《Python資料分析與挖掘實戰》第五章案例代碼總結與修改分析

第五章案例代碼總結與修改分析

【有問題或錯誤，請私信我将及時改正；借鑒文章标明出處，謝謝】

每個案例代碼全部為書中源代碼，出現錯誤按照每個案例下面給出的代碼錯誤，原因，及怎樣修改進行修改即可解決每個案例錯誤

5-1

import pandas as pd
filename = 'F:/大二下合集/Python資料分析與挖掘/bankloan.xls'
data = pd.read_excel(filename)
x = data.iloc[:,:8].as_matrix()
y = data.iloc[:,8].as_matrix()
from sklearn.linear_model import LogisticRegression as LR
from sklearn.linear_model import RandomizedLogisticRegression as RLR
rlr = RLR() #建立随機邏輯回歸模型，篩選變量
rlr.fit(x, y) #訓練模型
rlr.get_support() #擷取特征篩選結果，也可以通過.scores_方法擷取各個特征的分數
print(u'通過随機邏輯回歸模型篩選特征結束。')
print(u'有效特征為：%s' % ','.join(data.columns[rlr.get_support(8)]))
x = data[data.columns[rlr.get_support()]].as_matrix() #篩選好特征
lr = LR() #建立邏輯回歸模型
lr.fit(x, y) #用篩選後的特征資料來訓練模型
print(u'邏輯回歸模型訓練結束。')
print(u'模型的平均正确率為：%s' % lr.score(x, y)) #給出模型的平均正确率，本例為81.4%
           

報錯1：

AttributeError: 'DataFrame' object has no attribute 'as_matrix'
           

報錯原因：屬性錯誤：“DataFrame”對象沒有屬性“reshape”

解決方法：“DataFrame”對象沒有，但是DataFrame.values有該方法

将.as_matrix()改為.values

第一次改為了.values() 出錯：

TypeError: 'numpy.ndarray' object is not callable
           

報錯原因：.values，它是dataframe類對象的一個屬性，不是方法

第二次改為.values沒報錯了

報錯2：

ImportError: cannot import name 'RandomizedLogisticRegression'
           

問題語句：

from sklearn.linear_model import RandomizedLogisticRegression
           

查找原因：

一個部落格中寫道了這個問題RandomizedLogisticRegression ImportError解決辦法

查得sklearn(版本0.21.3)的linear_model檔案夾下面已經沒有randomized_l1.py檔案，而RandomizedLogisticRegression就在該檔案内。RandomizedLogisticRegression已經被移出sklearn包，移到了 scikit-learn-contrib/stability-selection中,提取的stability-selection安裝過程(後兩步需要cd到對應檔案的路徑下面運作)：

git clone https://github.com/scikit-learn-contrib/stability-selection.git
pip install -r requirements.txt
python setup.py install
           

在執行第三個指令有報錯：

error: [WinError 32] 另一個程式正在使用此檔案，程序無法通路。: 'd:\\python\\miniconda3_py3.6_x64_jb51\\lib\\site-packages\\stability_selection-0.0.1-py3.6.egg'
           

這個問題找到你的這個目錄下的這個檔案“tability_selection-0.0.1-py3.6.egg”發現他是一個壓縮包，把他解壓後删除這個壓縮包，一般解壓後就沒有字尾了即檔案名字就是：“tability_selection-0.0.1-py3.6”給他修改名字最後添加上”.egg”，再次運作沒有錯誤了

安裝後運作将剛報錯的代碼改為下面代碼：

from stability_selection.randomized_lasso import RandomizedLogisticRegression
           

沒有報錯，import正常。

确實按照這個部落格寫完沒報錯出現了第三個問題

報錯3：

AttributeError: 'RandomizedLogisticRegression' object has no attribute 'get_support'
           

解決問題到了這裡我開始了迷茫，經過幾天的百度與版本更替實驗還是未能成功解決。那麼換個思路，想把例子整體了解吃透，之後慢慢了解了這個各個版本不管是sklearn或是panda、tensorflow等等，它們在更新之後做了什麼改動，那麼再回過頭來看這個例子錯誤就容易解決了。是以5-1這個例子暫時沒有得到解決，等我解決會進行添加解決的步驟。

5-2

#-*- coding: utf-8 -*-
import pandas as pd
inputfile = 'F:/大二下合集/Python資料分析與挖掘/sales_data.xls'
data = pd.read_excel(inputfile, index_col=u'序号')
data[data == u'好'] = 1
data[data == u'是'] = 1
data[data == u'高'] = 1
data[data != 1] = -1
x = data.iloc[:, :3].as_matrix().astype(int)
y = data.iloc[:, 3].as_matrix().astype(int)
from sklearn.tree import DecisionTreeClassifier as DTC
dtc = DTC(criterion='entropy')
dtc.fit(x, y)
from sklearn.tree import export_graphviz
from sklearn.externals.six import StringIO
with open("tree.dot", 'w') as f:
f = export_graphviz(dtc, feature_names=x.columns, out_file=f)
           

代碼報錯：

第一個錯誤原因：

x = data.iloc[:, :3].as_matrix().astype(int)
y = data.iloc[:, 3].as_matrix().astype(int)
           

修改為：

x = data.iloc[:, :3].values.astype(int)
y = data.iloc[:, 3].values.astype(int)
           

第二個錯誤原因：

f = export_graphviz(dtc, feature_names=x.columns, out_file=f)
           

修改為：

應該在with open(“tree.dot”, ‘w’) as f:這行之前添加下面這句

x = pd.DataFrame(x)
           

在目錄下會有tree.dot文本檔案

我們需要下載下傳Graphviz(跨平台的、基于指令行的繪圖工具)，然後在指令行進行編譯

5-3

#-*- coding: utf-8 -*-
#使用神經網絡算法預測銷量高低
import pandas as pd
#參數初始化
inputfile = 'F:/大二下合集/Python資料分析與挖掘/sales_data.xls'
data = pd.read_excel(inputfile, index_col = u'序号') #導入資料
#資料是類别标簽，要将它轉換為資料
#用1來表示“好”、“是”、“高”這三個屬性，用0來表示“壞”、“否”、“低”
data[data == u'好'] = 1
data[data == u'是'] = 1
data[data == u'高'] = 1
data[data != 1] = 0
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)
from keras.models import Sequential
from keras.layers.core import Dense, Activation
model = Sequential() #建立模型
model.add(Dense(input_dim = 3, output_dim = 10))
model.add(Activation('relu')) #用relu函數作為激活函數，能夠大幅提供準确度
model.add(Dense(input_dim = 10, output_dim = 1))
model.add(Activation('sigmoid')) #由于是0-1輸出，用sigmoid函數作為激活函數
model.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = 'binary')
#編譯模型。由于我們做的是二進制分類，是以我們指定損失函數為binary_crossentropy，以及模式為binary
#另外常見的損失函數還有mean_squared_error、categorical_crossentropy等，請閱讀幫助檔案。
#求解方法我們指定用adam，還有sgd、rmsprop等可選
model.fit(x, y, nb_epoch = 1000, batch_size = 10) #訓練模型，學習一千次
yp = model.predict_classes(x).reshape(len(y)) #分類預測
from cm_plot import * #導入自行編寫的混淆矩陣可視化函數
cm_plot(y,yp).show() #顯示混淆矩陣可視化結果
           

代碼錯誤：

原因：

model.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = 'binary')
           

解決：

删除這行中的參數class_mode=“binary”

即：

model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
           

之後還有一個錯誤這裡的錯誤圖沒了，聽我口述即可，他會報錯找不到cm_plot

原因：

cm_plot是個自定義函數，你還沒有這個函數

解決：

添加自定義cm_plot函數，函數内容如下：

#-*- coding: utf-8 -*-  
def cm_plot(y, yp):
  from sklearn.metrics import confusion_matrix #導入混淆矩陣函數  
  cm = confusion_matrix(y, yp) #混淆矩陣  
  import matplotlib.pyplot as plt #導入作圖庫  
  plt.matshow(cm, cmap=plt.cm.Greens) #畫混淆矩陣圖，配色風格使用cm.Greens，更多風格請參考官網。  
  plt.colorbar() #顔色标簽  
  for x in range(len(cm)): #資料标簽  
    for y in range(len(cm)):
     plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  plt.ylabel('True label') #坐标軸标簽  
  plt.xlabel('Predicted label') #坐标軸标簽  
  return plt
           

将自定義好的函數放入到你python環境下site-packages中，如下圖

5-4

#-*- coding: utf-8 -*-
#使用K-Means算法聚類消費行為特征資料
import pandas as pd
#參數初始化
inputfile = 'F:/大二下合集/Python資料分析與挖掘/consumption_data.xls' #銷量及其他屬性資料
outputfile = 'F:/大二下合集/Python資料分析與挖掘/data_type.xls' #儲存結果的檔案名
k = 3 #聚類的類别
iteration = 500 #聚類最大循環次數
data = pd.read_excel(inputfile, index_col = 'Id') #讀取資料
data_zs = 1.0*(data - data.mean())/data.std() #資料标準化
from sklearn.cluster import KMeans
model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分為k類，并發數4
model.fit(data_zs) #開始聚類
#簡單列印結果
r1 = pd.Series(model.labels_).value_counts() #統計各個類别的數目
r2 = pd.DataFrame(model.cluster_centers_) #找出聚類中心
r = pd.concat([r2, r1], axis = 1) #橫向連接配接（0是縱向），得到聚類中心對應的類别下的數目
r.columns = list(data.columns) + [u'類别數目'] #重命名表頭
print(r)
#詳細輸出原始資料及其類别
r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)  #詳細輸出每個樣本對應的類别
r.columns = list(data.columns) + [u'聚類類别'] #重命名表頭
r.to_excel(outputfile) #儲存結果
def density_plot(data): #自定義作圖函數
  import matplotlib.pyplot as plt
  plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文标簽
  plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負号
  p = data.plot(kind='kde', linewidth = 2, subplots = True, sharex = False)
  [p[i].set_ylabel(u'密度') for i in range(k)]
  plt.legend()
  return plt
pic_output = 'F:/大二下合集/Python資料分析與挖掘/pd_' #機率密度圖檔案名字首
for i in range(k):
  density_plot(data[r[u'聚類類别']==i]).savefig(u'%s%s.png' %(pic_output, i))
           

運作結果：

在你所輸出的目錄下會有圖檔：

這個案例代碼沒問題

5-5

#-*- coding: utf-8 -*-
#接k_means.py
from sklearn.manifold import TSNE
tsne = TSNE()
tsne.fit_transform(data_zs) #進行資料降維
tsne = pd.DataFrame(tsne.embedding_, index = data_zs.index) #轉換資料格式
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文标簽
plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負号
#不同類别用不同顔色和樣式繪圖
d = tsne[r[u'聚類類别'] == 0]
plt.plot(d[0], d[1], 'r.')
d = tsne[r[u'聚類類别'] == 1]
plt.plot(d[0], d[1], 'go')
d = tsne[r[u'聚類類别'] == 2]
plt.plot(d[0], d[1], 'b*')
plt.show()
           

代碼錯誤：

原因：

需要與5-4案例結合

解決：

在5-5代碼之前添加，如下代碼

#-*- coding: utf-8 -*-
#接k_means.py
import pandas as pd
inputfile = 'F:/大二下合集/Python資料分析與挖掘/consumption_data.xls'
outputfile = 'F:/大二下合集/Python資料分析與挖掘/data_type.xls'
k = 3
iteration = 500
data = pd.read_excel(inputfile, index_col = 'Id')
data_zs = 1.0*(data - data.mean())/data.std()
from sklearn.cluster import KMeans
model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration)
model.fit(data_zs)
r1 = pd.Series(model.labels_).value_counts()
r2 = pd.DataFrame(model.cluster_centers_)
r = pd.concat([r2, r1], axis = 1)
r.columns = list(data.columns) + [u'類别數目']
print(r)
r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)
r.columns = list(data.columns) + [u'聚類類别']
r.to_excel(outputfile)
           

5-6

import pandas as pd
from apriori import * #導入自行編寫的apriori函數
inputfile = 'F:/大二下合集/Python資料分析與挖掘/menu_orders.xls'
outputfile = 'F:/大二下合集/Python資料分析與挖掘/apriori_rules.xls' #結果檔案
data = pd.read_excel(inputfile, header = None)
print(u'\n轉換原始資料至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，非空值轉換成‘1’
b = map(ct, data.values) #用map方式執行
data = pd.DataFrame(list(b)).fillna(0) #實作矩陣轉換，空值用0填充
print(u'\n轉換完畢。')
del b #删除中間變量b，節省記憶體
support = 0.2 #最小支援度
confidence = 0.5 #最小置信度
ms = '---' #連接配接符，預設'--'，用來區分不同元素，如A--B。需要保證原始表格中不含有該字元
find_rule(data, support, confidence, ms).to_excel(outputfile) #儲存結果
           

代碼錯誤：

這裡錯誤圖檔沒了，我來口述這個錯誤，就是會報錯找不到apriori

原因：

cm_plot是個自定義函數，你還沒有這個函數

解決：

添加自定義apriori函數，函數内容如下：

#-*- coding: utf-8 -*-
from __future__ import print_function
import pandas as pd
#自定義連接配接函數，用于實作L_{k-1}到C_k的連接配接
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) #支援度序列
  column = list(support_series[support_series > support].index) #初步根據支援度篩選
  k = 0
  while len(column) > 1:
    k = k+1
    print(u'\n正在進行第%s次搜尋...' %k)
    column = connect_string(column, ms)
    print(u'數目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支援度的計算函數
    #建立連接配接資料，這一步耗時、耗記憶體最嚴重。當資料集較大時，可以考慮并行運算優化。
    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) #計算連接配接後的支援度
    column = list(support_series_2[support_series_2 > support].index) #新一輪支援度篩選
    support_series = support_series.append(support_series_2)
    column2 = []
    for i in column: #周遊可能的推理，如{A,B,C}究竟是A+B-->C還是B+C-->A還是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結果為：')
  print(result)
  return result
           

将自定義好的函數放入到你python環境下site-packages中，如下圖

5-7

#-*- coding: utf-8 -*-
#arima時序模型
import pandas as pd
#參數初始化
discfile = 'F:/大二下合集/Python資料分析與挖掘/arima_data.xls'
forecastnum = 5
#讀取資料，指定日期列為名額，Pandas自動将“日期”列識别為Datetime格式
data = pd.read_excel(discfile, index_col = u'日期')
#時序圖
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文标簽
plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負号
data.plot()
plt.show()
#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檢驗結果為：', ADF(data[u'銷量']))
#傳回值依次為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
plt.show()
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檢驗結果為：', 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為：', acorr_ljungbox(D_data, lags=1)) #傳回統計量和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) #一般階數不超過length/10
qmax = int(len(D_data)/10) #一般階數不超過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，是以用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) #從中可以找出最小值
p,q = bic_matrix.stack().idxmin() #先用stack展平，然後用idxmin找出最小值位置。
print(u'BIC最小的p值和q值為：%s、%s' %(p,q)) 
model = ARIMA(data, (p,1,q)).fit() #建立ARIMA(0, 1, 1)模型
model.summary2() #給出一份模型報告
model.forecast(5) #作為期5天的預測，傳回預測結果、标準誤差、置信區間。
           

代碼錯誤：

沒有報錯，但是在idea中運作出模型報告、5天的預測，傳回預測結果、标準誤差、置信區間結果

原因：

model.summary2() #給出一份模型報告
model.forecast(5) #作為期5天的預測，傳回預測結果、标準誤差、置信區間。
           

修改為：(即添加print)

print(model.summary2()) #給出一份模型報告
print(model.forecast(5)) #作為期5天的預測，傳回預測結果、标準誤差、置信區間。
           

5-8

#-*- coding: utf-8 -*-
#使用K-Means算法聚類消費行為特征資料
import numpy as np
import pandas as pd
#參數初始化
inputfile = 'F:/大二下合集/Python資料分析與挖掘/consumption_data.xls' #銷量及其他屬性資料
k = 3 #聚類的類别
threshold = 2 #離散點門檻值
iteration = 500 #聚類最大循環次數
data = pd.read_excel(inputfile, index_col = 'Id') #讀取資料
data_zs = 1.0*(data - data.mean())/data.std() #資料标準化
from sklearn.cluster import KMeans
model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分為k類，并發數4
model.fit(data_zs) #開始聚類
#标準化資料及其類别
r = pd.concat([data_zs, pd.Series(model.labels_, index = data.index)], axis = 1)  #每個樣本對應的類别
r.columns = list(data.columns) + [u'聚類類别'] #重命名表頭
norm = []
for i in range(k): #逐一處理
  norm_tmp = r[['R', 'F', 'M']][r[u'聚類類别'] == 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()) #求相對距離并添加
norm = pd.concat(norm) #合并
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文标簽
plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負号
norm[norm <= threshold].plot(style = 'go') #正常點
discrete_points = norm[norm > threshold] #離群點
discrete_points.plot(style = 'ro')
for i in range(len(discrete_points)): #離群點做标記
  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'編号')
plt.ylabel(u'相對距離')
plt.show()
           

這個案例代碼沒問題

【有問題或錯誤，請私信我将及時改正；借鑒文章标明出處，謝謝】