = '../tmp/sales.xls' #輸出數(shù)據(jù)路徑
data = pd.read_excel(inputfile) #讀入數(shù)據(jù)
data[u'銷量'][(data[u'銷量'] < 400) | (data[u'銷量'] > 5000)] = None #過濾異常值，將其變?yōu)榭罩?/span>

#自定義列向量插值函數(shù)
#s為列向量，n為被插值的位置，k為取前后的數(shù)據(jù)個數(shù)，默認(rèn)為5
def ployinterp_column(s, n, k=5):
??y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取數(shù)
??y = y[y.notnull()] #剔除空值
??return lagrange(y.index, list(y))(n) #插值并返回插值結(jié)果
#逐個元素判斷是否需要插值
for i in data.columns:
??for j in range(len(data)):
????if (data[i].isnull())[j]: #如果為空即插值。
??????data[i][j] = ployinterp_column(data[i], j)

data.to_excel(outputfile) #輸出結(jié)果，寫入文件

二、數(shù)據(jù)集成：實(shí)體識別，冗余屬性識別

將多個數(shù)據(jù)源放在一個統(tǒng)一的數(shù)據(jù)倉庫中。

要考慮實(shí)體識別問題和屬性冗余問題，從而把源數(shù)據(jù)在最低層上加以轉(zhuǎn)換、提煉和集成。

1.實(shí)體識別

實(shí)體識別的任務(wù)是檢測和解決同名異義、異名同義、單位不統(tǒng)一的沖突。如：

同名異義：數(shù)據(jù)源A中的屬性ID和數(shù)據(jù)源B中的屬性ID分別描述的是菜品編號和訂單編號，即描述的是不同的實(shí)體。

異名同義：數(shù)據(jù)源A中的sales_dt和數(shù)據(jù)源B中的sales_date都是是描述銷售日期的，即A. sales_dt= B. sales_date。

單位不統(tǒng)一：描述同一個實(shí)體分別用的是國際單位和中國傳統(tǒng)的計量單位。

2.冗余屬性識別

數(shù)據(jù)集成往往導(dǎo)致數(shù)據(jù)冗余，如：同一屬性多次出現(xiàn)\同一屬性命名不一致導(dǎo)致重復(fù)

不同源數(shù)據(jù)的仔細(xì)整合能減少甚至避免數(shù)據(jù)冗余與不一致，以提高數(shù)據(jù)挖掘的速度和質(zhì)量。對于冗余屬性要先分析檢測到后再將其刪除。

有些冗余屬性可以用相關(guān)分析檢測到。給定兩個數(shù)值型的屬性A和B，根據(jù)其屬性值，可以用相關(guān)系數(shù)度量一個屬性在多大程度上蘊(yùn)含另一個屬性。

一、數(shù)據(jù)變換：簡單函數(shù)變換，規(guī)范化，離散化

主要是對數(shù)據(jù)進(jìn)行規(guī)范化的操作，將數(shù)據(jù)轉(zhuǎn)換成“適當(dāng)?shù)摹备袷?#xff0c;以適用于挖掘任務(wù)及算法的需要。

1.簡單函數(shù)變換

簡單函數(shù)變換就是對原始數(shù)據(jù)進(jìn)行某些數(shù)學(xué)函數(shù)變換，常用的函數(shù)變換包括平方、開方、對數(shù)、差分運(yùn)算等

用來將不具有正太分布的數(shù)據(jù)變換成具有正太性的數(shù)據(jù)。
時間序列分析中，對數(shù)變換或者差分運(yùn)算可以將非平穩(wěn)序列轉(zhuǎn)換為平穩(wěn)序列

2.規(guī)范化?

數(shù)據(jù)標(biāo)準(zhǔn)化（歸一化）處理是數(shù)據(jù)挖掘的一項基礎(chǔ)工作，不同評價指標(biāo)往往具有不同的量綱和量綱單位，數(shù)值間的差別可能很大
消除指標(biāo)間量綱影響

最小-最大規(guī)范化：也稱為離差標(biāo)準(zhǔn)化是對原始數(shù)據(jù)的線性變換，使結(jié)果值映射到[0,1]之間

零-均值規(guī)范化:也叫標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，經(jīng)過處理的數(shù)據(jù)的平均數(shù)為0標(biāo)準(zhǔn)差為1

小數(shù)定標(biāo)規(guī)范化:通過移動屬性值的小數(shù)位數(shù)，將屬性值映射到[-1，1]之間，移動的小數(shù)位數(shù)取決于屬性值絕對值的最大值。

datafile?= '../data/normalization_data.xls' #參數(shù)初始化
data = pd.read_excel(datafile, header = None) #讀取數(shù)據(jù)

(data - data.min())/(data.max() - data.min()) #最小-最大規(guī)范化
(data - data.mean())/data.std() #零-均值規(guī)范化，data.mean(axis = 0)按照列

data/10**np.ceil(np.log10(data.abs().max())) #小數(shù)定標(biāo)規(guī)范化

1.?連續(xù)屬性離散化?

一些數(shù)據(jù)挖掘算法，特別是某些分類算法，要求數(shù)據(jù)是分類屬性形式，如ID3算法、Apriori算法等。這樣，常常需要將連續(xù)屬性變換成分類屬性，即連續(xù)屬性離散化。

離散化性涉及兩個子任務(wù)：1需要多少個分類變量2確定如何將連續(xù)屬性值映射到這些分類值。

常用的離散化方法?
(1)等寬法
(2)等頻法
(3)基于聚類分析的方法

#數(shù)據(jù)規(guī)范化：離散化cut,KMeans
datafile = '../data/discretization_data.xls' #參數(shù)初始化
data = pd.read_excel(datafile) #讀取數(shù)據(jù)
data = data[u'肝氣郁結(jié)證型系數(shù)'].copy()
k = 4
# 等寬離散化，各個類比依次命名為0,1,2,3
d1 = pd.cut(data, k, labels = range(k))
#等頻率離散化
w = [1.0*i/k for i in range(k+1)]
w = data.describe(percentiles = w)[4:4+k+1] #使用describe函數(shù)自動計算分位數(shù)
w[0] = w[0]*(1-1e-10)
d2 = pd.cut(data, w, labels = range(k))
#聚類分類
from sklearn.cluster import KMeans #引入KMeans
kmodel = KMeans(n_clusters = k, n_jobs = 4) #建立模型，n_jobs是并行數(shù)，一般等于CPU數(shù)較好
kmodel.fit(data.reshape((len(data), 1))) #訓(xùn)練模型
c = pd.DataFrame(kmodel.cluster_centers_).sort_values(by=[0]) #.sort()#輸出聚類中心，并且排序（默認(rèn)是隨機(jī)序的）
w = pd.rolling_mean(c, 2).iloc[1:] #相鄰兩項求中點(diǎn)，作為邊界點(diǎn)
w = [0] + list(w[0]) + [data.max()] #把首末邊界點(diǎn)加上
d3 = pd.cut(data, w, labels = range(k))

def cluster_plot(d, k): #自定義作圖函數(shù)來顯示聚類結(jié)果
??import matplotlib.pyplot as plt
??plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標(biāo)簽
??plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負(fù)號
??
??plt.figure(figsize = (8, 3))
??for j in range(0, k):
????plt.plot(data[d==j], [j for i in d[d==j]], 'o')
??
??plt.ylim(-0.5, k-0.5)
??return plt

cluster_plot(d1, k).show()
cluster_plot(d2, k).show()
cluster_plot(d3, k).show()

4.?屬性構(gòu)造 -構(gòu)造新的屬性

#新屬性構(gòu)造-輸出到excel
inputfile= '../data/electricity_data.xls' #供入供出電量數(shù)據(jù)
outputfile = '../tmp/electricity_data.xls' #屬性構(gòu)造后數(shù)據(jù)文件
data = pd.read_excel(inputfile) #讀入數(shù)據(jù)
data[u'線損率'] = (data[u'供入電量'] - data[u'供出電量'])/data[u'供入電量']
data.to_excel(outputfile, index = False) #保存結(jié)果

5.?小波變換代碼

非平穩(wěn)序列的分析手段。
基于小波變換的特征提取方法：
(1)基于小波變換的多尺度空間能量分布特征提取法
(2)基于小波變換的多尺度空間的模極大特征值提取法
(3)基于小波變換的特征提取方法
(4)基于適應(yīng)性小波神經(jīng)網(wǎng)絡(luò)的特征提取方法

inputfile= '../data/leleccum.mat' #提取自Matlab的信號文件
from scipy.io import loadmat #mat是MATLAB專用格式，需要用loadmat讀取它
mat = loadmat(inputfile)
signal = mat['leleccum'][0]

import pywt #導(dǎo)入PyWavelets
coeffs = pywt.wavedec(signal, 'bior3.7', level = 5)
#返回結(jié)果為level+1個數(shù)字，第一個數(shù)組為逼近系數(shù)數(shù)組，后面的依次是細(xì)節(jié)系數(shù)數(shù)組

二、數(shù)據(jù)規(guī)約

數(shù)據(jù)規(guī)約是將海量數(shù)據(jù)進(jìn)行規(guī)約，規(guī)約之后的數(shù)據(jù)仍接近于保持原數(shù)據(jù)的完整性，但數(shù)據(jù)量小得多。

通過數(shù)據(jù)規(guī)約，可以達(dá)到：

降低無效、錯誤數(shù)據(jù)對建模的影響，提高建模的準(zhǔn)確性

少量且具代表性的數(shù)據(jù)將大幅縮減數(shù)據(jù)挖掘所需的時間

降低儲存數(shù)據(jù)的成本。

1.屬性規(guī)約常用方法：

1.合并屬性2逐步向前選擇3逐步向后刪除4決策樹規(guī)約

5主成分分析降維代碼

1數(shù)據(jù)矩陣2將數(shù)據(jù)矩陣中心標(biāo)準(zhǔn)化3求相關(guān)系數(shù)矩陣4求R的特征方程5確定主成分個數(shù)

6計算m個相應(yīng)的單位特征向量7計算主成分

inputfile = '../data/principal_component.xls'
outputfile = '../tmp/dimention_reducted.xls' #降維后的數(shù)據(jù)
data = pd.read_excel(inputfile, header = None) #讀入數(shù)據(jù)

from sklearn.decomposition import PCA
pca = PCA()
pca.fit(data)
pca.components_ #返回模型的各個特征向量
pca.explained_variance_ratio_ #返回各個成分各自的方差百分比

三維

pca=PCA(3)

pca.fit(data)

low_d=pca.transform(data)#降維

pd.DataFrame(low_d).to_excel(outputfile)

pca.inverse_transform(low_d)

2數(shù)值規(guī)約：分箱，回歸，聚類，卡方檢驗(yàn)，決策樹

通過選擇替代的、較小的數(shù)據(jù)來減少數(shù)據(jù)量，包含有參數(shù)方法和無參數(shù)方法兩類；有參數(shù)方法使用模型評估數(shù)據(jù)，不需要存放真實(shí)數(shù)據(jù)，只需要存放參數(shù)，例如回歸、對數(shù)線性模型。

無參數(shù)需要數(shù)據(jù)，例如直方圖、聚類、抽樣。

五、常用數(shù)據(jù)預(yù)處理函數(shù)

1.interpolate:一維，高維數(shù)據(jù)插值
f.scipy.interpolate.lagrange(x,y)
2.unique：去除重復(fù)元素
np.unique(D)
D.unique( ）

import pandas as pd
import numpy as np
D=pd.Series([1,1,2,3,5])
d1=D.unique()
d2=np.unique(D)
print "d1 is:\n",d1
print "d2 is:\n",d2

3.isnull/notnull：判斷空值/非空值
4.random：生成隨機(jī)矩陣
k x m x n維0-1之間；
np.random.rand(k,m,n…)
k x m x n維，正態(tài)分布；
np.random.randn(k,m,n)
5.PCA：主成分分析

第5章：挖掘建模

cmplot混淆矩陣，看spe，

# -*- coding: utf-8 -*-
def cm_plot(y, yp):
??from sklearn.metrics import confusion_matrix ?# 導(dǎo)入混淆矩陣函數(shù)
??cm = confusion_matrix(y, yp) ?# 混淆矩陣

??import matplotlib.pyplot as plt ?# 導(dǎo)入作圖庫
??plt.matshow(cm, cmap=plt.cm.Greens) ?# 畫混淆矩陣圖，配色風(fēng)格使用cm.Greens，更多風(fēng)格請參考官網(wǎng)。
??plt.colorbar() ?# 顏色標(biāo)簽

??for x in range(len(cm)): ?# 數(shù)據(jù)標(biāo)簽
????for y in range(len(cm)):
??????plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')

??plt.ylabel('True label') ?# 坐標(biāo)軸標(biāo)簽
??plt.xlabel('Predicted label') ?# 坐標(biāo)軸標(biāo)簽
??return plt

1分類與預(yù)測

算法與模型

算法：回歸分析（logistics，LDA），決策樹，神經(jīng)網(wǎng)絡(luò)，貝葉斯，svm，隨機(jī)森林

常用回歸模型：邏輯回歸，（非）線性回歸，嶺回歸，主成分回歸， logistics回歸

1、邏輯回歸

#-*- coding: utf-8 -*-
#邏輯回歸自動建模
import pandas as pd

#參數(shù)初始化
filename = '../data/bankloan.xls'
data = pd.read_excel(filename)
x = data.iloc[:,:8].as_matrix()
y = data.iloc[:,8].as_matrix()

from sklearn.linear_model import LogisticRegression as LR
from sklearn.linear_model import RandomizedLogisticRegression as RLR
rlr = RLR() #建立隨機(jī)邏輯回歸模型，篩選變量
rlr.fit(x, y) #訓(xùn)練模型
rlr.get_support() #獲取特征篩選結(jié)果，也可以通過.scores_方法獲取各個特征的分?jǐn)?shù)
print(u'通過隨機(jī)邏輯回歸模型篩選特征結(jié)束。')
print(u'有效特征為：%s' % ','.join(data.columns[rlr.get_support()]))
x = data[data.columns[rlr.get_support()]].as_matrix() #篩選好特征

lr = LR() #建立邏輯貨柜模型
lr.fit(x, y) #用篩選后的特征數(shù)據(jù)來訓(xùn)練模型
print(u'邏輯回歸模型訓(xùn)練結(jié)束。')
print(u'模型的平均正確率為：%s' % lr.score(x, y)) #給出模型的平均正確率，本例為81.4%

Scikit-learn提供了RFE包，用于特征消除，還提供了RFECV通過交叉驗(yàn)證進(jìn)行特征排序

2、決策樹ID3,C4.5，CART

ID3決策樹

ID3算法是一種基于信息熵的決策樹分類算法，它選擇當(dāng)前樣本集中具有最大信息增益值的屬性作為測試屬性選擇增益最大

#-*- coding: utf-8 -*-
#使用ID3決策樹算法預(yù)測銷量高低
import pandas as pd

#參數(shù)初始化
inputfile = '../data/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序號') #導(dǎo)入數(shù)據(jù)

#數(shù)據(jù)是類別標(biāo)簽，要將它轉(zhuǎn)換為數(shù)據(jù)
#用1來表示“好”、“是”、“高”這三個屬性，用-1來表示“壞”、“否”、“低”
data[data == u'好'] = 1
data[data == u'是'] = 1
data[data == u'高'] = 1
data[data != 1] = -1
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)

from sklearn.tree import DecisionTreeClassifier as DTC
dtc = DTC(criterion='entropy') #建立決策樹模型，基于信息熵
dtc.fit(x, y) #訓(xùn)練模型

#導(dǎo)入相關(guān)函數(shù)，可視化決策樹。
#導(dǎo)出的結(jié)果是一個dot文件，需要安裝Graphviz才能將它轉(zhuǎn)換為pdf或png等格式。
from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO
with open("tree.dot", 'w') as f:
??f = export_graphviz(dtc, feature_names = x.columns, out_file = f)

圖2

CART決策樹模型

#-*- coding: utf-8 -*-
#構(gòu)建并測試CART決策樹模型

import pandas as pd #導(dǎo)入數(shù)據(jù)分析庫
from random import shuffle #導(dǎo)入隨機(jī)函數(shù)shuffle，用來打算數(shù)據(jù)

datafile = '../data/model.xls' #數(shù)據(jù)名
data = pd.read_excel(datafile) #讀取數(shù)據(jù)，數(shù)據(jù)的前三列是特征，第四列是標(biāo)簽
data = data.as_matrix() #將表格轉(zhuǎn)換為矩陣
shuffle(data) #隨機(jī)打亂數(shù)據(jù)

p = 0.8 #設(shè)置訓(xùn)練數(shù)據(jù)比例
train = data[:int(len(data)*p),:] #前80%為訓(xùn)練集
test = data[int(len(data)*p):,:] #后20%為測試集

#構(gòu)建CART決策樹模型
from sklearn.tree import DecisionTreeClassifier #導(dǎo)入決策樹模型

treefile = '../tmp/tree.pkl' #模型輸出名字
tree = DecisionTreeClassifier() #建立決策樹模型
tree.fit(train[:,:3], train[:,3]) #訓(xùn)練

#保存模型
from sklearn.externals import joblib
joblib.dump(tree, treefile)

from cm_plot import * #導(dǎo)入自行編寫的混淆矩陣可視化函數(shù)
cm_plot(train[:,3], tree.predict(train[:,:3])).show() #顯示混淆矩陣可視化結(jié)果
#注意到Scikit-Learn使用predict方法直接給出預(yù)測結(jié)果。

from sklearn.metrics import roc_curve #導(dǎo)入ROC曲線函數(shù)

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曲線
plt.xlabel('False Positive Rate') #坐標(biāo)軸標(biāo)簽
plt.ylabel('True Positive Rate') #坐標(biāo)軸標(biāo)簽
plt.ylim(0,1.05) #邊界范圍
plt.xlim(0,1.05) #邊界范圍
plt.legend(loc=4) #圖例
plt.show() #顯示作圖結(jié)果

3、人工神經(jīng)網(wǎng)絡(luò)BP\LM\RBF\FNN\GMDH\ANFIS

#-*- coding: utf-8 -*-
#使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測銷量高低，用sales_data.xls
from keras.models import Sequential
from keras.layers.core import Dense, Activation

model = Sequential() #建立模型
model.add(Dense(10,input_dim=3)) ?#三個輸入，10個隱藏，1一個輸出
model.add(Activation('relu')) #用relu函數(shù)作為激活函數(shù)，能夠大幅提供準(zhǔn)確度
model.add(Dense(1,input_dim=10))
model.add(Activation('sigmoid')) #由于是0-1輸出，用sigmoid函數(shù)作為激活函數(shù)

model.compile(loss = 'binary_crossentropy', optimizer = 'adam')#?class_mode = 'binary'
#編譯模型。由于我們做的是二元分類，所以我們指定損失函數(shù)為binary_crossentropy，以及模式為binary
#另外常見的損失函數(shù)還有mean_squared_error、categorical_crossentropy等，請閱讀幫助文件。
#求解方法我們指定用adam，還有sgd、rmsprop等可選

model.fit(x, y, epochs = 1000, batch_size = 10) #訓(xùn)練模型，學(xué)習(xí)一千次,x訓(xùn)練失敗？
yp = model.predict_classes(x).reshape(len(y)) #分類預(yù)測

from cm_plot import * #導(dǎo)入自行編寫的混淆矩陣可視化函數(shù)
cm_plot(y,yp).show() #顯示混淆矩陣可視化結(jié)果

2聚類分析：

劃分方法（常用：kmean算法，k中心點(diǎn)），系統(tǒng)聚類，層次聚類，譜聚類，基于密度/網(wǎng)格/模型的聚類，均值漂移聚類：用scikit-learn，spicy.cluster也有很多

kmeans聚類算法過程：

1）從N個樣本數(shù)據(jù)中隨機(jī)選取K個對象作為初始的聚類中心；

2）分別計算每個樣本到各個聚類中心的距離，將對象分配到距離最近的聚類中；

3）所有對象分配完成后，重新計算K個聚類的中心；

4）與前一次計算得到的K個聚類中心比較，如果聚類中心發(fā)生變化，轉(zhuǎn)2)，否則轉(zhuǎn)5)；

5）當(dāng)質(zhì)心不發(fā)生變化時停止并輸出聚類結(jié)果。

（連續(xù)屬性：度量樣本之間的相似性最常用的是歐幾里得距離、曼哈頓距離和閔可夫斯基距離， 文檔數(shù)據(jù)：使用余弦相似性度量，先將文檔數(shù)據(jù)整理成文檔—詞矩陣格式）

誤差平方和SSE

???????????

import pandas as pd

#參數(shù)初始化
inputfile = '../data/consumption_data.xls' #銷量及其他屬性數(shù)據(jù)
outputfile = '../tmp/data_type.xls' #保存結(jié)果的文件名
k = 3 #聚類的類別
iteration = 500 #聚類最大循環(huán)次數(shù)
data = pd.read_excel(inputfile, index_col = 'Id') #讀取數(shù)據(jù)
data_zs = 1.0*(data - data.mean())/data.std() #數(shù)據(jù)標(biāo)準(zhǔn)化

from sklearn.cluster import KMeans
if __name__=='__main__':#加入此行代碼即可
????model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分為k類，并發(fā)數(shù)4
????model.fit(data_zs) #開始聚類, you must protect your main loop using "if __name__ == '__main__'".

#簡單打印結(jié)果
r1 = pd.Series(model.labels_).value_counts() #統(tǒng)計各個類別的數(shù)目
r2 = pd.DataFrame(model.cluster_centers_) #找出聚類中心
r = pd.concat([r2, r1], axis = 1) #橫向連接（0是縱向），得到聚類中心對應(yīng)的類別下的數(shù)目
r.columns = list(data.columns) + [u'類別數(shù)目'] #重命名表頭
print(r)

#詳細(xì)輸出原始數(shù)據(jù)及其類別
r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1) ?#詳細(xì)輸出每個樣本對應(yīng)的類別
r.columns = list(data.columns) + [u'聚類類別'] #重命名表頭
r.to_excel(outputfile) #保存結(jié)果

繪制聚類后的概率密度圖

def density_plot(data): #自定義作圖函數(shù)
??p = data.plot(kind='kde', linewidth = 2, subplots = True, sharex = False)
??[p[i].set_ylabel(u'密度') for i in range(k)]
??plt.legend()
??return plt

pic_output = '../tmp/pd_' #概率密度圖文件名前綴
for i in range(k):
??density_plot(data[r[u'聚類類別']==i]).savefig(u'%s%s.png' %(pic_output, i))

？

for i in range(len(data.iloc[0])):#逐列作圖
??(data.iloc[:,i]).plot(kind='kde', linewidth=2, label=data.columns[i])

聚類后算法評價

Purity評價法：正確聚類占總數(shù)比例

RI評價

F值評價

聚類可視化TSNE

#接kmeans.py

from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

tsne = TSNE()
tsne.fit_transform(data_zs) #進(jìn)行數(shù)據(jù)降維
tsne = pd.DataFrame(tsne.embedding_, index = data_zs.index) #轉(zhuǎn)換數(shù)據(jù)格式

#不同類別用不同顏色和樣式繪圖
d = tsne[r[u'聚類類別'] == 0] ?#a=r[u'聚類類別'] == 0,dtype('bool'),r:oject,r.columns:Index([u'R', u'F', u'M', u'聚類類別'], dtype='object')
plt.plot(d[0], d[1], 'r.')
d = tsne[r[u'聚類類別'] == 1]
plt.plot(d[0], d[1], 'go')
d = tsne[r[u'聚類類別'] == 2]
plt.plot(d[0], d[1], 'b*')
plt.show()

3關(guān)聯(lián)規(guī)則aprior,FP-TREE

（1）關(guān)聯(lián)規(guī)則的一般形式

支持度：項集A、B同時發(fā)生的概率

置信度：項集A發(fā)生，則項集B也同時發(fā)生的概率

（2）最小支持度和最小置信度

最小支持度：一個閾值，表示項目集在統(tǒng)計意義上的最低重要性；

最小置信度：一個閾值表示關(guān)聯(lián)規(guī)則的最低可靠性。

同時滿足最小支持度閾值和最小置信度閾值的規(guī)則稱作強(qiáng)規(guī)則。

函數(shù)文件apirior.py

過程一：找出所有的頻繁項集。

過程二：由頻繁項集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則
def connect_string(x, ms):
????x = list(map(lambda i: sorted(i.split(ms)), x))
????l = len(x[0])
????r = []
????for i in range(len(x)):
????????for j in range(i, len(x)):
????????????if x[i][:l - 1] == x[j][:l - 1] and x[i][l - 1] != x[j][l - 1]:
????????????????r.append(x[i][:l - 1] + sorted([x[j][l - 1], x[i][l - 1]]))
????return r

# 尋找關(guān)聯(lián)規(guī)則的函數(shù)
def find_rule(d, support, confidence, ms=u'--'):
????result?= pd.DataFrame(index=['support', 'confidence']) ?# 定義輸出結(jié)果

????support_series = 1.0 * d.sum() / len(d) ?# 支持度序列
????column = list(support_series[support_series > support].index) ?# 初步根據(jù)支持度篩選
????k = 0

????while len(column) > 1:
????????k = k + 1
????????print(u'\n正在進(jìn)行第%s次搜索...' % k)
????????column = connect_string(column, ms)
????????print(u'數(shù)目：%s...' % len(column))
????????sf = lambda i: d[i].prod(axis=1, numeric_only=True) ?# 新一批支持度的計算函數(shù)

????????# 創(chuàng)建連接數(shù)據(jù)，這一步耗時、耗內(nèi)存最嚴(yán)重。當(dāng)數(shù)據(jù)集較大時，可以考慮并行運(yùn)算優(yōu)化。
????????d_2 = pd.DataFrame(list(map(sf, column)), index=[ms.join(i) for i in column]).T

????????support_series_2 = 1.0 * d_2[[ms.join(i) for i in column]].sum() / len(d) ?# 計算連接后的支持度
????????column = list(support_series_2[support_series_2 > support].index) ?# 新一輪支持度篩選
????????support_series = support_series.append(support_series_2)
????????column2 = []

????????for i in column: ?# 遍歷可能的推理，如{A,B,C}究竟是A+B-->C還是B+C-->A還是C+A-->B？
????????????i = i.split(ms)
????????????for j in range(len(i)):
????????????????column2.append(i[:j] + i[j + 1:] + i[j:j + 1])

????????cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) ?# 定義置信度序列

????????for i in column2: ?# 計算置信度序列
????????????cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))] / support_series[ms.join(i[:len(i) - 1])]

????????for i in cofidence_series[cofidence_series > confidence].index: ?# 置信度篩選
????????????result[i] = 0.0
????????????result[i]['confidence'] = cofidence_series[i]
????????????result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]

????result?= result.T.sort(['confidence', 'support'], ascending=False) ?# 結(jié)果整理，輸出
????print(u'\n結(jié)果為：')
????print(result)

????return result

使用Apriori算法挖掘菜品訂單關(guān)聯(lián)規(guī)則

#-*- coding: utf-8 -*-
#使用Apriori算法挖掘菜品訂單關(guān)聯(lián)規(guī)則
from __future__ import print_function
import pandas as pd
from apriori import * #導(dǎo)入自行編寫的apriori函數(shù)

inputfile = '../data/menu_orders.xls'
outputfile = '../tmp/apriori_rules.xls' #結(jié)果文件
data = pd.read_excel(inputfile, header = None)

代碼好-轉(zhuǎn)換原始數(shù)據(jù)至0-1矩陣...')？有問題

ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #轉(zhuǎn)換0-1矩陣的過渡函數(shù)
b = map(ct, data.as_matrix()) #用map方式執(zhí)行
data = pd.DataFrame(list(b)).fillna(0) #實(shí)現(xiàn)矩陣轉(zhuǎn)換，空值用0填充
print(u'\n轉(zhuǎn)換完畢。')
del b #刪除中間變量b，節(jié)省內(nèi)存

support = 0.2 #最小支持度
confidence = 0.5 #最小置信度
ms = '---' #連接符，默認(rèn)'--'，用來區(qū)分不同元素，如A--B。需要保證原始表格中不含有該字符

find_rule(data, support, confidence, ms).to_excel(outputfile) #保存結(jié)果

4時序模式：

常見的時間序列模型平滑，趨勢擬合法，組合（加法，乘法）、AR、MA,ARMA,ARIMA,ARCH,GARCH，將重點(diǎn)介紹AR模型、MA模型、ARMA模型和ARIMA模型。

時間序列的預(yù)處理（隨機(jī)+平穩(wěn)）

拿到一個觀察值序列后，首先要對它的純隨機(jī)性和平穩(wěn)性進(jìn)行檢驗(yàn)，這兩個重要的檢驗(yàn)稱為序列的預(yù)處理。根據(jù)檢驗(yàn)結(jié)果可以將序列分為不同的類型，對不同類型的序列會采取不同的分析方法。

對于純隨機(jī)序列，又叫白噪聲序列，就意味著序列的各項之間沒有任何相關(guān)關(guān)系，序列在進(jìn)行完全無序的隨機(jī)波動，可以終止對該序列的分析。

對于平穩(wěn)非白噪聲序列，它的均值和方差是常數(shù)，現(xiàn)已有一套非常成熟的平穩(wěn)序列的建模方法。通常是建立一個線性模型來擬合該序列的發(fā)展，借此提取該序列的有用信息。ARMA模型是最常用的平穩(wěn)序列擬合模型；

對于非平穩(wěn)序列，由于它的均值和方差不穩(wěn)定，處理方法一般是將其轉(zhuǎn)變?yōu)槠椒€(wěn)序列，這樣就可以應(yīng)用有關(guān)平穩(wěn)時間序列的分析方法，如建立ARMA模型來進(jìn)行相應(yīng)得研究。如果一個時間序列經(jīng)差分運(yùn)算后具有平穩(wěn)性，成該序列為差分平穩(wěn)序列，可以使用ARIMA模型進(jìn)行分析。

1平穩(wěn)性檢驗(yàn)

對序列的平穩(wěn)性的檢驗(yàn)有兩種檢驗(yàn)方法，一種是根據(jù)時序圖和自相關(guān)圖的特征做出判斷的圖檢驗(yàn)，該方法操作簡單、應(yīng)用廣泛，缺點(diǎn)是帶有主觀性；另一種是構(gòu)造檢驗(yàn)統(tǒng)計量進(jìn)行的方法，目前最常用的方法是單位根檢驗(yàn)

（1）時序圖檢驗(yàn)：如果有明顯的趨勢性或者周期性那它通常不是平穩(wěn)序列。

（2）自相關(guān)圖檢驗(yàn)（常用）

??????平穩(wěn)序列具有短期相關(guān)性，隨著延遲期數(shù)的增加，平穩(wěn)序列的自相關(guān)系數(shù) 會比較快的衰減趨向于零，并在零附近隨機(jī)波動，而非平穩(wěn)序列的自相關(guān)系數(shù)衰減的速度比較慢

（3）單位根檢驗(yàn)是指檢驗(yàn)序列中是否存在單位根，因?yàn)榇嬖趩挝桓褪欠瞧椒€(wěn)時間序列了。p 值顯著大于0.05===非平穩(wěn)（不是白噪聲）

2純隨機(jī)性檢驗(yàn)

純隨機(jī)性檢驗(yàn)也稱白噪聲檢驗(yàn)，一般是構(gòu)造檢驗(yàn)統(tǒng)計量來檢驗(yàn)序列的純隨機(jī)性，常用的檢驗(yàn)統(tǒng)計量有 Q 統(tǒng)計量、LB 統(tǒng)計量，計算出對應(yīng)的p 值，如果p值顯著大于顯著性水平,則表示該序列不能拒絕純隨機(jī)的原假設(shè)，可以停止對該序列的分析。

平穩(wěn)時間序列分析ARMA

ARMA模型的全稱是自回歸移動平均模型，它是目前最常用的擬合平穩(wěn)序列的模型。

ARMA模型又可以細(xì)分為AR模型、MA模型和ARMA模型三大類。都可以看作是多元線性回歸模型。

下面將分別介紹AR模型、MA模型和ARMA模型三大模型。

平穩(wěn)時間序列的ARMA模型建模步驟。

某個時間序列經(jīng)過預(yù)處理，被判定為平穩(wěn)非白噪聲序列，就可以利用ARMA模型進(jìn)行建模。

由AR模型、MA模型和ARMA模型的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的性質(zhì)，選擇出合適的模型。

AR、MA和ARMA模型自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的性質(zhì)如下：

AR模型：自相關(guān)系數(shù)拖尾，偏自相關(guān)系數(shù)截尾；

MA模型：自相關(guān)系數(shù)截尾，偏自相關(guān)函數(shù)拖尾；

ARMA模型：自相關(guān)函數(shù)和偏自相關(guān)函數(shù)均拖尾。

非平穩(wěn)時間序列分析ARIMA

對非平穩(wěn)時間序列的分析方法可以分為確定性因素分解的時序分析和隨機(jī)時序分析兩大類。

確定性因素分解的方法把所有序列的變化都?xì)w結(jié)為四個因素（長期趨勢、季節(jié)變動、循環(huán)變動和隨機(jī)波動）的綜合影響。可以建立加法模型和乘法模型等。

根據(jù)時間序列的不同特點(diǎn)，隨機(jī)時序分析可以建立的模型有ARIMA模型、殘差自回歸模型、季節(jié)模型、異方差模型等。

1、p階差分：相距一期的兩個序列值之間的減法運(yùn)算稱為 1 階差分運(yùn)算；

2、k步差分：相距k期的兩個序列值之間的減法運(yùn)算稱為k步差分運(yùn)算。

3、差分運(yùn)算具有強(qiáng)大的確定性信息提取能力，許多非平穩(wěn)序列差分后會顯示出平穩(wěn)序列的性質(zhì)，這時稱這個非平穩(wěn)序列為差分平穩(wěn)序列。

4、對差分平穩(wěn)序列可以使用ARMA模型進(jìn)行擬合。

5、ARIMA模型的實(shí)質(zhì)就是差分運(yùn)算與ARMA模型的組合，掌握了ARMA模型的建模方法和步驟以后，對序列建立ARIMA模型是比較簡單的。 ???

建模步驟：(代碼問題)

建模步驟

計算ACF和PACF(自相關(guān)圖平穩(wěn)性檢驗(yàn)+白噪聲

?????先計算非平穩(wěn)白噪聲序列的自相關(guān)系數(shù)（ACF）和偏自相關(guān)系數(shù)（PACF）

不平穩(wěn)差分后再用ARIMA模型

import pandas as pd
#讀取數(shù)據(jù)，指定日期列為指標(biāo)，Pandas自動將“日期”列識別為Datetime格式
discfile = '../data/arima_data.xls'
forecastnum = 5
data = pd.read_excel(discfile, index_col = u'日期')
import matplotlib.pyplot as plt
data.plot()
plt.show()

#自相關(guān)圖和偏自相關(guān)圖選擇模型

from scipy import stats
import matplotlibt.pyplot as plt
import statsmodels.api as sm
from statsmodels.graphics.api import qqplot

fig=sm.graphic.tsa.plot_acf(dta,lags=40,ax=ax1)
fig = sm.graphics.tsa.plot_pacf(dta, lags=40, ax=ax2)
# 一階差分后的自相關(guān)圖與偏自相關(guān)圖
dta = dta.diff(1).dropna() ?# 注意一定要將查分后的空值去掉再取自相關(guān)系數(shù)
fig = sm.graphics.tsa.plot_acf(dta, lags=40, ax=ax3)
fig = sm.graphics.tsa.plot_pacf(dta, lags=40, ax=ax4)

#平穩(wěn)性檢測#白噪聲檢驗(yàn)

from statsmodels.tsa.stattools import adfuller as ADF
print(u'原始序列的ADF檢驗(yàn)結(jié)果為：', ADF(data[u'銷量']))
#返回值依次為adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore
D_data=data.diff().dropna()
D_data.columns=[u'銷量差分']
from statsmodels.stats.diagnostic import acorr_ljungbox
print(u'差分序列的白噪聲檢驗(yàn)結(jié)果為：', acorr_ljungbox(D_data, lags=1)) #返回統(tǒng)計量和p值

from statsmodels.tsa.arima_model import ARIMA

#定階
pmax = int(len(D_data)/10) #一般階數(shù)不超過length/10
qmax = int(len(D_data)/10) #一般階數(shù)不超過length/10
bic_matrix = [] #bic矩陣
for p in range(pmax+1):
??tmp = []
??for q in range(qmax+1):
????try: #存在部分報錯，所以用try來跳過報錯。
??????tmp.append(ARIMA(data, (p,1,q)).fit().bic)
????except:
??????tmp.append(None)
??bic_matrix.append(tmp)

bic_matrix = pd.DataFrame(bic_matrix) #從中可以找出最小值
p,q = bic_matrix.stack().idxmin() #先用stack展平，然后用idxmin找出最小值位置。
print(u'BIC最小的p值和q值為：%s、%s' %(p,q))

ARMA模型識別

??????由AR模型、MA模型和ARMA模型的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的性質(zhì)，選擇出合適的模型。

模型定階AIC：確定p和q

（1）人為識別的方法：用相關(guān)圖像根據(jù)ARMA模型識別原則進(jìn)行模型定階

（2）第二種方法：相對最優(yōu)模型識別。

計算ARMA（p，q）當(dāng) p 和 q 均小于等于 5 的所有組合的 BIC 信息量，取其中 BIC 信息量達(dá)到最小的模型階數(shù)。ARIMA（P，1，Q）

模型檢驗(yàn)

確定模型后，需要檢驗(yàn)其殘差序列是否是白噪聲，若不是，說明，殘差中還存在有用的信息，需要修改模型或者進(jìn)一步提取。若其殘差不是白噪聲，重新更換p,q的值，重新確定

?p值為：0.627016 ，大于0.05，殘差為白噪聲序列，模型通過檢驗(yàn)。

模型預(yù)測

只能進(jìn)行短期預(yù)測

model?= ARIMA(data, (p,1,q)).fit() #建立ARIMA(0, 1, 1)模型
model.summary2() #給出一份模型報告
model.forecast(5)

模型優(yōu)化與應(yīng)用

5離群點(diǎn)檢測

threshold=2
norm = []
for i in range(k): #逐一處理
??norm_tmp = r[['R', 'F', 'M']][r[u'聚類類別'] == i]-model.cluster_centers_[i]
??norm_tmp = norm_tmp.apply(np.linalg.norm, axis = 1) #求出絕對距離
??norm.append(norm_tmp/norm_tmp.median()) #求相對距離并添加

#norm = pd.concat(norm) #合并
norm[norm <= threshold].plot(style = 'go') #正常點(diǎn)
discrete_points = norm[norm > threshold] #離群點(diǎn)
discrete_points.plot(style = 'ro')

for i in range(len(discrete_points)): #離群點(diǎn)做標(biāo)記
??id = discrete_points.index[i]
??n = discrete_points.iloc[i]
??plt.annotate('(%s, %0.2f)'%(id, n), xy = (id, n), xytext = (id, n))

plt.xlabel(u'編號')
plt.ylabel(u'相對距離')
plt.show()

總結(jié)

以上是生活随笔為你收集整理的《python数据分析与挖掘》-步骤的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇： bu yong di san fang
下一篇：用Python做个打飞机小游戏超详细教程