Python数据科学实践

本文使用一个完整的例子来理解python数据科学，例子用到numpy/pandas/matplotlib/keras这些和数据科学相关的python库，实现数据预处理、分析、时间序列模型训练及预测一整个流程。最终目的是帮助理解python数据科学的一般过程，以及熟悉python相关科学计算库的使用。

1、构造实验用数据

使用numpy构建一个班级5位同学N次数学考试的成绩， 同学成绩需要有上升趋势、下降趋势、平稳、严重抖动。

代码语言：javascript复制

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

np.random.seed(1)
N = 100

1.1 构造第1位同学成绩

代码语言：javascript复制

# 第一位同学， 成绩平平大约在85分左右， 比较稳定
rand1 = np.random.normal(0, 1, N)
avg1 = 85
std1 = np.rint(avg1   rand1)
plt.plot(std1)
plt.ylim(50, 100)
plt.show()

图1-1 第一位同学成绩趋势图

1.2 构造第2位同学成绩

代码语言：javascript复制

# 第二位同学， 成绩优秀且稳步提高
rand2 = np.random.normal(0, 1, N)
avg2 = 90
trend2 = np.linspace(0, 10, N)
std2 = np.rint(avg2   rand2   trend2)    # 故意产出可能出现异常值的情况，后面数据预处理统一处理
std2[10] = np.nan
std2[13] = np.nan    # 有两次考试因病缺席

图1-2 第二位同学成绩趋势图

1.3 构造第3位同学成绩

代码语言：javascript复制

# 第三位同学， 成绩较好但波动较大
rand3 = np.random.normal(0, 5, N)
avg3 = 88
std3 = np.rint(avg3   rand3)

图1-3 第三位同学成绩趋势图

1.4 构造第4位同学成绩

代码语言：javascript复制

# 第四位同学， 屌丝逆袭一路高歌
rand4 = np.random.normal(0, 2, N)
avg4 = 55
trend4 = np.linspace(0, 50, N)
std4 = np.rint(avg4   rand4   trend4)

图1-4 第四位同学成绩趋势图

1.5 构造第5位同学成绩

代码语言：javascript复制

# 第五位同学， 不断努力，但受某些外部因素干扰，成绩上升且具有周期性
rand5 = np.random.normal(0, 1, N)
avg5 = 72
trend5 = np.linspace(0, 20, N)
period5 = 3 * np.sin(np.linspace(0, 100, N))
std5 = np.rint(avg5   rand5   trend5   period5)

图1-5 第五位同学成绩趋势图

1.6 多子图显示多个同学的成绩曲线

代码语言：javascript复制

# 多子图显示多个同学的成绩曲线
fig, ax = plt.subplots(2, 3, sharex='col', sharey='row', figsize=(20, 10))
plt.ylim(50, 110)
total = {'student1': std1, 'student2': std2, 'student3': std3, 'student4': std4, 'student5': std5}
keys = list(total.keys())
index = 0
for i in range(2):
    for j in range(3):
        try:
            key = keys[index]
        except Exception as e:
            pass
        else:
            std_score = total[key]
            ax[i, j].plot(std_score, label=key)
            ax[i, j].legend()
            index  = 1

图1-6 构造的五位同学成绩趋势图总览

1.7 数据写入文件保存

最后将上面构造的实验数据通过pandas的to_csv函数写入到文件中保存。

代码语言：javascript复制

df = pd.DataFrame({
    'student1': std1, 'student2': std2, 'student3': std3, 'student4': std4, 'student5': std5})
df.to_csv('student_score_raw.csv')

2、数据分析及预处理

使用pandas对实验数据进行一些处理。

2.1 使用pandas读取实验数据

代码语言：javascript复制

df = pd.read_csv('student_score_raw.csv', index_col=0)    # 第一例作为行索引，默认使用第一行作为列索引
df.head()

图2-1 使用pandas读取数据

2.2 查看各个同学成绩的概况

代码语言：javascript复制

# 查看统计信息，可以看到哪个同学波动较大，哪个同学平均分较高等，却很难像曲线图那样直观看出各个同学的分数趋势
df.describe()

图2-2 显示各个同学成绩的统计信息

2.3 剔除脏数据

代码语言：javascript复制

df.plot(figsize=(10, 5))

图2-3 存在数据缺失和超分的异常数据

代码语言：javascript复制

# 将超过100分的数据设置为100分满分
df[df > 100] = 100
# 处理缺失值， 用缺失值前面的有效值从前往后填补
df = df.fillna(method='ffill', axis=0)
df.plot(figsize=(10, 5))

图2-4 处理完缺失数据和异常数据后的趋势图

代码语言：javascript复制

# 通过曲线可以直观看出：
# student1: 成绩一般，且很稳定
# student2: 成绩优秀，且稳步上升
# studeng3: 成绩一般，且波动很大
# student4: 屌丝逆袭，一路高歌
# student5: 一直进步，但具有一些周期性
# 和当初的数据设计吻合
df.to_csv('student_score.csv')

3、成绩预测

抽取一个同学的成绩序列， 使用深度学习库keras，训练预测模型， 预测下一次的分数，并评估预测效果。

代码语言：javascript复制

# 使用keras做预测
import math
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from sklearn.metrics import mean_squared_error

3.1 获取成绩序列

代码语言：javascript复制

def gen_data():
    '''生产用于做预测的数据'''
    df = pd.read_csv(
        'student_score.csv',
        index_col=0,
        header=0)
    return df['student5']
s = gen_data()    # 抽取student5的同学成绩做模型训练， 预测该同学未来的成绩
s.plot(figsize=(10, 5))

图3-1 第五位同学的成绩具有周期性和上升趋势

3.2 对数据进行归一化处理

代码语言：javascript复制

from sklearn.preprocessing import MinMaxScaler
def preprocessing_scale(data):
    '''对数据进行归一化。
    
    args:
        data: 时序数据原始数据数组
    returns:
        dataset: 经过归一化后的时序数据
        scaler: 缩放
    '''
    scaler = MinMaxScaler(feature_range=(0, 1))
    dataset = np.array(data)
    dataset = np.reshape(dataset, (dataset.shape[0], 1))
    dataset = dataset.astype('float32')
    dataset = scaler.fit_transform(dataset)
    return dataset, scaler

3.3 将数据划分成训练集和测试集

代码语言：javascript复制

def preprocessing_split(dataset):
    '''对数据划分训练数据和测试数据。

    args:
        dataset: 时序数据数组
    returns:
        四元祖，(dataset, train, test, scaler)
        dataset: 经过reshape和最大最小缩放后的时序数据
        train: 划分出来的训练集
        test: 划分出来的测试集
        scaler: 数据缩放对象
    '''
    train_size = int(len(dataset) * 0.66)
    test_size = len(dataset) - train_size
    train, test = dataset[0:train_size, :], dataset[train_size:, :]
    return train, test
train, test = preprocessing_split(dataset)
print(train.shape, test.shape)
# (66, 1) (34, 1)

3.4 构造可输入LSTM模型的数据

对自回归数据做滑动窗口构造训练用的特征和标签数据。

代码语言：javascript复制

def create_dataset(dataset, look_back=1):
    '''构造用于LSTM训练的数据。

    args:
        dataset: 时序数据数组
        look_back: 步长值
    returns:
        元组，(特征x数组，标签y数组)
    '''
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back):
        a = dataset[i: (i look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i look_back, 0])
    return np.array(dataX), np.array(dataY)
x, y = create_dataset(train, 3)

3.5 构建LSTM模型

代码语言：javascript复制

def create_lstm_model(look_back, predict_steps=1):
    '''构建lstm模型

    传入步长值，构建简单的lstm模型并返回。

    args:
        look_back: 步长值
    returns:
        model: keras的lstm模型
    '''
    model = Sequential()
    model.add(LSTM(32, input_shape=(1, look_back)))
    model.add(Dense(predict_steps))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model

3.6 模型训练

代码语言：javascript复制

def model_fit(model, train_x, train_y):
    '''训练模型'''
    model.fit(train_x, train_y, epochs=30, batch_size=1, verbose=2)

3.7 模型预测

代码语言：javascript复制

def model_predict(model, trainX, testX, scaler):
    '''输入训练数据和测试数据，模型输出预测结果。

    args:
        model: lstm模型
        trainX: 训练数据的特征
        testX: 测试数据的特征
        scaler: 做缩放的对象，用于将归一化的数据还原
    returns:
        二元组，(train_predict, test_predict)
        train_predict: 训练数据的预测结果
        test_predict: 测试数据的预测结果
    '''
    train_predict = model.predict(trainX)
    test_predict = model.predict(testX)
    # 归一化数据还原
    train_predict = scaler.inverse_transform(train_predict)
    test_predict = scaler.inverse_transform(test_predict)
    return train_predict, test_predict

3.8 训练模型并查看结果

代码语言：javascript复制

look_back = 10    # 设置往回看的步长为10
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))
model = create_lstm_model(look_back)
model_fit(model, trainX, trainY)
train_predict, test_predict = model_predict(model, trainX, testX, scaler)

图3-2 在训练集上的预测结果

图3-3 在测试集上的预测结果

图3-4 在训练集和测试集上各种的预测效果

3.9 预测未来5次成绩

代码语言：javascript复制

# 预测未来五次成绩
predict_scores = []
times = 5
datas = dataset[-look_back:].flatten()
while times:
    datas = datas[-look_back:]
    input_datas = datas.reshape(1, 1, -1)
    print(input_datas)
    predict_score = model.predict(input_datas).flatten()
    print(predict_score)
    predict_scores.append(predict_score)
    datas = np.append(datas, predict_score)
    times -= 1
predict_scores = scaler.inverse_transform(predict_scores)
print(predict_scores)
plt.plot(predict_scores)

图3-5 预测未来的五次成绩

代码语言：javascript复制

predict_datas = np.empty_like(dataset)
predict_datas[:, :] = np.nan
real_datas = scaler.inverse_transform(dataset)
predict_datas[-1] = real_datas[-1]
predict_datas = np.append(predict_datas, predict_scores, axis=0)
plt.plot(real_datas, label='real')
plt.plot(predict_datas, label='predict')
plt.legend()

图3-6 现有数据与未来预测数据拼接的曲线

4、实验总结

本文通过自己构造的数据，完成数据预处理及时序模型的训练预测，帮助理解python数据科学的一般过程。另外，在构造数据中熟悉了numpy的使用； 在读取数据及做数据分析及异常值处理时熟悉了pandas的使用； 通过matplotlib绘制图达到直观展示数据的效果；做时序预测时熟悉了keras的使用。基本达到了熟悉python相关科学计算库使用的目的。

有兴趣的同学可以照着代码做实验，实验环境最好是python3.x或是python2.7，直接安装使用anaconda最为便捷。

希望对你有用，谢谢。

python keras numpy

0 人点赞