《Python数据分析与挖掘实战》第五章案例代码总结与修改分析

第五章案例代码总结与修改分析

【有问题或错误，请私信我将及时改正；借鉴文章标明出处，谢谢】

每个案例代码全部为书中源代码，出现错误按照每个案例下面给出的代码错误，原因，及怎样修改进行修改即可解决每个案例错误

5-1

    import pandas as pd
   filename = 'F:/大二下合集/Python数据分析与挖掘/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() #建立随机逻辑回归模型，筛选变量
   rlr.fit(x, y) #训练模型
   rlr.get_support() #获取特征筛选结果，也可以通过.scores_方法获取各个特征的分数
   print(u'通过随机逻辑回归模型筛选特征结束。')
   print(u'有效特征为：%s' % ','.join(data.columns[rlr.get_support(8)]))
   x = data[data.columns[rlr.get_support()]].as_matrix() #筛选好特征
   lr = LR() #建立逻辑回归模型
   lr.fit(x, y) #用筛选后的特征数据来训练模型
   print(u'逻辑回归模型训练结束。')
   print(u'模型的平均正确率为：%s' % lr.score(x, y)) #给出模型的平均正确率，本例为81.4%

报错1：

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

报错原因：属性错误：“DataFrame”对象没有属性“reshape”

解决方法：“DataFrame”对象没有，但是DataFrame.values有该方法 将.as_matrix()改为.values

第一次改为了.values() 出错：

    TypeError: 'numpy.ndarray' object is not callable

报错原因：.values，它是dataframe类对象的一个属性，不是方法

第二次改为.values没报错了

报错2：

    ImportError: cannot import name 'RandomizedLogisticRegression'

问题语句：

    from sklearn.linear_model import RandomizedLogisticRegression

查找原因： 一个博客中写道了这个问题 RandomizedLogisticRegression ImportError解决办法

查得sklearn(版本0.21.3)的linear_model文件夹下面已经没有randomized_l1.py文件，而RandomizedLogisticRegression就在该文件内。RandomizedLogisticRegression已经被移出sklearn包，移到了 scikit-learn-contrib/stability-selection中,提取的stability- selection安装过程(后两步需要cd到对应文件的路径下面运行)：

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

在执行第三个命令有报错：

    error: [WinError 32] 另一个程序正在使用此文件，进程无法访问。: 'd:\\python\\miniconda3_py3.6_x64_jb51\\lib\\site-packages\\stability_selection-0.0.1-py3.6.egg'

这个问题找到你的这个目录下的这个文件“tability_selection-0.0.1-py3.6.egg”发现他是一个压缩包，把他解压后删除这个压缩包，一般解压后就没有后缀了即文件名字就是：“tability_selection-0.0.1-py3.6”给他修改名字最后添加上”.egg”，再次运行没有错误了

安装后运行将刚报错的代码改为下面代码：

    from stability_selection.randomized_lasso import RandomizedLogisticRegression

没有报错，import正常。

确实按照这个博客写完没报错出现了第三个问题

报错3：

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

解决问题到了这里我开始了迷茫，经过几天的百度与版本更替实验还是未能成功解决。那么换个思路，想把例子整体理解吃透，之后慢慢了解了这个各个版本不管是sklearn或是panda、tensorflow等等，它们在升级之后做了什么改动，那么再回过头来看这个例子错误就容易解决了。所以5-1这个例子暂时没有得到解决，等我解决会进行添加解决的步骤。

5-2

    #-*- coding: utf-8 -*-
    import pandas as pd
    inputfile = 'F:/大二下合集/Python数据分析与挖掘/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)

代码报错：

第一个错误原因：

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

修改为：

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

第二个错误原因：

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

修改为： 应该在with open(“tree.dot”, ‘w’) as f:这行之前添加下面这句

    x = pd.DataFrame(x)

在目录下会有tree.dot文本文件 我们需要下载Graphviz(跨平台的、基于命令行的绘图工具)，然后在命令行进行编译

5-3

    #-*- coding: utf-8 -*-
    #使用神经网络算法预测销量高低
    import pandas as pd
    #参数初始化
    inputfile = 'F:/大二下合集/Python数据分析与挖掘/sales_data.xls'
    data = pd.read_excel(inputfile, index_col = u'序号') #导入数据
    #数据是类别标签，要将它转换为数据
    #用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“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函数作为激活函数，能够大幅提供准确度
    model.add(Dense(input_dim = 10, output_dim = 1))
    model.add(Activation('sigmoid')) #由于是0-1输出，用sigmoid函数作为激活函数
    model.compile(loss = 'binary_crossentropy', optimizer = 'adam', class_mode = 'binary')
    #编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
    #另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
    #求解方法我们指定用adam，还有sgd、rmsprop等可选
    model.fit(x, y, nb_epoch = 1000, batch_size = 10) #训练模型，学习一千次
    yp = model.predict_classes(x).reshape(len(y)) #分类预测
    from cm_plot import * #导入自行编写的混淆矩阵可视化函数
    cm_plot(y,yp).show() #显示混淆矩阵可视化结果

代码错误：

原因：

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

解决： 删除这行中的参数class_mode=“binary” 即：

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

之后还有一个错误这里的错误图没了，听我口述即可，他会报错找不到cm_plot

原因： cm_plot是个自定义函数，你还没有这个函数

解决： 添加自定义cm_plot函数，函数内容如下：

    #-*- coding: utf-8 -*-  
    def cm_plot(y, yp):
      from sklearn.metrics import confusion_matrix #导入混淆矩阵函数  
      cm = confusion_matrix(y, yp) #混淆矩阵  
      import matplotlib.pyplot as plt #导入作图库  
      plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。  
      plt.colorbar() #颜色标签  
      for x in range(len(cm)): #数据标签  
        for y in range(len(cm)):
         plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
      plt.ylabel('True label') #坐标轴标签  
      plt.xlabel('Predicted label') #坐标轴标签  
      return plt

将自定义好的函数放入到你python环境下site-packages中，如下图

5-4

    #-*- coding: utf-8 -*-
    #使用K-Means算法聚类消费行为特征数据
    import pandas as pd
    #参数初始化
    inputfile = 'F:/大二下合集/Python数据分析与挖掘/consumption_data.xls' #销量及其他属性数据
    outputfile = 'F:/大二下合集/Python数据分析与挖掘/data_type.xls' #保存结果的文件名
    k = 3 #聚类的类别
    iteration = 500 #聚类最大循环次数
    data = pd.read_excel(inputfile, index_col = 'Id') #读取数据
    data_zs = 1.0*(data - data.mean())/data.std() #数据标准化
    from sklearn.cluster import KMeans
    model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4
    model.fit(data_zs) #开始聚类
    #简单打印结果
    r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目
    r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心
    r = pd.concat([r2, r1], axis = 1) #横向连接（0是纵向），得到聚类中心对应的类别下的数目
    r.columns = list(data.columns) + [u'类别数目'] #重命名表头
    print(r)
    #详细输出原始数据及其类别
    r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)  #详细输出每个样本对应的类别
    r.columns = list(data.columns) + [u'聚类类别'] #重命名表头
    r.to_excel(outputfile) #保存结果
    def density_plot(data): #自定义作图函数
      import matplotlib.pyplot as plt
      plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
      plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
      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数据分析与挖掘/pd_' #概率密度图文件名前缀
    for i in range(k):
      density_plot(data[r[u'聚类类别']==i]).savefig(u'%s%s.png' %(pic_output, i))

运行结果：

在你所输出的目录下会有图片：

这个案例代码没问题

5-5

    #-*- coding: utf-8 -*-
    #接k_means.py
    from sklearn.manifold import TSNE
    tsne = TSNE()
    tsne.fit_transform(data_zs) #进行数据降维
    tsne = pd.DataFrame(tsne.embedding_, index = data_zs.index) #转换数据格式
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
    #不同类别用不同颜色和样式绘图
    d = tsne[r[u'聚类类别'] == 0]
    plt.plot(d[0], d[1], 'r.')
    d = tsne[r[u'聚类类别'] == 1]
    plt.plot(d[0], d[1], 'go')
    d = tsne[r[u'聚类类别'] == 2]
    plt.plot(d[0], d[1], 'b*')
    plt.show()

代码错误：

原因： 需要与5-4案例结合

解决： 在5-5代码之前添加，如下代码

    #-*- coding: utf-8 -*-
    #接k_means.py
    import pandas as pd
    inputfile = 'F:/大二下合集/Python数据分析与挖掘/consumption_data.xls'
    outputfile = 'F:/大二下合集/Python数据分析与挖掘/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'类别数目']
    print(r)
    r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)
    r.columns = list(data.columns) + [u'聚类类别']
    r.to_excel(outputfile)

5-6

    import pandas as pd
    from apriori import * #导入自行编写的apriori函数
    inputfile = 'F:/大二下合集/Python数据分析与挖掘/menu_orders.xls'
    outputfile = 'F:/大二下合集/Python数据分析与挖掘/apriori_rules.xls' #结果文件
    data = pd.read_excel(inputfile, header = None)
    print(u'\n转换原始数据至0-1矩阵...')
    ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #转换0-1矩阵的过渡函数，非空值转换成‘1’
    b = map(ct, data.values) #用map方式执行
    data = pd.DataFrame(list(b)).fillna(0) #实现矩阵转换，空值用0填充
    print(u'\n转换完毕。')
    del b #删除中间变量b，节省内存
    support = 0.2 #最小支持度
    confidence = 0.5 #最小置信度
    ms = '---' #连接符，默认'--'，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符
    find_rule(data, support, confidence, ms).to_excel(outputfile) #保存结果

代码错误： 这里错误图片没了，我来口述这个错误，就是会报错找不到apriori

原因： cm_plot是个自定义函数，你还没有这个函数

解决： 添加自定义apriori函数，函数内容如下：

    #-*- coding: utf-8 -*-
    from __future__ import print_function
    import pandas as pd
    #自定义连接函数，用于实现L_{k-1}到C_k的连接
    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
    #寻找关联规则的函数
    def find_rule(d, support, confidence, ms = u'--'):
      result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
      support_series = 1.0*d.sum()/len(d) #支持度序列
      column = list(support_series[support_series > support].index) #初步根据支持度筛选
      k = 0
      while len(column) > 1:
        k = k+1
        print(u'\n正在进行第%s次搜索...' %k)
        column = connect_string(column, ms)
        print(u'数目：%s...' %len(column))
        sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
        #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
        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) #计算连接后的支持度
        column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
        support_series = support_series.append(support_series_2)
        column2 = []
        for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是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]) #定义置信度序列
        for i in column2: #计算置信度序列
          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: #置信度筛选
          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) #结果整理，输出
      print(u'\n结果为：')
      print(result)
      return result

将自定义好的函数放入到你python环境下site-packages中，如下图

5-7

    #-*- coding: utf-8 -*-
    #arima时序模型
    import pandas as pd
    #参数初始化
    discfile = 'F:/大二下合集/Python数据分析与挖掘/arima_data.xls'
    forecastnum = 5
    #读取数据，指定日期列为指标，Pandas自动将“日期”列识别为Datetime格式
    data = pd.read_excel(discfile, index_col = u'日期')
    #时序图
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
    data.plot()
    plt.show()
    #自相关图
    from statsmodels.graphics.tsaplots import plot_acf
    plot_acf(data).show()
    #平稳性检测
    from statsmodels.tsa.stattools import adfuller as ADF
    print(u'原始序列的ADF检验结果为：', ADF(data[u'销量']))
    #返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore
    #差分后的结果
    D_data = data.diff().dropna()
    D_data.columns = [u'销量差分']
    D_data.plot() #时序图
    plt.show()
    plot_acf(D_data).show() #自相关图
    from statsmodels.graphics.tsaplots import plot_pacf
    plot_pacf(D_data).show() #偏自相关图
    print(u'差分序列的ADF检验结果为：', ADF(D_data[u'销量差分'])) #平稳性检测
    #白噪声检验
    from statsmodels.stats.diagnostic import acorr_ljungbox
    print(u'差分序列的白噪声检验结果为：', acorr_ljungbox(D_data, lags=1)) #返回统计量和p值
    from statsmodels.tsa.arima_model import ARIMA
    data[u'销量'] = data[u'销量'].astype(float)
    #定阶
    pmax = int(len(D_data)/10) #一般阶数不超过length/10
    qmax = int(len(D_data)/10) #一般阶数不超过length/10
    bic_matrix = [] #bic矩阵
    for p in range(pmax+1):
      tmp = []
      for q in range(qmax+1):
        try: #存在部分报错，所以用try来跳过报错。
          tmp.append(ARIMA(data, (p,1,q)).fit().bic)
        except:
          tmp.append(None)
      bic_matrix.append(tmp)
    bic_matrix = pd.DataFrame(bic_matrix) #从中可以找出最小值
    p,q = bic_matrix.stack().idxmin() #先用stack展平，然后用idxmin找出最小值位置。
    print(u'BIC最小的p值和q值为：%s、%s' %(p,q)) 
    model = ARIMA(data, (p,1,q)).fit() #建立ARIMA(0, 1, 1)模型
    model.summary2() #给出一份模型报告
    model.forecast(5) #作为期5天的预测，返回预测结果、标准误差、置信区间。

代码错误： 没有报错，但是在idea中运行出模型报告、5天的预测，返回预测结果、标准误差、置信区间结果

原因：

    model.summary2() #给出一份模型报告
    model.forecast(5) #作为期5天的预测，返回预测结果、标准误差、置信区间。

修改为：(即添加print)

    print(model.summary2()) #给出一份模型报告
    print(model.forecast(5)) #作为期5天的预测，返回预测结果、标准误差、置信区间。

5-8

    #-*- coding: utf-8 -*-
    #使用K-Means算法聚类消费行为特征数据
    import numpy as np
    import pandas as pd
    #参数初始化
    inputfile = 'F:/大二下合集/Python数据分析与挖掘/consumption_data.xls' #销量及其他属性数据
    k = 3 #聚类的类别
    threshold = 2 #离散点阈值
    iteration = 500 #聚类最大循环次数
    data = pd.read_excel(inputfile, index_col = 'Id') #读取数据
    data_zs = 1.0*(data - data.mean())/data.std() #数据标准化
    from sklearn.cluster import KMeans
    model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4
    model.fit(data_zs) #开始聚类
    #标准化数据及其类别
    r = pd.concat([data_zs, pd.Series(model.labels_, index = data.index)], axis = 1)  #每个样本对应的类别
    r.columns = list(data.columns) + [u'聚类类别'] #重命名表头
    norm = []
    for i in range(k): #逐一处理
      norm_tmp = r[['R', 'F', 'M']][r[u'聚类类别'] == i]-model.cluster_centers_[i]
      norm_tmp = norm_tmp.apply(np.linalg.norm, axis = 1) #求出绝对距离
      norm.append(norm_tmp/norm_tmp.median()) #求相对距离并添加
    norm = pd.concat(norm) #合并
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
    norm[norm <= threshold].plot(style = 'go') #正常点
    discrete_points = norm[norm > threshold] #离群点
    discrete_points.plot(style = 'ro')
    for i in range(len(discrete_points)): #离群点做标记
      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'编号')
    plt.ylabel(u'相对距离')
    plt.show()

这个案例代码没问题

【有问题或错误，请私信我将及时改正；借鉴文章标明出处，谢谢】