前言

1，背景介紹

　　每個足球運動員在轉會市場都有各自的價碼。本次數(shù)據(jù)練習的目的是根據(jù)球員的各項信息和能力來預測該球員的市場價值。

2，數(shù)據(jù)來源

　　FIFA2018

3，數(shù)據(jù)文件說明

　　數(shù)據(jù)文件分為三個：

train.csv 　　　　　 　 訓練集 　 　 文件大小為2.20MB

test.csv 　　　　 預測集 　　 文件大小為1.44KB

sample_submit.csv 　 提交示例 文件大小為65KB

　　訓練集共有10441條樣本，預測集中有7000條樣本。每條樣本代表一位球員，數(shù)據(jù)中每個球員

有61項屬性。數(shù)據(jù)中含有缺失值。

4，數(shù)據(jù)變量說明

id行編號，沒有實際意義

club該球員所屬的俱樂部。該信息已經(jīng)被編碼。

league該球員所在的聯(lián)賽。已被編碼。

birth_date生日。格式為月/日/年。

height_cm身高(厘米)

weight_kg體重(公斤)

nationality國籍。已被編碼。

potential球員的潛力。數(shù)值變量。

pac球員速度。數(shù)值變量。

sho射門(能力值)。數(shù)值變量。

pas傳球(能力值)。數(shù)值變量。

dri帶球(能力值)。數(shù)值變量。

def防守(能力值)。數(shù)值變量。

phy身體對抗(能力值)。數(shù)值變量。

international_reputation國際知名度。數(shù)值變量。

skill_moves技巧動作。數(shù)值變量。

weak_foot非慣用腳的能力值。數(shù)值變量。

work_rate_att球員進攻的傾向。分類變量，Low, Medium, High。

work_rate_def球員防守的傾向。分類變量，Low, Medium, High。

preferred_foot慣用腳。1表示右腳、2表示左腳。

crossing傳中(能力值)。數(shù)值變量。

finishing完成射門(能力值)。數(shù)值變量。

heading_accuracy頭球精度(能力值)。數(shù)值變量。

short_passing短傳(能力值)。數(shù)值變量。

volleys凌空球(能力值)。數(shù)值變量。

dribbling盤帶(能力值)。數(shù)值變量。

curve弧線(能力值)。數(shù)值變量。

free_kick_accuracy定位球精度(能力值)。數(shù)值變量。

long_passing長傳(能力值)。數(shù)值變量。

ball_control控球(能力值)。數(shù)值變量。

acceleration加速度(能力值)。數(shù)值變量。

sprint_speed沖刺速度(能力值)。數(shù)值變量。

agility靈活性(能力值)。數(shù)值變量。

reactions反應(能力值)。數(shù)值變量。

balance身體協(xié)調(能力值)。數(shù)值變量。

shot_power射門力量(能力值)。數(shù)值變量。

jumping彈跳(能力值)。數(shù)值變量。

stamina體能(能力值)。數(shù)值變量。

strength力量(能力值)。數(shù)值變量。

long_shots遠射(能力值)。數(shù)值變量。

aggression侵略性(能力值)。數(shù)值變量。

interceptions攔截(能力值)。數(shù)值變量。

positioning位置感(能力值)。數(shù)值變量。

vision視野(能力值)。數(shù)值變量。

penalties罰點球(能力值)。數(shù)值變量。

marking卡位(能力值)。數(shù)值變量。

standing_tackle斷球(能力值)。數(shù)值變量。

sliding_tackle鏟球(能力值)。數(shù)值變量。

gk_diving門將撲救(能力值)。數(shù)值變量。

gk_handling門將控球(能力值)。數(shù)值變量。

gk_kicking門將開球(能力值)。數(shù)值變量。

gk_positioning門將位置感(能力值)。數(shù)值變量。

gk_reflexes門將反應(能力值)。數(shù)值變量。

rw球員在右邊鋒位置的能力值。數(shù)值變量。

rb球員在右后衛(wèi)位置的能力值。數(shù)值變量。

st球員在射手位置的能力值。數(shù)值變量。

lw球員在左邊鋒位置的能力值。數(shù)值變量。

cf球員在鋒線位置的能力值。數(shù)值變量。

cam球員在前腰位置的能力值。數(shù)值變量。

cm球員在中場位置的能力值。數(shù)值變量。

cdm球員在后腰位置的能力值。數(shù)值變量。

cb球員在中后衛(wèi)的能力值。數(shù)值變量。

lb球員在左后衛(wèi)置的能力值。數(shù)值變量。

gk球員在守門員的能力值。數(shù)值變量。

y該球員的市場價值(單位為萬歐元)。這是要被預測的數(shù)值。

5，評估方法

　　可以參考博文：機器學習筆記：常用評估方法

6，完整代碼，請移步小編的github

　　傳送門：https://github.com/LeBron-Jian/sofasofa-learn

數(shù)據(jù)預處理

　　此處實戰(zhàn)一下數(shù)據(jù)預處理的理論知識點：請點擊知識點1，或者知識點2

1，本文數(shù)據(jù)預處理的主要步驟

• (1) 刪除和估算缺失值(removing and imputing missing values)
• (2)獲取分類數(shù)據(jù)(Getting categorical data into shape for machine learning)
• (3)為模型構建選擇相關特征(Selecting relevant features for the module construction)
• (4)對原表的年份數(shù)據(jù)進行填充，比如格式是這樣的09/10/89 ，因為要計算年齡，所以補為完整的09/10/1989
• (5)將體重和身高轉化為BMI指數(shù)
• (6)將球員在各個位置上的能力值轉化為球員最擅長位置上的得分

2，分類數(shù)據(jù)處理

　　sklearn的官網(wǎng)地址：請點擊我

　　對于定量特征，其包含的有效信息為區(qū)間劃分，例如本文中work_rate_att 和 work_rate_def 他們分別代表了球員進攻的傾向和球員防守的傾向。用Low，Medium，High表示。所以我們可能會將其轉化為0 ， 1，2 。

　　這里使用標簽編碼來處理，首先舉例說明一下標簽編碼

from sklearn import preprocessing

labelEncoding = preprocessing.LabelEncoder()

labelEncoding.fit(['Low','Medium','High'])

res = labelEncoding.transform(['Low','Medium','High','High','Low','Low'])

print(res)

# [1 2 0 0 1 1]

　　又或者自己編碼：

import pandas as pd

df = pd.DataFrame([

['green', 'M', 10.1, 'class1'],

['red', 'L', 13.5, 'class2'],

['blue', 'XL', 15.3, 'class1']])

print(df)

df.columns = ['color', 'size', 'prize', 'class label']

size_mapping = {

'XL':3,

'L':2,

'M':1

}

df['size'] = df['size'].map(size_mapping)

print(df)

class_mapping = {label:ind for ind,label in enumerate(set(df['class label']))}

df['class label'] = df['class label'].map(class_mapping)

print(df)

'''

0 1 2 3

0 green M 10.1 class1

1 red L 13.5 class2

2 blue XL 15.3 class1

color size prize class label

0 green 1 10.1 class1

1 red 2 13.5 class2

2 blue 3 15.3 class1

color size prize class label

0 green 1 10.1 0

1 red 2 13.5 1

2 blue 3 15.3 0

'''

　　上面使用了兩種方法，一種是將分類數(shù)據(jù)轉換為數(shù)值型數(shù)據(jù)，一種是編碼分類標簽。

3，缺失值處理

3.1 統(tǒng)計空值情況

#using isnull() function to check NaN value

df.isnull().sum()

　　本文中空值如下：

gk_positioning 0

gk_reflexes 0

rw 1126

rb 1126

st 1126

lw 1126

cf 1126

cam 1126

cm 1126

cdm 1126

cb 1126

lb 1126

gk 9315

y 0

Length: 65, dtype: int64

3.2 消除缺失值 dropna() 函數(shù)

　　一個最簡單的處理缺失值的方法就是直接刪掉相關的特征值(一列數(shù)據(jù))或者相關的樣本(一行數(shù)據(jù))。利用dropna()函數(shù)實現(xiàn)。

# 參數(shù)axis 表示軸選擇，axis = 0 代表行 axis = 1 代表列

df.dropna(axis = 1)

df.dropna(axis = 0)

# how參數(shù)選擇刪除行列數(shù)據(jù)(any / all)

dropna(how = all)

# 刪除值少于int個數(shù)的值

dropna(thresh = int)

# subset = [' '] 刪除指定列中有空值的一行數(shù)據(jù)(整個樣本)

　　雖然直接刪除很簡單，但是直接刪除會帶來很多弊端。比如樣本值刪除太多導致不能進行可靠預測；或者特征值刪除太多(列數(shù)據(jù))可能會失去很多有價值的信息。

3.3 插值法 interpolation techniques

　　比較常用的一種估值是平均值估計(mean imputation)。可以直接使用sklearn庫中的imputer類實現(xiàn)。

class sklearn.preprocessing .Imputer

(missing_values = 'NaN', strategy = 'mean', axis = 0, verbose = 0, copy = True)

miss_values ：int 或者 NaN ，默認NaN(string類型)

strategy ：默認mean。平均值填補

可選項：mean(平均值)

median(中位數(shù))

most_frequent(眾數(shù))

axis ： 指定軸向。axis = 0 列向(默認) axis =1 行向

verbose ：int 默認值為0

copy ：默認True ，創(chuàng)建數(shù)據(jù)集的副本

False：在任何合適的地方都可能進行插值

　　下面舉例說明：

# 創(chuàng)建CSV數(shù)據(jù)集

import pandas as pd

from io import StringIO

import warnings

warnings.filterwarnings('ignore')

# 數(shù)據(jù)不要打空格，IO流會讀入空格

csv_data = '''

A,B,C,D

1.0,2.0,3.0,4.0

5.0,6.0,,8.0

10.0,11.0,12.0,

'''

df = pd.read_csv(StringIO(csv_data))

print(df)

# 均值填充

from sklearn.preprocessing import Imputer

# axis = 0 表示列向 ，采用每一列的平均值填充空值

imr = Imputer(missing_values='NaN',strategy='mean',axis=0)

imr = imr.fit(df.values)

imputed_data = imr.transform(df.values)

print(imputed_data)

'''

A B C D

0 1.0 2.0 3.0 4.0

1 5.0 6.0 NaN 8.0

2 10.0 11.0 12.0 NaN

[[ 1. 2. 3. 4. ]

[ 5. 6. 7.5 8. ]

[10. 11. 12. 6. ]]

'''

4，將出生日期轉化為年齡

　　如下，在這個比賽中，獲取的數(shù)據(jù)中出現(xiàn)了出生日期的Series，下面我們對其進行轉化。

　　下面我截取了一部分數(shù)據(jù)：

　　從數(shù)據(jù)來看，‘11/6/86’之類的數(shù)，最左邊的數(shù)表示月份，中間表示日，最后的數(shù)表示年。

　　實際上我們在分析時候并不需要人的出生日期，而是需要年齡，不同的年齡階段會有不同的狀態(tài)，有可能age就是一個很好地特征工程指示變量。

　　那么如何將birth轉化為age呢？這里使用到datetime這個庫。

4.1 首先把birth_date轉化為標準時間格式

# 將出生年月日轉化為年齡

traindata['birth_date'] = pd.to_datetime(traindata['birth_date'])

print(traindata)

　　結果如下：

4.2 獲取當前時間的年份，并減去birth_date 的年份

# 獲取當前的年份

new_year = dt.datetime.today().year

traindata['birth_date'] = new_year - traindata.birth_date.dt.year

print(traindata)

　　這里使用了dt.datetime.today().year來獲取當前日期的年份，然后將birth數(shù)據(jù)中的年份數(shù)據(jù)提取出來(frame.birth.dt.year)，兩者相減就得到需要的年齡數(shù)據(jù)，如下：

5，身高體重轉化為BMI

　　官方的標桿模型對身高體重的處理使用的是BMI指數(shù)。

　　BMI指數(shù)是身體質量指數(shù)，是目前國際上常用的衡量人體胖瘦程度以及是否健康的一個標準。

　　這里直接計算，公式如下：

# 計算球員的身體質量指數(shù)(BMI)

train['BMI'] = 10000. * train['weight_kg'] / (train['height_cm'] ** 2)

test['BMI'] = 10000. * test['weight_kg'] / (test['height_cm'] ** 2)

6，將球員各個位置上的評分轉化為球員最擅長位置的評分

　　目前打算將這11個特征轉化為球員最擅長位置上的評分，這里計算方式只會取這11個特征中的最大值，當然這里也省去了對缺失值的判斷，經(jīng)過對數(shù)據(jù)的研究，我們發(fā)現(xiàn)有門將和射門球員的區(qū)分，如果使用最擅長位置的話就省去了這一步，但是如果這樣直接取最大值的話會隱藏一些特征。

# 獲得球員最擅長位置上的評分

positions = ['rw','rb','st','lw','cf','cam','cm','cdm','cb','lb','gk']

train['best_pos'] = train[positions].max(axis =1)

test['best_pos'] = test[positions].max(axis = 1)

重要特征提取及其模型訓練

1，使用隨機森林提取重要特征

# 提取重要性特征

def RandomForestExtractFeature(traindata):

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

print(type(traindata)) #

X,y = traindata[:,1:-1],traindata[:,-1]

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=0)

# n_estimators 森林中樹的數(shù)量

forest = RandomForestClassifier(n_estimators=100000,random_state=0,n_jobs=1)

forest.fit(X_train,y_train.astype('int'))

importances = forest.feature_importances_

return importances

模型訓練及其結果展示

1，自己的Xgboost，沒有做任何處理

#_*_ coding:utf-8_*_

import pandas as pd

import warnings

warnings.filterwarnings('ignore')

# 導入數(shù)據(jù)，并處理非數(shù)值型數(shù)據(jù)

def load_dataSet(filename):

'''

檢查數(shù)據(jù)，發(fā)現(xiàn)出生日期是00/00/00類型，

work_rate_att work_rate_def 是Medium High Low

下面對這三個數(shù)據(jù)進行處理

然后對gk

:return:

'''

# 讀取訓練集

traindata = pd.read_csv(filename,header=0)

# 處理非數(shù)值型數(shù)據(jù)

label_mapping = {

'Low':0,

'Medium':1,

'High':2

}

traindata['work_rate_att'] = traindata['work_rate_att'].map(label_mapping)

traindata['work_rate_def'] = traindata['work_rate_def'].map(label_mapping)

# 將出生年月日轉化為年齡

traindata['birth_date'] = pd.to_datetime(traindata['birth_date'])

import datetime as dt

# 獲取當前的年份

new_year = dt.datetime.today().year

traindata['birth_date'] = new_year - traindata.birth_date.dt.year

# 處理缺失值

res = traindata.isnull().sum()

from sklearn.preprocessing import Imputer

imr = Imputer(missing_values='NaN',strategy='mean',axis=0)

imr = imr.fit(traindata.values)

imputed_data = imr.transform(traindata.values)

return imputed_data

# 直接訓練回歸模型

def xgboost_train(traindata,testdata):

from sklearn.model_selection import train_test_split

import xgboost as xgb

from xgboost import plot_importance

from matplotlib import pyplot as plt

from sklearn.externals import joblib

from sklearn.metrics import mean_squared_error

from sklearn.metrics import r2_score

X, y = traindata[:, 1:-1], traindata[:, -1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1234567)

# n_estimators 森林中樹的數(shù)量

model = xgb.XGBRegressor(max_depth=5,learning_rate=0.1,n_estimators=160,

silent=True,objective='reg:gamma')

model.fit(X_train,y_train)

# 對測試集進行預測

y_pred = model.predict(X_test)

# print(y_pred)

# 計算準確率，下面的是計算模型分類的正確率，

MSE = mean_squared_error(y_test, y_pred)

print("accuaracy is %s "%MSE)

R2 = r2_score(y_test,y_pred)

print('r2_socre is %s'%R2)

# test_pred = model.predict(testdata[:,1:])

# 顯示重要特征

# plot_importance(model)

# plt.show()

# 保存模型

joblib.dump(model,'Xgboost.m')

# 使用模型預測數(shù)據(jù)

def predict_data(xgbmodel,testdata,submitfile):

import numpy as np

ModelPredict = np.load(xgbmodel)

test = testdata[:,1:]

predict_y = ModelPredict.predict(test)

submit_data = pd.read_csv(submitfile)

submit_data['y'] = predict_y

submit_data.to_csv('my_SVM_prediction.csv', index=False)

return predict_y

if __name__ == '__main__':

TrainFile= 'data/train.csv'

TestFile = 'data/test.csv'

SubmitFile = 'submit1.csv'

xgbmodel = 'Xgboost.m'

TrainData = load_dataSet(TrainFile)

TestData = load_dataSet(TestFile)

# RandomForestExtractFeature(TrainData)

xgboost_train(TrainData,TestData)

predict_data(xgbmodel,TestData,SubmitFile)

2，隨機森林標桿模型

整理此隨機森林訓練模型的亮點

• 1，將出生年月日轉化為球員的歲數(shù)(數(shù)據(jù)處理必須的)
• 2，將球員在各個位置的能力使用球員最擅長的位置表示(！！此處有待商榷)
• 3，利用球員的身體質量指數(shù)(BMI)來代替球員體重和身高這兩個特征值
• 4，根據(jù)數(shù)據(jù)判斷，發(fā)現(xiàn)各個位置的球員缺失值主要判斷是否為守門員，此處按照是否為守門員來分別訓練隨機森林
• 5，最終使用height_cm(身高)，weight_kg(體重)，potential(潛力)，BMI(球員身體指數(shù))，phy(身體對抗能力)，international_reputation(國際知名度)，age(年齡)，best_pos(最佳位置)這9個特征來預測結果

#_*_coding:utf-8_*_

import pandas as pd

import numpy as np

import datetime as dt

from sklearn.ensemble import RandomForestRegressor

# 讀取數(shù)據(jù)

train = pd.read_csv('data/train.csv')

test = pd.read_csv('data/test.csv')

submit = pd.read_csv('data/sample_submit.csv')

# 獲得球員年齡

today = dt.datetime.today().year

train['birth_date'] = pd.to_datetime(train['birth_date'])

train['age'] = today - train.birth_date.dt.year

test['birth_date'] = pd.to_datetime(test['birth_date'])

test['age'] = today - test.birth_date.dt.year

# 獲取球員最擅長位置的評分

positions = ['rw','rb','st','lw','cf','cam','cm','cdm','cb','lb','gk']

train['best_pos'] = train[positions].max(axis=1)

test['best_pos'] = test[positions].max(axis=1)

# 計算球員的身體質量指數(shù)(BMI)

train['BMI'] = 10000. * train['weight_kg'] / (train['height_cm'] ** 2)

test['BMI'] = 10000. * test['weight_kg'] / (test['height_cm'] ** 2)

# 判斷一個球員是否是守門員

train['is_gk'] = train['gk'] > 0

test['is_gk'] = test['gk'] > 0

# 用多個變量準備訓練隨機森林

test['pred'] = 0

cols = ['height_cm', 'weight_kg', 'potential', 'BMI', 'pac',

'phy', 'international_reputation', 'age', 'best_pos']

# 用非守門員的數(shù)據(jù)訓練隨機森林

reg_ngk = RandomForestRegressor(random_state=100)

reg_ngk.fit(train[train['is_gk'] == False][cols] , train[train['is_gk'] == False]['y'])

preds = reg_ngk.predict(test[test['is_gk'] == False][cols])

test.loc[test['is_gk'] == False , 'pred'] = preds

# 用守門員的數(shù)據(jù)訓練隨機森林

reg_gk = RandomForestRegressor(random_state=100)

reg_gk.fit(train[train['is_gk'] == True][cols] , train[train['is_gk'] == True]['y'])

preds = reg_gk.predict(test[test['is_gk'] == True][cols])

test.loc[test['is_gk'] == True , 'pred'] = preds

# 輸出預測值

submit['y'] = np.array(test['pred'])

submit.to_csv('my_RF_prediction.csv',index = False)

為什么會有兩個結果？

　　這里解釋一下，因為這里的標桿模型中的年齡的取值，是我以目前的時間為準，而不是以作者給的2018年為準，可能因為差了一歲導致球員的黃金年齡不同，價值也就不同。

隨機森林調參(網(wǎng)格搜索)

#_*_coding:utf-8_*_

import pandas as pd

import numpy as np

import datetime as dt

from sklearn.ensemble import RandomForestRegressor

# 讀取數(shù)據(jù)

train = pd.read_csv('data/train.csv')

test = pd.read_csv('data/test.csv')

submit = pd.read_csv('data/sample_submit.csv')

# 獲得球員年齡

today = dt.datetime.today().year

train['birth_date'] = pd.to_datetime(train['birth_date'])

train['age'] = today - train.birth_date.dt.year

test['birth_date'] = pd.to_datetime(test['birth_date'])

test['age'] = today - test.birth_date.dt.year

# 獲取球員最擅長位置的評分

positions = ['rw','rb','st','lw','cf','cam','cm','cdm','cb','lb','gk']

train['best_pos'] = train[positions].max(axis=1)

test['best_pos'] = test[positions].max(axis=1)

# 計算球員的身體質量指數(shù)(BMI)

train['BMI'] = 10000. * train['weight_kg'] / (train['height_cm'] ** 2)

test['BMI'] = 10000. * test['weight_kg'] / (test['height_cm'] ** 2)

# 判斷一個球員是否是守門員

train['is_gk'] = train['gk'] > 0

test['is_gk'] = test['gk'] > 0

# 用多個變量準備訓練隨機森林

test['pred'] = 0

cols = ['height_cm', 'weight_kg', 'potential', 'BMI', 'pac',

'phy', 'international_reputation', 'age', 'best_pos']

# 用非守門員的數(shù)據(jù)訓練隨機森林

# 使用網(wǎng)格搜索微調模型

from sklearn.model_selection import GridSearchCV

param_grid = [

{'n_estimators':[3,10,30], 'max_features':[2,4,6,8]},

{'bootstrap':[False], 'n_estimators':[3,10],'max_features':[2,3,4]}

]

forest_reg = RandomForestRegressor()

grid_search = GridSearchCV(forest_reg, param_grid ,cv=5,

scoring='neg_mean_squared_error')

grid_search.fit(train[train['is_gk'] == False][cols] , train[train['is_gk'] == False]['y'])

preds = grid_search.predict(test[test['is_gk'] == False][cols])

test.loc[test['is_gk'] == False , 'pred'] = preds

# 用守門員的數(shù)據(jù)訓練隨機森林

# 使用網(wǎng)格搜索微調模型

from sklearn.model_selection import GridSearchCV

'''

先對estimators進行網(wǎng)格搜索，[3,10,30]

接著對最大深度max_depth

內部節(jié)點再劃分所需要最小樣本數(shù)min_samples_split 進行網(wǎng)格搜索

最后對最大特征數(shù),ax_features進行調參

'''

param_grid1 = [

{'n_estimators':[3,10,30], 'max_features':[2,4,6,8]},

{'bootstrap':[False], 'n_estimators':[3,10],'max_features':[2,3,4]}

]

'''

parm_grid 告訴Scikit-learn 首先評估所有的列在第一個dict中的n_estimators 和

max_features的 3*4=12 種組合，然后嘗試第二個dict中的超參數(shù)2*3 = 6 種組合，

這次會將超參數(shù)bootstrap 設為False 而不是True(后者是該超參數(shù)的默認值)

總之，網(wǎng)格搜索會探索 12 + 6 = 18 種RandomForestRegressor的超參數(shù)組合，會訓練

每個模型五次，因為使用的是五折交叉驗證，換句話說，訓練總共有18 *5 = 90 輪，、

將花費大量的時間，完成后，就可以得到參數(shù)的最佳組合了

'''

forest_reg1 = RandomForestRegressor()

grid_search1 = GridSearchCV(forest_reg, param_grid1 ,cv=5,

scoring='neg_mean_squared_error')

grid_search1.fit(train[train['is_gk'] == True][cols] , train[train['is_gk'] == True]['y'])

preds = grid_search1.predict(test[test['is_gk'] == True][cols])

test.loc[test['is_gk'] == True , 'pred'] = preds

# 輸出預測值

submit['y'] = np.array(test['pred'])

submit.to_csv('my_RF_prediction1.csv',index = False)

# 打印參數(shù)的最佳組合

print(grid_search.best_params_)

3，決策樹標桿模型(四個特征)

整理此決策樹訓練模型的亮點

• 1，將出生年月日轉化為球員的歲數(shù)(數(shù)據(jù)處理必須的)
• 2，將球員在各個位置的能力使用球員最擅長的位置表示(！！此處有待商榷)
• 3，直接使用潛力，國際知名度，年齡，最擅長位置評分這四個變量建立決策樹(我覺得有點草率)

#_*_coding:utf-8_*_

import pandas as pd

import datetime as dt

from sklearn.tree import DecisionTreeRegressor

# 讀取數(shù)據(jù)

train = pd.read_csv('data/train.csv')

test = pd.read_csv('data/test.csv')

submit = pd.read_csv('data/sample_submit.csv')

# 獲得球員年齡

today = dt.datetime.today().year

train['birth_date'] = pd.to_datetime(train['birth_date'])

train['age'] = today - train.birth_date.dt.year

test['birth_date'] = pd.to_datetime(test['birth_date'])

test['age'] = today - test.birth_date.dt.year

# 獲得球員最擅長位置上的評分

positions = ['rw','rb','st','lw','cf','cam','cm','cdm','cb','lb','gk']

train['best_pos'] = train[positions].max(axis =1)

test['best_pos'] = test[positions].max(axis = 1)

# 用潛力，國際知名度，年齡，最擅長位置評分 這四個變量來建立決策樹模型

col = ['potential','international_reputation','age','best_pos']

reg = DecisionTreeRegressor(random_state=100)

reg.fit(train[col],train['y'])

# 輸出預測值

submit['y'] = reg.predict(test[col])

submit.to_csv('my_DT_prediction.csv',index=False)

　　結果如下：

總結

以上是生活随笔為你收集整理的dbeaver 数据转化 mapping_Python机器学习实例：数据竞赛-足球运动员身价估计的全部內容，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(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。