数据挖掘 —— 探索性数据分析
1. 统计检验1.1 正态性检验1.2 卡方检验1.3 独立分布t检验1.4 方差检验1.5 Q-Q图1.6 相关系数2 单因素分析2.1 线性回归2.2 PCA 奇异值分解2.3 主成分分析（PCA自定义实现）3 复合分析3.1 分组分析3.1.1 离散数据分组3.1.2 连续数据分组3.1.3 不纯度（GiNi系数）3.2 相关分析4 因子分析（成分分析）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 qqplotimport matplotlib.pyplot as pltqqplot(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： 决定系数: [0,1],越接近于1，回归效果越好残差不相关（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 as LRfrom sklearn.cross_validation import train_test_splitx = 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 import PCAdecom = 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_meaneig_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_valuedata = 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
分组分析只是一种辅助手段钻取：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 snssns.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 pdimport numpy as npif not isinstance(s,pd.core.series.Series):s = pd.Series(s)return sum((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 pdimport numpy as npdict_temp = {}for i in range(len(s1)):dict_temp[s1[i]] = dict_temp.get(s1[i],[]) + [s2[i]]return 1 - 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： 连续数据的相关性分析 - 相关性系数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 pdimport numpy as npif 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 pdimport numpy as npif 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]] return sum([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"""return getEntropy(s2) - getCondEntropy(s1,s2)# 自定义熵增益率系数def getEntropyGainRatio(s1,s2):return getEntropyGain(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"""return getEntropyGain(s1,s2)/(getEntropy(s1)*getEntropy(s2))**0.5getDiscreteRelation(s1,s2)
4 因子分析（成分分析）
from factor_analyzer import FactorAnalyzerclass CyrusFactorAnalysis():def __init__(self,logger=None):self.logger = loggerself.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_datadef save_model(self):save_var(self.factor_tool,path="FactorAnalysisModel_{}".format(datetime.datetime.now().strftime("%Y-%m-%d")))
by CyrusMay 04 05
如果觉得《数据挖掘 —— 探索性数据分析》对你有帮助，请点赞、收藏，并留下你的观点哦！
