Python大數據處理案例

分享

知識要點：
lubridate包拆解時間 | POSIXlt
利用決策樹分類，利用隨機森林預測
利用對數進行fit，和exp函數還原

訓練集來自Kaggle華盛頓自行車共享計劃中的自行車租賃數據，分析共享自行車與天氣、時間等關係。數據集共11個變量，10000多行數據。
https://www.kaggle.com/c/bike-sharing-demand

首先看一下官方給出的數據，一共兩個表格，都是2011-2012年的數據，區別是Test文件是每月的日期都是全的，可是沒有註冊用戶和隨意用戶。而Train文件是每月只有1-20天，但有兩類用戶的數量。
求解：補全Train文件裏21-30號的用戶數量。評價標準是預測與真實數量的比較。

1.png

首先加載文件和包

library(lubridate) library(randomForest) library(readr) setwd("E:") data<-read_csv("train.csv") head(data)

這裏我就遇到坑了，用r語言缺省的read.csv死活讀不出來正確的文件格式，換成xlsx更慘，全部時間都變成43045這樣的怪數字。原本以前試過as.Date能夠正確轉換，但此次由於有時分秒，就只能用時間戳，但結果也不行。
最後是下載了"readr"包，用read_csv語句，順利解讀。
由於test比train日期完整，但缺乏用戶數，因此要把train和test合併。

test$registered=0 test$casual=0 test$count=0 data<-rbind(train,test)

摘取時間：能夠用時間戳，這裏的時間比較簡單，就是小時數，因此也能夠直接截字符串。

data$hour1<-substr(data$datetime,12,13) table(data$hour1)

統計一下每一個小時的使用總數，是這樣（爲何介麼整齊）：

6-hour1.png

接下來是運用箱線圖，看一下使用者和時間，周幾這些的關係。爲何用箱線圖而不用hist直方圖，由於箱線圖有離散點表達，下面也所以運用對數求fit
從圖中能夠看出，在時間方面，註冊用戶和非註冊用戶的使用時間有很大不一樣。

5-hour-regestered.png

5-hour-casual.png

4-boxplot-day.png

接下來用相關係數cor檢驗用戶，溫度，體感溫度，溼度，風速的關係。

相關係數：變量之間的線性關聯度量，檢驗不一樣數據的相關程度。
取值範圍[-1，1]，越接近0越不相關。

從運算結果能夠看出，使用人羣與風速呈負相關，比溫度影響還大。

cor.png

接下來就是將時間等因素用決策樹分類，而後用隨機森林來預測。隨機森林和決策樹的算法。聽起來很高大上，其實如今也很經常使用了，因此必定要學會。

決策樹模型是 一種簡單易用的非參數分類器。它不須要對數據有任何的先驗假設，計算速度較快，結果容易解釋，並且穩健性強，不怕噪聲數據和缺失數據。
決策樹模型的基本計 算步驟以下：先從n個自變量中挑選一個，尋找最佳分割點，將數據劃分爲兩組。針對分組後數據，將上述步驟重複下去，直到知足某種條件。
在決策樹建模中須要解決的重要問題有三個：
如何選擇自變量
如何選擇分割點
肯定中止劃分的條件

作出註冊用戶和小時的決策樹，

train$hour1<-as.integer(train$hour1) d<-rpart(registered~hour1,data=train) rpart.plot(d)

3-raprt-hour1.png

而後就是根據決策樹的結果手動分類，因此還滿佔代碼的...

train$hour1<-as.integer(train$hour1) data$dp_reg=0 data$dp_reg[data$hour1<7.5]=1 data$dp_reg[data$hour1>=22]=2 data$dp_reg[data$hour1>=9.5 & data$hour1<18]=3 data$dp_reg[data$hour1>=7.5 & data$hour1<18]=4 data$dp_reg[data$hour1>=8.5 & data$hour1<18]=5 data$dp_reg[data$hour1>=20 & data$hour1<20]=6 data$dp_reg[data$hour1>=18 & data$hour1<20]=7

同理，作出 （小時 | 溫度） X （註冊 | 隨意用戶） 等決策樹，繼續手動分類....

3-raprt-temp.png

年份月份，週末假日等手動分類

data$year_part=0 data$month<-month(data$datatime) data$year_part[data$year=='2011']=1 data$year_part[data$year=='2011' & data$month>3]=2 data$year_part[data$year=='2011' & data$month>6]=3 data$year_part[data$year=='2011' & data$month>9]=4

data$day_type="" data$day_type[data$holiday==0 & data$workingday==0]="weekend" data$day_type[data$holiday==1]="holiday" data$day_type[data$holiday==0 & data$workingday==1]="working day" data$weekend=0 data$weekend[data$day=="Sunday"|data$day=="Saturday"]=1

接下來用隨機森林語句預測

在機器學習中，隨機森林是一個包含多個決策樹的分類器， 而且其輸出的類別是由個別樹輸出的類別的衆數而定。
隨機森林中的子樹的每個分裂過程並未用到全部的待選特徵，而是從全部的待選特徵中隨機選取必定的特徵，再在其中選取最優的特徵。這樣決策樹都可以彼此不一樣，提高系統的多樣性，從而提高分類性能。

ntree指定隨機森林所包含的決策樹數目，默認爲500，一般在性能容許的狀況下越大越好；
mtry指定節點中用於二叉樹的變量個數，默認狀況下數據集變量個數的二次方根（分類模型）或三分之一（預測模型）。通常是須要進行人爲的逐次挑選，肯定最佳的m值—摘自datacruiser筆記。這裏我主要學習，因此雖然有10000多數據集，但也只定了500。就這500個人小電腦也跑了半天。

train<-data
set.seed(1234) train$logreg<-log(train$registered+1) test$logcas<-log(train$casual+1) fit1<-randomForest(logreg~hour1+workingday+day+holiday+day_type+temp_reg+humidity+atemp+windspeed+season+weather+dp_reg+weekend+year+year_part,train,importance=TRUE,ntree=250) pred1<-predict(fit1,train) train$logreg<-pred1

這裏不知道怎麼回事，個人day和day_part加進去就報錯，只有刪掉這兩個變量計算，還要研究修補。
而後用exp函數還原

train$registered<-exp(train$logreg)-1 train$casual<-exp(train$logcas)-1 train$count<-test$casual+train$registered

最後把20往後的日期截出來，寫入新的csv文件上傳。

train2<-train[as.integer(day(data$datetime))>=20,] submit_final<-data.frame(datetime=test$datetime,count=test$count) write.csv(submit_final,"submit_final.csv",row.names=F)

大功告成！
github代碼加羣

原來的示例是煉數成金網站的kaggle課程第二節，基本按照視頻的思路。由於課程沒有源代碼，因此要本身修補運行完整。歷時兩三天總算把這個功課作完了。下面要修正的有：

好好理解三個知識點（lubridate包/POSIXlt，log線性，決策樹和隨機森林）；
用WOE和IV代替cor函數分析相關關係；
用其餘圖形展示的手段分析
隨機樹變量從新測試

學習過程當中遇到什麼問題或者想獲取學習資源的話，歡迎加入學習交流羣
626062078，咱們一塊兒學Python！

完成了一個「浩大完整」的數據分析，仍是頗有成就感的！