Kaggle比賽之根據城市自行車共享系統數據預測在某個時間段自行車被租出去的個數

?

?

?

?

目錄

一、FE整體設計思路

二、FE分步驟處理

相關代碼

輸出結果

---

?

?

?

一、FE整體設計思路

?

?

二、FE分步驟處理

相關代碼

#先把數據讀進來 import pandas as pd data = pd.read_csv('F:/File_Python/Resources/data_csv_xls/kaggle_bike_competition_train.csv', header = 0, error_bad_lines=False)#查看數據字段 data.head() #datetime小時計數、season季節、holiday是否假期、workingday工作日、weather天氣、temp華氏溫度、atemp、humidity濕度、windspeed風速、 #casual非注冊租車人數、registered注冊租車人數

?

輸出結果

?

# 處理時間字段：把datetime域切成日期、時間兩個字段。 temp = pd.DatetimeIndex(data['datetime']) data['date'] = temp.date data['time'] = temp.time data.head()

?

#特征向量化 #打算用scikit-learn來建模。對于pandas的dataframe我們有方法/函數可以直接轉成python中的dict #還要對離散值和連續值特征區分一下了，以便之后分開做不同的特征處理。from sklearn.feature_extraction import DictVectorizer# 我們把連續值的屬性放入一個dict中 featureConCols = ['temp','atemp','humidity','windspeed','dateDays','hour'] dataFeatureCon = dataRel[featureConCols] dataFeatureCon = dataFeatureCon.fillna( 'NA' ) #in case I missed any X_dictCon = dataFeatureCon.T.to_dict().values() # 把離散值的屬性放到另外一個dict中 featureCatCols = ['season','holiday','workingday','weather','Saturday', 'Sunday'] dataFeatureCat = dataRel[featureCatCols] dataFeatureCat = dataFeatureCat.fillna( 'NA' ) #in case I missed any X_dictCat = dataFeatureCat.T.to_dict().values() # 向量化特征 vec = DictVectorizer(sparse = False) X_vec_cat = vec.fit_transform(X_dictCat) X_vec_con = vec.fit_transform(X_dictCon)

?

?

總結

以上是生活随笔為你收集整理的ML之FE：Kaggle比赛之根据城市自行车共享系统数据进行FE+预测在某个时间段自行车被租出去的个数的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。