Task2_数据分析

EDA(Exploratory Data Analysis)

是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。

1. 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。

本次学习打卡内容

1. 载入各种数据科学以及可视化库:

   • 数据科学库 pandas、numpy、scipy；
   • 可视化库 matplotlib、seabon；
   • 其他；

2. 载入数据：

   • 载入训练集和测试集；

     path = './datalab/231784/'
     Train_data = pd.read_csv(path+'used_car_train_20200313.csv', sep=' ')
     Test_data = pd.read_csv(path+'used_car_testA_20200313.csv', sep=' ')

   • 简略观察数据(head()+shape)；

     Train_data.head().append(Train_data.tail())
     Train_data.shape

1. 数据总览:

   Train_data.describe()
   Train_data.info()

   • 通过describe()来熟悉数据的相关统计量。

     describe种有每列的统计量，个数count、平均值mean、方差std、最小值min、中位数25% 50% 75% 、以及最大值，可以掌握数据的大概的范围以及每个值的异常值的判断

   • 通过info()来熟悉数据类型，有助于了解是否存在除了nan以外的特殊符号异常

2. 判断数据缺失和异常

   Train_data.isnull().sum()
   
   # nan可视化
   missing = Train_data.isnull().sum()
   missing = missing[missing > 0]
   missing.sort_values(inplace=True)
   missing.plot.bar()

   • 查看每列的存在缺省的情况

   • 异常值检测

     Train_data.info()
     Train_data['notRepairedDamage'].value_counts()

3. 了解预测值的分布

   • 总体分布概况（无界约翰逊分布等）

   • 查看skewness and kurtosis

   • 查看预测值的具体频数

     Train_data['price']
     Train_data['price'].value_counts()
     
     ## 1) 总体分布概况（无界约翰逊分布等）
     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)
     
     ## 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())
     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()
     
     # 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
     plt.hist(np.log(Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') 
     plt.show()

     

     偏度（Skewness）
     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。

     • Skewness = 0 ，分布形态与正态分布偏度相同。
     • 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。
     • 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。
     • 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。$\gamma_{1}=\mathrm{E}\left[\left(\frac{X-\mu}{\sigma}\right)^{3}\right]=\frac{\mu_{3}}{\sigma^{3}}=\frac{\mathrm{E}\left[(X-\mu)^{3}\right]}{\left(\mathrm{E}\left[(X-\mu)^{2}\right]\right)^{3 / 2}}=\frac{\kappa_{3}}{\kappa_{2}^{3 / 2}}$

     峰度（Kurtosis）
     偏度是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。

     • Kurtosis = 0 与正态分布的陡缓程度相同。
     • Kurtosis > 0 比正态分布的高峰更加陡峭——尖顶峰。
     • urtosis<0 比正态分布的高峰来得平台——平顶峰。
     • 峰度是四阶标准矩计算出来的。$b_{1}=\frac{m_{3}}{s^{3}}=\frac{\frac{1}{n} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{3}}{\sqrt{\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2}}}=\frac{\frac{1}{n} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{3}}{\left[\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2}\right]^{3 / 2}}$

4. 特征分为类别特征和数字特征，并对类别特征查看unique分布

   # 这个区别方式适用于没有直接label coding的数据
   # 这里不适用，需要人为根据实际含义来区分
   # 数字特征
   # numeric_features = Train_data.select_dtypes(include=[np.number])
   # numeric_features.columns
   # # 类型特征
   # categorical_features = Train_data.select_dtypes(include=[np.object])
   # categorical_features.columns

   分离label即预测值

   Y_train = Train_data['price']
   numeric_features = ['power', 'kilometer', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13','v_14' ]
   
   categorical_features = ['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode',]
   
   # 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, Train_data[cat_fea].nunique()))
       print(Train_data[cat_fea].value_counts())

1. 数字特征分析

   numeric_features.append('price')
   numeric_features

   • 相关性分析

     ## 1) 相关性分析
     price_numeric = Train_data[numeric_features]
     correlation = price_numeric.corr()
     print(correlation['price'].sort_values(ascending = False),'\n')
     
     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)
     del price_numeric['price']

   • 查看几个特征得 偏度和峰值

     ## 2) 查看几个特征得 偏度和峰值
     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())  
              )

   • 每个数字特征得分布可视化

     ## 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")

   • 数字特征相互之间的关系可视化

     ## 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()

   • 多变量互相回归关系可视化

     ## 5) 多变量互相回归关系可视化
     fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20))
     # ['v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14']
     v_12_scatter_plot = pd.concat([Y_train,Train_data['v_12']],axis = 1)
     sns.regplot(x='v_12',y = 'price', data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1)
     
     v_8_scatter_plot = pd.concat([Y_train,Train_data['v_8']],axis = 1)
     sns.regplot(x='v_8',y = 'price',data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2)
     
     v_0_scatter_plot = pd.concat([Y_train,Train_data['v_0']],axis = 1)
     sns.regplot(x='v_0',y = 'price',data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3)
     
     power_scatter_plot = pd.concat([Y_train,Train_data['power']],axis = 1)
     sns.regplot(x='power',y = 'price',data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4)
     
     v_5_scatter_plot = pd.concat([Y_train,Train_data['v_5']],axis = 1)
     sns.regplot(x='v_5',y = 'price',data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5)
     
     v_2_scatter_plot = pd.concat([Y_train,Train_data['v_2']],axis = 1)
     sns.regplot(x='v_2',y = 'price',data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6)
     
     v_6_scatter_plot = pd.concat([Y_train,Train_data['v_6']],axis = 1)
     sns.regplot(x='v_6',y = 'price',data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7)
     
     v_1_scatter_plot = pd.concat([Y_train,Train_data['v_1']],axis = 1)
     sns.regplot(x='v_1',y = 'price',data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8)
     
     v_14_scatter_plot = pd.concat([Y_train,Train_data['v_14']],axis = 1)
     sns.regplot(x='v_14',y = 'price',data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9)
     
     v_13_scatter_plot = pd.concat([Y_train,Train_data['v_13']],axis = 1)
     sns.regplot(x='v_13',y = 'price',data = v_13_scatter_plot,scatter= True, fit_reg=True, ax=ax10)

2. 类型特征分析

   • unique分布

   • 类别特征箱形图可视化

   • 类别特征的小提琴图可视化

   • 类别特征的柱形图可视化类别

   • 特征的每个类别频数可视化(count_plot)

     ## 1) unique分布
     for fea in categorical_features:
         print(Train_data[fea].nunique())
     
     categorical_features
     
     ## 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")
     
     Train_data.columns
     
     ## 3) 类别特征的小提琴图可视化
     catg_list = categorical_features
     target = 'price'
     for catg in catg_list :
         sns.violinplot(x=catg, y=target, data=Train_data)
         plt.show()
         
     categorical_features = ['model',
      'brand',
      'bodyType',
      'fuelType',
      'gearbox',
      'notRepairedDamage']
      
      ## 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", "price")
     
     ##  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")

3. 用pandas_profiling生成数据报告

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