这篇文章主要讲解了“python怎么找出数据相关性”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“python怎么找出数据相关性”吧!
首先,我们需要讨论竞赛本身。DengAI的目标是(目前是,因为Driventa管理局决定将其设为“持续的”比赛,因此你可以现在加入)根据天气数据和地点预测特定一周的登革热病例数。
每个参与者都得到了一个训练数据集和测试数据集(不是验证数据集)。MAE(平均绝对误差)是一种用于计算分数的指标,训练数据集涵盖了2个城市(1456周)28年的每周的数值。测试数据较小,有跨越5年和3年的(这取决于城市)。
登革热是一种蚊子传播的疾病,发生在世界热带和亚热带地区。因为它是由蚊子携带的,该疾病的传播与气候、天气变化有关。
如果我们看一下训练数据集,它有多个特征:
城市和日期指标:
city :sj代表San Juan(圣胡安),iq代表Iquitos
week_start_date -以yyyy-mm-dd格式给出的日期
NOAA的GHCN每日气候数据气象站测量:
station_max_temp_c-最高温度
station_min_temp_c-最低温度
station_avg_temp_c-平均温度
station_precip_mm-总降水量
station_diur_temp_rng_c-昼间温度范围
卫星降水测量(0.25x0.25度的标度):
precipitation_amt_mm-总降水量
NOAA的NCEP气候预报系统分析测量(0.5x0.5度的标度):
reanalysis_sat_precip_amt_mm-总降水量
reanalysis_dew_point_temp_k-平均露点温度
reanalysis_air_temp_k-平均气温
reanalysis_relative_humidity_percent-平均相对湿度
reanalysis_specific_humidity_g_per_kg-平均特定湿度
reanalysis_precip_amt_kg_per_m2-总降水量
reanalysis_max_air_temp_k=最大空气温度
reanalysis_min_air_temp_k-最低空气温度
reanalysis_avg_temp_k-平均气温
reanalysis_tdtr_k-白天温度范围
NOAA的CDR归一化差异植被指数(NDVI)(0.5x0.5度的标度):
ndvi_se-城市质心东南的NVDI
ndvi_sw-城市质心西南的NVDI
ndvi_ne-城市质心东北的NVDI
ndvi_nw-城市中心西北的NVDI
此外,我们还有每周总病例数的信息。
很容易发现,对于数据集中的每一行,我们都有多个描述类似数据的特征。有四类:
温度
降水
湿度
ndvi(这四个特征指的是城市的不同点,因此它们不是完全相同的数据)
因此,我们应该能够从输入中删除一些冗余数据。
week_start_date 1994-05-07 total_cases 22 station_max_temp_c 33.3 station_avg_temp_c 27.7571428571 station_precip_mm 10.5 station_min_temp_c 22.8 station_diur_temp_rng_c 7.7 precipitation_amt_mm 68.0 reanalysis_sat_precip_amt_mm 68.0 reanalysis_dew_point_temp_k 295.235714286 reanalysis_air_temp_k 298.927142857 reanalysis_relative_humidity_percent 80.3528571429 reanalysis_specific_humidity_g_per_kg 16.6214285714 reanalysis_precip_amt_kg_per_m2 14.1 reanalysis_max_air_temp_k 301.1 reanalysis_min_air_temp_k 297.0 reanalysis_avg_temp_k 299.092857143 reanalysis_tdtr_k 2.67142857143 ndvi_location_1 0.1644143 ndvi_location_2 0.0652 ndvi_location_3 0.1321429 ndvi_location_4 0.08175
city,year,weekofyear,total_cases sj,1990,18,4 sj,1990,19,5 ...
在开始设计模型之前,我们需要查看原始数据并加以修正。为了达到这个目的,我们将使用pandas库。通常,我们可以直接导入.csv文件并处理导入的数据帧,但有时(特别是当第一行没有列描述时),我们必须提供列列表。
import pandas as pd pd.set_option("display.precision", 2) df = pd.read_csv('./dengue_features_train_with_out.csv') df.describe()
Pandas有一个名为describe的内置方法,它显示数据集中列的基本统计信息。
当然,这种方法只适用于数值数据。如果我们有非数值列,我们必须先做一些预处理。在我们的例子中,唯一的列是city。这个列只包含sj和iq两个值,我们稍后将处理它。
回到主表。每行包含不同类型的信息:
count -描述非NaN值的个数
mean -整列的平均值(用于标准化)
std -标准差(也可用于标准化)
min ->max -显示包含值的范围(用于缩放)
让我们从计数开始。知道数据集中有多少条记录丢失了(一个或多个)并决定如何处理这些数据是很重要的。如果你看ndvi_nw值,它在13.3%的情况下是空的。如果你决定用诸如0之类的任意值替换缺少的值,这可能是个性能问题。通常,有两种常见的解决方案:
设置平均值
插值法
当处理序列数据时(就像我们这个场景一样),从它的邻域中插值(仅从邻域中取平均值)值,而不是用整个集合中的平均值来代替它,这样比较合理。
通常,序列数据在序列中的值之间有一定的相关性,使用邻域可以得到更好的结果。我给你举个例子。
假设你正在处理温度数据,并且你的整个数据集由一月到十二月的值组成。全年的平均值将是一年中大部分时间缺失天数的无效替代值。
如果从7月开始计算,则可能会有[28,27,-,-,30]。如果在伦敦的话,年平均气温是11摄氏度(或52华氏度)。在这种情况下使用11作为温度填充就是错误的。这就是为什么我们应该使用插值而不是平均值。
有了插值(即使在有更大差距的情况下),我们应该能够获得更好的结果。如果你计算这些值,你应该得到(27+30)/2=28.5和(28.5+30)/2=29.25,所以最终我们的数据集看起来像是[28,27,28.5,29.25,30],远远好于[28,27,11,11,30]。
将数据集拆分为城市
因为我们已经讨论了一些重要的事情,所以我们可以定义一种方法,该方法允许我们将分类列(city)重新定义为二进制列向量并对数据进行插值:
def extract_data(train_file_path, columns, categorical_columns=CATEGORICAL_COLUMNS, categories_desc=CATEGORIES, interpolate=True): # 读取csv文件并返回 all_data = pd.read_csv(train_file_path, usecols=columns) if categorical_columns is not None: # 将分类映射到列 for feature_name in categorical_columns: mapping_dict = {categories_desc[feature_name][i]: categories_desc[feature_name][i] for i in range(0, len(categories_desc[feature_name]))} all_data[feature_name] = all_data[feature_name].map(mapping_dict) # 将映射的分类数据更改为0/1列 all_data = pd.get_dummies(all_data, prefix='', prefix_sep='') # 修复丢失的数据 if interpolate: all_data = all_data.interpolate(method='linear', limit_direction='forward') return all_data
此函数返回一个数据集,其中包含两个名为sj和iq的二进制列,它们具有布尔值,其中city被设置为sj或iq。
绘制数据图以直观地了解值在序列中的分布是很重要的。我们将使用一个名为Seaborn的库来帮助我们绘制数据。
sns.pairplot(dataset[["precipitation_amt_mm", "reanalysis_sat_precip_amt_mm", "station_precip_mm"]], diag_kind="kde")
这里我们只有一个数据集的特征,我们可以清楚地区分季节和城市(平均值从~297下降到~292)。
另一件有用的事情是不同特征之间的关联。这样我们就可以从数据集中删除一些冗余的特征。
正如你所注意到的,我们可以立即删除其中一个降水特征。一开始这可能是无意的,但因为我们有来自不同来源的数据,同一类数据(如降水量)并不总是完全相关的。这可能是由于不同的测量方法或其他原因造成的。
当我们使用很多特征时,我们不需要为每一对都绘制成对图。另一个选择就是计算所谓的相关性分数。不同类型的数据有不同类型的相关性。我们使用corr()的方法生成数据集的数值相关性。
如果有不应该被视为二进制的分类列,你可以计算Cramer的V关联度量来找出它们和其他数据之间的“相关性”。
import pandas as pd import seaborn as sns # 导入我们的提取函数 from helpers import extract_data from data_info import * train_data = extract_data(train_file, CSV_COLUMNS) # 获取“sj”city的数据并删除两个二进制列 sj_train = train_data[train_data['sj'] == 1].drop(['sj', 'iq'], axis=1) # 生成热图 corr = sj_train.corr() mask = np.triu(np.ones_like(corr, dtype=np.bool)) plt.figure(figsize=(20, 10)) ax = sns.heatmap( corr, mask=mask, vmin=-1, vmax=1, center=0, cmap=sns.diverging_palette(20, 220, n=200), square=True ) ax.set_title('Data correlation for city "sj"') ax.set_xticklabels( ax.get_xticklabels(), rotation=45, horizontalalignment='right' );
你可以对iq 城做同样的事情,并将两者进行比较(相关性是不同的)。
如果你看看这张热图,很明显可以看出哪些特征相互关联,哪些不相关。你应该知道有正相关和负相关(深蓝色和深红色)。没有相关性的特征是白色的。
有几组正相关的特征,毫不奇怪,它们指的是同一类型的测量(例如station_min_temp_c和station_avg_temp_c之间的相关性)。但在不同的特征之间也存在相关性(比如reanalysis_specific_humidity_g_per_kg和reanalysis_dew_point_temp_k)。我们还应该关注total_cases和其他特征之间的相关性,因为这是我们需要预测的。
这次我们走运了,因为没有什么东西和我们的目标有很强的相关性。但是我们仍然应该能够为我们的模型选择最重要的特征。现在看热图没什么用,让我切换到条形图。
sorted_y = corr.sort_values(by='total_cases', axis=0).drop('total_cases') plt.figure(figsize=(20, 10)) ax = sns.barplot(x=sorted_y.total_cases, y=sorted_y.index, color="b") ax.set_title('Correlation with total_cases in "sj"')
通常,在为模型选择特征时,我们选择的特征与目标的绝对相关值最高。这取决于你决定你选择多少特征,你甚至可以选择所有的特征,但这通常不是最好的主意。
观察目标值在数据集中是如何分布的也是很重要的。我们可以很容易地用pandas做到:
平均一周的病例数相当少。只是偶尔(一年一次),案件总数会跳到某个更高的数值。在设计我们的模型时,我们需要记住这一点,因为即使我们设法找到了“跳跃”,我们可能会在几周内得分损失惨重,因为跳跃这种情况几乎没有样本。
本文最后要讨论的是NDVI指数(归一化差异植被指数)。这个指数是植被的指标。高负值对应于水,接近0的值表示岩石/沙子/雪,值接近1热带森林。在给定的数据集中,每个城市有4个不同的NDVI值(每个值对应于地图上不同的角落)。
即使总体NDVI指数对于了解我们正在处理的地形类型非常有用。如果我们需要为多个城市设计一个模型,地形类型的特征可能会很有用,但在这种情况下,我们只已知两个城市的气候和位置。我们不需要训练我们的模型来判断我们所处的环境,相反,我们可以为每个城市训练不同的模型。
我花了一段时间尝试使用这些值(尤其是在这种情况下插值很困难,因为我们在这个过程中使用了大量的信息)。使用NDVI指数也可能产生误导,因为数值的变化并不一定与植被过程的变化相对应。
感谢各位的阅读,以上就是“python怎么找出数据相关性”的内容了,经过本文的学习后,相信大家对python怎么找出数据相关性这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是亿速云,小编将为大家推送更多相关知识点的文章,欢迎关注!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。