[Python數據挖掘]第5章、挖掘建模（下）

 4、關聯規則

Apriori算法代碼（被調函數部分沒怎麼看懂）

from __future__ import print_function
import pandas as pd

#自定義鏈接函數，用於實現L_{k-1}到C_k的鏈接
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

#尋找關聯規則的函數
def find_rule(d, support, confidence, ms = u'--'):
  result = pd.DataFrame(index=['support', 'confidence']) #定義輸出結果
  
  support_series = 1.0*d.sum()/len(d) #支持度序列
  column = list(support_series[support_series > support].index) #初步根據支持度篩選
  k = 0
  
  while len(column) > 1:
    k = k+1
    print(u'\n正在進行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'數目：%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
    
    #建立鏈接數據，這一步耗時、耗內存最嚴重。當數據集較大時，能夠考慮並行運算優化。
    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) #計算鏈接後的支持度
    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}到底是A+B-->C仍是B+C-->A仍是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_values(['confidence','support'], ascending = False) #結果整理，輸出
  print(u'\n結果爲：')
  print(result)
  return result
 ## 上面部分能夠封裝在一個類中，而後在下面的主程序中直接調用find_rule函數

data = pd.read_excel('data/menu_orders.xls', header = None) #讀取數據
print(u'\n轉換原始數據至0-1矩陣...')
ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #轉換0-1矩陣的過渡函數
b = map(ct, data.as_matrix()) #用map方式執行
data = pd.DataFrame(list(b)).fillna(0) #實現矩陣轉換，空值用0填充
print(u'\n轉換完畢。')
del b #刪除中間變量b，節省內存

support = 0.2 #最小支持度
confidence = 0.5 #最小置信度
ms = '---' #鏈接符，默認'--'，用來區分不一樣元素，如A--B。須要保證原始表格中不含有該字符

find_rule(data, support, confidence, ms)

5、時序模式

如下代碼全程懵逼

#arima時序模型
import matplotlib.pyplot as plt
import pandas as pd 
%matplotlib inline 
plt.rcParams['axes.unicode_minus']=False  #正常顯示負號

#讀取數據，指定日期列爲指標，Pandas自動將「日期」列識別爲Datetime格式
data = pd.read_excel('data/arima_data.xls', index_col = u'日期')
forecastnum = 5

#時序圖
data.plot()

#自相關圖
from statsmodels.graphics.tsaplots import plot_acf
plot_acf(data).show()

#平穩性檢測
from statsmodels.tsa.stattools import adfuller as ADF
print(u'原始序列的ADF檢驗結果爲：', ADF(data[u'銷量']))
#返回值依次爲adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore

#差分後的結果
D_data = data.diff().dropna()
D_data.columns = [u'銷量差分']
D_data.plot() #時序圖
plot_acf(D_data).show() #自相關圖
from statsmodels.graphics.tsaplots import plot_pacf
plot_pacf(D_data).show() #偏自相關圖
print(u'差分序列的ADF檢驗結果爲：', ADF(D_data[u'銷量差分'])) #平穩性檢測

#白噪聲檢驗
from statsmodels.stats.diagnostic import acorr_ljungbox
print(u'差分序列的白噪聲檢驗結果爲：', acorr_ljungbox(D_data, lags=1)) #返回統計量和p值


from statsmodels.tsa.arima_model import ARIMA

data[u'銷量'] = data[u'銷量'].astype(float)
#定階
pmax = int(len(D_data)/10) #通常階數不超過length/10
qmax = int(len(D_data)/10) #通常階數不超過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，因此用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) #從中能夠找出最小值

p,q = bic_matrix.stack().idxmin() #先用stack展平，而後用idxmin找出最小值位置。
print(u'BIC最小的p值和q值爲：%s、%s' %(p,q)) 
model = ARIMA(data, (p,1,q)).fit() #創建ARIMA(0, 1, 1)模型
model.summary2() #給出一份模型報告
model.forecast(5) #做爲期5天的預測，返回預測結果、標準偏差、置信區間。

6、離羣點檢測

 

 

#使用K-Means算法聚類消費行爲特徵數據
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
%matplotlib inline 
plt.rcParams['axes.unicode_minus']=False  #正常顯示負號

#參數初始化
k = 3 #聚類的類別
threshold = 2 #離散點閾值
iteration = 500 #聚類最大循環次數

data = pd.read_excel('data/consumption_data.xls', index_col = 'Id') #讀取數據
data_zs = 1.0*(data - data.mean())/data.std() #數據標準化

model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分爲k類，併發數4
model.fit(data_zs) #開始聚類

#標準化數據及其類別
r = pd.concat([data_zs, pd.Series(model.labels_, index = data.index)], axis = 1)  #每一個樣本對應的類別
r.columns = list(data.columns) + [u'聚類類別'] #重命名錶頭

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()) #求相對距離並添加
norm = pd.concat(norm) #合併

norm[norm <= threshold].plot(style = 'go') #正常點
discrete_points = norm[norm > threshold] #離羣點
discrete_points.plot(style = 'ro')
for i in range(len(discrete_points)): #離羣點作標記
  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()

7、小結