《Python數據分析與挖掘實戰》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，請私信我將及時改正；借鑒文章標明出處，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數據分析與挖掘/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() #建立隨機邏輯回歸模型，篩選變量
   rlr.fit(x, y) #訓練模型
   rlr.get_support() #獲取特征篩選結果，也可以通過.scores_方法獲取各個特征的分數
   print(u'通過隨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) #用篩選后的特征數據來訓練模型
   print(u'邏輯回歸模型訓練結束。')
   print(u'模型的平均正確率為：%s' % lr.score(x, y)) #給出模型的平均正確率，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 將.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： 一個博客中寫道了這個問題 RandomizedLogisticRegression ImportError解決辦法

查得sklearn(版本0.21.3)的linear_model文件夾下面已經沒有randomized_l1.py文件，而RandomizedLogisticRegression就在該文件內。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(后兩步需要cd到對應文件的路徑下面運行)：

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

在執行第三個命令有報錯：

    error: [WinError 32] 另一個程序正在使用此文件，進程無法訪問。: '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文件“tability_selection-0.0.1-py3.6.egg”發現他是一個壓縮包，把他解壓后刪除這個壓縮包，一般解壓后就沒有后綴了即文件名字就是：“tability_selection-0.0.1-py3.6”給他修改名字最后添加上”.egg”，再次運行沒有錯誤了

安裝后運行將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。

確實按照這個博客寫完沒報錯出現了第三個問題

報錯3：

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

解決問題到了這里我開始了迷茫，經過幾天的百度與版本更替實驗還是未能成功解決。那么換個思路，想把例子整體理解吃透，之后慢慢了解了這個各個版本不管是sklearn或是panda、tensorflow等等，它們在升級之后做了什么改動，那么再回過頭來看這個例子錯誤就容易解決了。所以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數據分析與挖掘/sales_data.xls'
    data = pd.read_excel(inputfile, index_col=u'序號')
    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文本文件 我們需要下載Graphviz(跨平台的、基於命令行的繪圖工具)，然后在命令行進行編譯

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數據分析與挖掘/sales_data.xls'
    data = pd.read_excel(inputfile, index_col = u'序號') #導入數據
    #數據是類別標簽，要將它轉換為數據
    #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，能夠大幅提供准確度
    model.add(Dense(input_dim = 10, output_dim = 1))
    model.add(Activation('sigmoid')) #由於是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。由於我們做的是二元分類，所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，請閱讀幫助文件。
    #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： 刪除這行中的參數class_mode=“binary” 即：

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

之后還有一個錯誤這里的錯誤圖沒了，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，函數內容如下：

    #-*- 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() #顏色標簽  
      for x in range(len(cm)): #數據標簽  
        for y in range(len(cm)):
         plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
      plt.ylabel('True label') #坐標軸標簽  
      plt.xlabel('Predicted label') #坐標軸標簽  
      return plt

將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數據
    import pandas as pd
    #參數初始化
    inputfile = 'F:/大二下合集/Python數據分析與挖掘/consumption_data.xls' #銷量及其他屬性數據
    outputfile = 'F:/大二下合集/Python數據分析與挖掘/data_type.xls' #保存結果的文件名
    k = 3 #聚類的類別
    iteration = 500 #聚類最大循環次數
    data = pd.read_excel(inputfile, index_col = 'Id') #讀取數據
    data_zs = 1.0*(data - data.mean())/data.std() #數據標准化
    from sklearn.cluster import KMeans
    model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分為k類，並發數4
    model.fit(data_zs) #開始聚類
    #簡單打印結果
    r1 = pd.Series(model.labels_).value_counts() #統計各個類別的數目
    r2 = pd.DataFrame(model.cluster_centers_) #找出聚類中心
    r = pd.concat([r2, r1], axis = 1) #橫向連接（0是縱向），得到聚類中心對應的類別下的數目
    r.columns = list(data.columns) + [u'類別數目'] #重命名表頭
    print(r)
    #詳細輸出原始數據及其類別
    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別
    r.columns = list(data.columns) + [u'聚類類別'] #重命名表頭
    r.to_excel(outputfile) #保存結果
    def density_plot(data): #自定義作圖函數
      import matplotlib.pyplot as plt
      plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標簽
      plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負號
      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數據分析與挖掘/pd_' #概率密度圖文件名前綴
    for i in range(k):
      density_plot(data[r[u'聚類類別']==i]).savefig(u'%s%s.png' %(pic_output, i))

運行結果：

在你所輸出的目錄下會有圖片：

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) #進行數據降維
    tsne = pd.DataFrame(tsne.embedding_, index = data_zs.index) #轉換數據格式
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標簽
    plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負號
    #不同類別用不同顏色和樣式繪圖
    d = tsne[r[u'聚類類別'] == 0]
    plt.plot(d[0], d[1], 'r.')
    d = tsne[r[u'聚類類別'] == 1]
    plt.plot(d[0], d[1], 'go')
    d = tsne[r[u'聚類類別'] == 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數據分析與挖掘/consumption_data.xls'
    outputfile = 'F:/大二下合集/Python數據分析與挖掘/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'類別數目']
    print(r)
    r = pd.concat([data, pd.Series(model.labels_, index = data.index)], axis = 1)
    r.columns = list(data.columns) + [u'聚類類別']
    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數據分析與挖掘/menu_orders.xls'
    outputfile = 'F:/大二下合集/Python數據分析與挖掘/apriori_rules.xls' #結果文件
    data = pd.read_excel(inputfile, header = None)
    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，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 = '---' #連接符，默認'--'，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符
    find_rule(data, support, confidence, ms).to_excel(outputfile) #保存結果

代碼錯誤： 這里錯誤圖片沒了，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，函數內容如下：

    #-*- coding: utf-8 -*-
    from __future__ import print_function
    import pandas as pd
    #自定義連接函數，用於實現L_{k-1}到C_k的連接
    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
        #創建連接數據，這一步耗時、耗內存最嚴重。當數據集較大時，可以考慮並行運算優化。
        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) #計算連接后的支持度
        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}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

將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數據分析與挖掘/arima_data.xls'
    forecastnum = 5
    #讀取數據，指定日期列為指標，Pandas自動將“日期”列識別為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'] #用來正常顯示中文標簽
    plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負號
    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']))
    #返回值依次為adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore
    #差分后的結果
    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)) #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) #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，所以用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，然后用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，返回預測結果、標准誤差、置信區間。

代碼錯誤： 沒有報錯，但是在idea中運行出模型報告、5天的預測，返回預測結果、標准誤差、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，返回預測結果、標准誤差、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，返回預測結果、標准誤差、置信區間。

5-8

    #-*- coding: utf-8 -*-
    #使用K-Means算法聚類消費行為特征數據
    import numpy as np
    import pandas as pd
    #參數初始化
    inputfile = 'F:/大二下合集/Python數據分析與挖掘/consumption_data.xls' #銷量及其他屬性數據
    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(inputfile, index_col = 'Id') #讀取數據
    data_zs = 1.0*(data - data.mean())/data.std() #數據標准化
    from sklearn.cluster import KMeans
    model = KMeans(n_clusters = k, n_jobs = 4, max_iter = iteration) #分為k類，並發數4
    model.fit(data_zs) #開始聚類
    #標准化數據及其類別
    r = pd.concat([data_zs, pd.Series(model.labels_, index = data.index)], axis = 1)  #每個樣本對應的類別
    r.columns = list(data.columns) + [u'聚類類別'] #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) #合並
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標簽
    plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負號
    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()

這個案例代碼沒問題

【有問題或錯誤，請私信我將及時改正；借鑒文章標明出處，謝謝】