第1关:数据探索与可视化
任务描述
本关任务:编写python
代码,完成一天中不同时间段的平均租赁数量的可视化功能。
相关知识
为了完成本关任务,你需要掌握:
- 读取数据
- 数据探索与可视化
读取数据
数据保存在./step1/bike_train.csv
中,共享单车的训练集数据总共有8709
个训练样本,训练样本中有12
个特征(其中count
为标签)。特征说明如下:
datetime
:时间。年月日小时格式season
:季节。1
:春天;2
:夏天;3
:秋天;4
:冬天holiday
:是否节假日。0
:否;1
:是workingday
:是否工作日。0
:否;1
:是weather
:天气。1
:晴天;2
:阴天;3
:小雨或小雪;4
:恶劣天气temp
:实际温度atemp
:体感温度humidity
:湿度windspeed
:风速casual
:未注册用户租车数量registered
:注册用户租车数量count
:总租车数量
想要读取数据很简单,使用pandas
即可,代码如下:
import pandas as pd
train_df = pd.read_csv('./step1/bike_train.csv')
# 打印数据中的前5行
print(train_df.head(5))
输出如下图所示:
数据探索与可视化
一般拿到数据之后都需要做数据探索(EDA
),因为我们需要看看数据到底长什么样子,有什么特性是可以挖掘出来的。假设我们需要看看数据的大概分布是什么样的。可以用pandas
提供的describe()
函数。输出如下:
此时我们能看到count
的标准差很大,我们可以将count
的数据分布可视化出来,代码如下:
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
# 画count的直方图
plt.hist(train_df['count'],bins=20)
plt.title('count histgram')
plt.xlabel('count')
可视化结果如下:
从可视化结果可以看出,count
的整体的分布倾斜比较严重,需要处理一下,不然可能过拟合会有点严重。此时我们可以考虑将count
的数值在3
个标准差之外的样本给扔掉,减少训练集中的噪声,并对count
做log
变换。代码如下:
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
# 筛选3个标准差以内的数据
train_df=train_df[np.abs(train_df['count']-train_df['count'].mean())<=3*train_df['count'].std()]
# log变换
y=train_df['count'].values
y_log=np.log(y)
# 可视化
sns.distplot(y_log)
plt.title('distribution of count after log')
处理后可视化结果如下:
可以从可视化结果看出,转换过后,count
的分布倾斜没有那么严重了,差异也变小了。
接下来我们看看其他的一些特征对于共享单车租赁量的影响。
首先来看看季节对于租赁量的影响,代码如下:
day_df=train_df.groupby('date').agg({'season':'mean',
'casual':'sum', 'registered':'sum',
'count':'sum','temp':'mean',
'atemp':'mean','workingday':'mean','holiday':'mean'})
season_day_mean=day_df.groupby(['season'],as_index=True).agg({'casual':'mean', 'registered':'mean','count':'mean'})
temp_df = day_df.groupby(['season'], as_index=True).agg({'temp':'mean', 'atemp':'mean'})
season_day_mean.plot(figsize=(15,9),xticks=range(1,4))
plt.title('count in different season')
可视化结果如下:
从可视化结果可以看出,临时用户和注册用户用车数量变化趋势大体一致,且两年间都在秋季左右达到了比较高的用车辆,说明美国人也都比较喜欢在这段时间外出游玩。这是符合常理的。
接下来看看天气对租赁数量的影响,代码如下:
weather_group=train_df.groupby(['weather'])
weather_count=weather_group[['count','registered','casual']].count()
weather_mean=weather_group[['count','registered','casual']].mean()
# 不同天气的每小时平均租赁数量
weather_mean.plot.bar(stacked=True,title='count per hour in different weather')
可视化结果如下:
讲道理,天气比较好的时侯,骑共享单车的人才比较多。但上图中像4
(恶劣天气)这种天气的租赁数量也比较高,这是不是有点反常呢?我们可以从数据集中找出对应的数据看看,代码如下:
print(train_df.loc[train_df.weather==4])
数据结果如下:
数据的时间是下午6点,刚好是下班的高峰期,所以能够理解为什么这条数据对应的租赁量均值那么高了,这也是符合常理的。
那么一天中不同时间段对于租赁数量有什么样的影响呢?这个就留给你做练习吧。
编程要求
根据提示,在右侧编辑器Begin-End
处补充代码,将./step1/bike_train.csv
中的数据按照hour
这个特征分组,然后求每一组的count
的平均值。并使用matplotlib.pyplot
绘制折线图,并保存到./step1/result/plot.png
。
测试说明
平台会对你生成的折线图与正确答案进行比对,因此请按照以下要求可视化:
- 折线图的
figsize
为(10, 10)
- 折线图的标题为
average count per hour
测试输入: 预期输出:你的答案与正确答案一致
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
#********* Begin *********#
import pandas as pd
import matplotlib.pyplot as plt
train_df = pd.read_csv('./step1/bike_train.csv')
train_df['hour'] = train_df.datetime.apply(lambda x:x.split()[1].split(':')[0]).astype('int')
group_hour=train_df.groupby(train_df.hour)
hour_mean=group_hour[['count','registered','casual']].mean()
fig=plt.figure(figsize=(10,10))
plt.plot(hour_mean['count'])
plt.title('average count per hour')
plt.savefig('./step1/result/plot.png')
#********* End *********#
第2关:特征工程
任务描述
本关任务:编写python
代码,完成时间细化的功能。
相关知识
为了完成本关任务,你需要掌握:
- 相关性分析
- 特征选择
相关性分析
在选择特征之前,我们可以看看各个特征相关性的强弱。代码如下:
# 计算特征对的相关性
corr_df=train_df.corr()
corr_df1=abs(corr_df)
# 画热力图
fig=plt.gcf()
fig.set_size_inches(30,12)
sns.heatmap(data=corr_df1,square=True,annot=True,cbar=True)
相关性热力图如下(其中颜色越亮,代表线性相关性越高):
选择特征
在使用相关性这一指标来选择特征时,通常选择相关性较低,也就是颜色较暗的特征。因为如果选择相关性较高的,比如temp
和atemp
。从图可以看出这两个特征的相关性很高,也就是说在训练模型的时候,这两个特征所对应的权重是成比例的。既然成比例,那么之选其中一个就行了。
根据热力图我们暂且可以选择时段(hour
)、温度(temp
)、湿度(humidity
)、季节(season
)、天气(weather
)、风速(windspeed
)、是否工作日(workingday
)、是否假日(holiday
、注册用户租赁数量(registered
)作为特征。
编程要求
现在可能觉得datetime
这个字段有必要再细化挖掘一下,比如细化成年份、月份、日期、星期几等。
根据提示,在右侧编辑器Begin-End
处补充代码,实现transform_data
函数。该函数需要你将train_df
中的datetime
字段进行细化,细化成year
(年份)、month
(月份)、date
(日期
)、weekdat
(星期几)、hour
(小时)。并返回细化后的DataFrame
。
例如,原始数据如下:
细化后数据如下:
测试说明
平台会对你返回的DataFrame
与答案进行比对,您只需实现transform_data
即可。
测试输入: 预期输出:你的答案与正确答案一致。
import pandas as pd
import numpy as np
from datetime import datetime
def transform_data(train_df):
'''
将train_df中的datetime划分成year、month、date、weekday、hour
:param train_df:从bike_train.csv中读取的DataFrame
:return:无
'''
#********* Begin *********#
train_df['date'] = train_df.datetime.apply(lambda x:x.split()[0])
train_df['hour'] = train_df.datetime.apply(lambda x:x.split()[1].split(':')[0]).astype('int')
train_df['year'] = train_df.datetime.apply(lambda x:x.split()[0].split('-')[0]).astype('int')
train_df['month'] = train_df.datetime.apply(lambda x: x.split()[0].split('-')[1]).astype('int')
train_df['weekday'] = train_df.date.apply(lambda x: datetime.strptime(x, '%Y-%m-%d').isoweekday())
return train_df
#********* End **********#
第3关:租赁需求预估
任务描述
本关任务:编写python
代码,实现租赁需求预估。
相关知识
为了完成本关任务,你需要掌握:
- 独热编码
sklearn
机器学习算法的使用- 生成预测结果
独热编码
一般来说,代表类型型的特征我们需要对其进行独热编码。像数据中季节这种类别型的特征,应该使用独热编码。因为如果使用原始的1、2、3、4
的话,机器学习算法可能会认为4
这个季节更重要。为了防止这种偏见,我们就需要对其进行独热编码。
独热编码其实很简单,就是将待编码的特征的所有可能的取值列出来,然后再在对应的位置上填1
,其他位置填0
。可以看成是二进制的一种变形。
比如有4
个样本的season
分别为2、2、2、1
。如下图所示:
那么将其独热编码后,如下图所示(第1
行到第3
行的season=2
,所以编码后,每行的season_2
这一列为1
,其他列为0
。而第4
行的season=1
,所以编码后,season_1
这一列为1
,其他列为0
):
代码如下:
import pandas as pd
# 将train_df中的season这一列进行独热编码
dummies_season = pd.get_dummies(train_df['season'], prefix='season')
# 打印
print(dummies_season)
sklearn
机器学习算法的使用
sklearn
中提供了非常多的机器学习算法的接口,例如逻辑回归、弹性网络、随机森林等等。而且使用起来非常简单,只需要fit
、predict
二连即可。而本关是对共享单车的租赁需求量做预测,所以这是一个回归问题。在这里给出sklearn
解决回归问题的示例代码:
from sklearn.linear_model import Ridge
# 实例化Ridge回归对象
ridge = Ridge(alpha=1.0)
# 使用训练集的数据和标签训练
ridge.fit(train_df, train_label)
# 对测试集数据进行预测
pred_result = ridge.predict(test_df)
生成预测结果
想要将预测结果保存到文件中,可以使用pandas
来实现,示例代码如下:
import pandas as pd
# 构建DataFrame,pred_result为机器学习算法的预测结果
result = pd.DataFrame({'count':pred_result})
# 将DataFrame保存成result.csv,并且保存时不保留index
result.to_csv('./result.csv', index=False)
编程要求
根据提示,在右侧编辑器补充代码。代码主要任务如下:
- 读取
./step3/bike_train.csv
中的数据作为训练集,读取./step3/bike_test.csv
中的数据作为测试集 - 将数据处理成你想要的样子
- 使用
sklearn
对训练集数据进行训练,并对测试集进行预测 - 将预测结果保存至
./step3/result.csv
测试说明
平台会计算你保存的./step3/result.csv
的r2 score
。若r2 score
高于0.95
视为过关。
测试输入: 预期输出:你的预测结果的r2 score高于0.95
PS:./step3/result.csv
中需要两列。一列为datetime
,另一列为count
。其中datetime
为./step3/bike_test.csv
中的datetime
,count
为你的预测结果。如:
#********* Begin *********#
import pandas as pd
import numpy as np
from datetime import datetime
from sklearn.linear_model import Ridge
train_df = pd.read_csv('./step3/bike_train.csv')
# 舍弃掉异常count
train_df=train_df[np.abs(train_df['count']-train_df['count'].mean())<=3*train_df['count'].std()]
# 训练集的时间数据处理
train_df['date']=train_df.datetime.apply(lambda x:x.split()[0])
train_df['hour']=train_df.datetime.apply(lambda x:x.split()[1].split(':')[0]).astype('int')
train_df['year']=train_df.datetime.apply(lambda x:x.split()[0].split('-')[0]).astype('int')
train_df['month']=train_df.datetime.apply(lambda x:x.split()[0].split('-')[1]).astype('int')
train_df['weekday']=train_df.date.apply( lambda x : datetime.strptime(x,'%Y-%m-%d').isoweekday())
# 独热编码
train_df_back=train_df
dummies_month = pd.get_dummies(train_df['month'], prefix='month')
dummies_year = pd.get_dummies(train_df['year'], prefix='year')
dummies_season = pd.get_dummies(train_df['season'], prefix='season')
dummies_weather = pd.get_dummies(train_df['weather'], prefix='weather')
train_df_back = pd.concat([train_df, dummies_month,dummies_year, dummies_season,dummies_weather], axis = 1)
train_label = train_df_back['count']
train_df_back = train_df_back.drop(['datetime', 'season', 'weather', 'atemp', 'date', 'month', 'count'], axis=1)
test_df = pd.read_csv('./step3/bike_test.csv')
# 测试集的时间数据处理
test_df['date']=test_df.datetime.apply(lambda x:x.split()[0])
test_df['hour']=test_df.datetime.apply(lambda x:x.split()[1].split(':')[0]).astype('int')
test_df['year']=test_df.datetime.apply(lambda x:x.split()[0].split('-')[0]).astype('int')
test_df['month']=test_df.datetime.apply(lambda x:x.split()[0].split('-')[1]).astype('int')
test_df['weekday']=test_df.date.apply( lambda x : datetime.strptime(x,'%Y-%m-%d').isoweekday())
# 独热编码
test_df_back=test_df
dummies_month = pd.get_dummies(test_df['month'], prefix='month')
dummies_year = pd.get_dummies(test_df['year'], prefix='year')
dummies_season = pd.get_dummies(test_df['season'], prefix='season')
dummies_weather = pd.get_dummies(test_df['weather'], prefix='weather')
test_df_back = pd.concat([test_df, dummies_month,dummies_year, dummies_season,dummies_weather], axis = 1)
test_df_back = test_df_back.drop(['datetime', 'season', 'weather', 'atemp', 'date', 'month'], axis=1)
clf = Ridge(alpha=1.0)
# 训练
clf.fit(train_df_back, train_label)
# 预测
count = clf.predict(test_df_back)
# 保存结果
result = pd.DataFrame({'datetime':test_df['datetime'], 'count':count})
result.to_csv('./step3/result.csv', index=False)
#********* End *********#