数据挖掘 —— 探索性数据分析

数据挖掘 —— 探索性数据分析

1. 统计检验

1.1 正态性检验

用于检验数据是否符合正态性分布

# 生成正态分布的观测数据
norm_data = ss.norm.rvs(loc =0,scale =1,size =int(10e6)) # loc为均值，scale为标准差，size为生成数据个数，可以为元组
ss.normaltest(norm_data)

1.2 卡方检验

常用作检验两个样本数据之间是否有较强联系

ss.chi2_contingency([[15,95],[85,5]])

1.3 独立分布t检验

常用作比较均值是否有相异性,不要求两个样本之间数据量一致

ss.ttest_ind(ss.norm.rvs(size =500),ss.norm.rvs(size =1000))

1.4 方差检验

常用作检验多组样本数据之间的均值是否有差异

ss.f_oneway(ss.norm.rvs(size =5000),ss.norm.rvs(size =10000),ss.norm.rvs(size =5000))

1.5 Q-Q图

• 横轴为：标准分布的分位数值（默认为正态分布）
• 纵轴为：已知分布的分位数的值
• 数据集中在对角线上则说明越符合正态分布

from statsmodels.graphics.api import qqplot
import matplotlib.pyplot as plt
qqplot(ss.norm.rvs(size =50))
plt.close()
# plt.show()

1.6 相关系数

• pearson相关系数和具体数值有关
• spearman相关系数和名次差有关，运用于相对比较的情况

s1 = pd.Series(np.random.randn(10))
s2 = pd.Series(np.random.randn(10))
s1.corr(s2,method ="spearman")
df = pd.DataFrame(np.array([s1,s2]).T)
df.corr()

2 单因素分析

2.1 线性回归

• 求解方法:最小二乘法
• 关键指标：

1. 决定系数: [0,1],越接近于1，回归效果越好
2. 残差不相关（DW检验）：[0,4],DW = 2 回归效果好，即残差不相关，0负相关，4正相关

# 一元线性回归
from sklearn.linear_model import LinearRegression asLR
from sklearn.cross_validation import train_test_split
x = np.arange(50).astype(np.float).reshape(-1,1)
y =3*x +2+5*np.random.random((50,1))
x_train,x_test,y_train,y_test  =train_test_split(x,y,train_size =0.8)
lr =LR()
lr.fit(x_train,y_train) # 线性拟合
y_pre = lr.predict(x) # 拟合模型进行预测
plt.scatter(x_train,y_train,color ="b")
plt.scatter(x_test,y_test,color ="y")
plt.plot(x,y_pre,color ="r")
plt.close()
lr.coef_ # 斜率
lr.intercept_ #截距
lr.score(x_test,y_test)  # 决定系数

2.2 PCA 奇异值分解

sklearn自带的PCA方法使用的是奇异值分解

from sklearn.decomposition importPCA
decom =PCA(n_components =1)
data = np.random.random((50,2))
decom.fit(data)
decom.explained_variance_ratio_ # 降维后得到的信息量
decom.fit_transform(data) # 得到降维后的数据

2.3 主成分分析（PCA自定义实现）

def myPCA(data,n_components =2):
    from scipy import linalg # linear algbra 线性代数
    data_cov = np.cov(data,rowvar = False)
    data_mean = np.mean(data,axis =0)
    data_temp = data - data_mean
    eig_value,eig_vector = linalg.eig(np.mat(data_cov)) # eigen为特征的、固有的意思，linalg.eig为计算特征值和特征向量的函数
    eig_value_index = np.argsort(eig_value)[:-(n_components+1):-1]
    eig_vector = eig_vector[:,eig_value_index]
    data_decom = np.dot(data_temp,eig_vector) # np.dot和np.matmul都为矩阵乘法
    return data_decom,eig_value
data = np.array([[2.5,0.5,2.2,1.9,3.1,2.3,2,1,1.5,1.1],[2.4,0.7,2.9,2.2,3,2.7,1.6,1.1,1.6,0.9]]).TmyPCA(data,n_components =1)

3 复合分析

3.1 分组分析

1. 分组分析只是一种辅助手段
2. 钻取：分为向上钻取和向下钻取，向上钻取即为汇总分析

• 分割：一阶差分
• 拐点：二阶差分
• 不纯度：GiNi系数

3.1.1 离散数据分组

import seaborn as sns
sns.barplot(data = df,x ="a",y ="b",hue ="c")

3.1.2 连续数据分组

sns.barplot(list(range(len(df['a']))),df['a'].sort_values())

3.1.3 不纯度（GiNi系数）

• 针对目标标注的GiNi系数
• 选取GiNi系数接近于0的目标标注

# 定义概率平方和函数：
def getProbSS(s):import pandas as pd
    import numpy as np
    if not isinstance(s,pd.core.series.Series):
        s = pd.Series(s)returnsum((pd.groupby(s,by = s).count().values/float(len(s)))**2)

# 定义GiNi系数求取函数
def getGiNi(s1,s2):"""
    其中s1为目标标注
    """
    import pandas as pd
    import numpy as np
    dict_temp ={}for i inrange(len(s1)):
        dict_temp[s1[i]]= dict_temp.get(s1[i],[])+[s2[i]]return1-sum([getProbSS(value)/float(len(value))for value in dict_temp.values()])
s1 =["x1","x1","x2","x2","x2","x2"]
s2 =["y1","y1","y1","y2","y2","y2"]getGiNi(s1,s2)

3.2 相关分析

• 相关性分析分为两种：

1. 连续数据的相关性分析 - 相关性系数
2. 离散数据的相关性分析 - 基于熵定义的相关性系数

# __________离散数据相关系数的计算
s1 =["x1","x1","x2","x2","x2","x2"]
s2 =["y1","y1","y1","y2","y2","y2"]

# 定义计算熵的函数
def getEntropy(s):"""
    熵是度量不确定性的指标
    熵趋近于0，则不确定会很小。
    """
    import pandas as pd
    import numpy as np
    if not isinstance(s,pd.core.series.Series):
        s = pd.Series(s)
    prob_dist = pd.groupby(s,by = s).count().values/float(len(s))return-(prob_dist*np.log2(prob_dist)).sum()

# 自定义计算条件熵的函数
def getCondEntropy(s1,s2):"""
    在s1分布下分别对s2计算熵
    """
    import pandas as pd
    import numpy as np
    if not isinstance(s1,pd.core.series.Series):
        s1 = pd.Series(s1)if not isinstance(s2,pd.core.series.Series):
        s2 = pd.Series(s2)
    dict_temp ={}for i in np.arange(len(s1)):
        dict_temp[s1[i]]= dict_temp.get(s1[i],[])+[s2[i]]returnsum([getEntropy(value)*float(len(value))/float(len(s1))for value in dict_temp.values()])

# 自定义互信息即熵增益函数
def getEntropyGain(s1,s2):"""
    计算由s1分布到s2的熵增益
    """
    returngetEntropy(s2)-getCondEntropy(s1,s2)

# 自定义熵增益率系数
def getEntropyGainRatio(s1,s2):returngetEntropyGain(s1,s2)/getEntropy(s2)

# 自定义熵相关度函数
def getDiscreteRelation(s1,s2):"""
    计算离散变量的相关系数
    """
    returngetEntropyGain(s1,s2)/(getEntropy(s1)*getEntropy(s2))**0.5getDiscreteRelation(s1,s2)

4 因子分析（成分分析）

from factor_analyzer import FactorAnalyzer
classCyrusFactorAnalysis():
    def __init__(self,logger=None):
        self.logger = logger
        self.metric_tool =CyrusMetrics(logger=self.logger)
        self.plot_tool =PlotTool(self.logger)

    def select_factor_nums(self,data):
        self.standard_tool =StandardTool(data)
        std_data = self.standard_tool.transform_x(data)
        self.factor_tool =FactorAnalyzer(n_factors=data.shape[1], rotation="promax")var= self.factor_tool.get_factor_variance()save_to_excel()

    def run_factor_analysis(self,data,n_factor=2):
        self.standard_tool =StandardTool(data)
        std_data = self.standard_tool.transform_x(data)
        self.factor_tool =FactorAnalyzer(n_factors=n_factor, rotation="promax")

        process_data = self.factor_tool.fit_transform(std_data)
        factor_data = self.factor_tool.loadings_
        weights = self.factor_tool.weights_
        var= self.factor_tool.get_factor_variance()save_to_excel([(pd.DataFrame(factor_data),"载荷矩阵"),(pd.DataFrame(process_data),"归因后结果"),(pd.DataFrame(weights),"归因系数"),(pd.DataFrame(var),"方差解释性")],
                      path="FactorAnalysisResult_{}".format(datetime.datetime.now().strftime("%Y-%m-%d")))

    def transform(self,data):
        std_data = self.standard_tool.transform_x(data)
        factor_data = self.factor_tool.transform(std_data)return factor_data

    def save_model(self):save_var(self.factor_tool,path="FactorAnalysisModel_{}".format(datetime.datetime.now().strftime("%Y-%m-%d")))

by CyrusMay 2022 04 05