📜  ML-通过统计数据了解数据

📅  最后修改于: 2020-12-10 05:31:11             🧑  作者: Mango


介绍

在进行机器学习项目时,通常我们会忽略两个最重要的部分,称为数学数据。这是因为,我们知道ML是一种数据驱动的方法,而我们的ML模型只会产生与提供给它的数据一样好的或坏的结果。

在上一章中,我们讨论了如何将CSV数据上传到ML项目中,但是最好在上传之前了解数据。我们可以通过统计和可视化两种方式来理解数据。

在本章中,在遵循以下Python食谱的帮助下,我们将了解具有统计信息的ML数据。

查看原始数据

第一个配方是查看原始数据。查看原始数据很重要,因为在查看原始数据后将获得的洞察力将增加我们为ML项目更好地进行预处理以及处理数据的机会。

以下是通过使用Pima Indians糖尿病数据集上的Pandas DataFrame的head()函数实现的Python脚本,以查看前50行以更好地理解它-

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
headernames = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=headernames)
print(data.head(50))

输出

preg   plas  pres    skin  test  mass   pedi    age      class
0      6      148     72     35   0     33.6    0.627    50    1
1      1       85     66     29   0     26.6    0.351    31    0
2      8      183     64      0   0     23.3    0.672    32    1
3      1       89     66     23  94     28.1    0.167    21    0
4      0      137     40     35  168    43.1    2.288    33    1
5      5      116     74      0   0     25.6    0.201    30    0
6      3       78     50     32   88    31.0    0.248    26    1
7     10      115      0      0   0     35.3    0.134    29    0
8      2      197     70     45  543    30.5    0.158    53    1
9      8      125     96      0   0     0.0     0.232    54    1
10     4      110     92      0   0     37.6    0.191    30    0
11    10      168     74      0   0     38.0    0.537    34    1
12    10      139     80      0   0     27.1    1.441    57    0
13     1      189     60     23  846    30.1    0.398    59    1
14     5      166     72     19  175    25.8    0.587    51    1
15     7      100      0      0   0     30.0    0.484    32    1
16     0      118     84     47  230    45.8    0.551    31    1
17     7      107     74      0   0     29.6    0.254    31    1
18     1      103     30     38  83     43.3    0.183    33    0
19     1      115     70     30  96     34.6    0.529    32    1
20     3      126     88     41  235    39.3    0.704    27    0
21     8       99     84      0   0     35.4    0.388    50    0
22     7      196     90      0   0     39.8    0.451    41    1
23     9      119     80     35   0     29.0    0.263    29    1
24    11      143     94     33  146    36.6    0.254    51    1
25    10      125     70     26  115    31.1    0.205    41    1
26     7      147     76      0   0     39.4    0.257    43    1
27     1       97     66     15  140    23.2    0.487    22    0
28    13      145     82     19  110    22.2    0.245    57    0
29     5      117     92      0   0     34.1    0.337    38    0
30     5      109     75     26   0     36.0    0.546    60    0
31     3      158     76     36  245    31.6    0.851    28    1
32     3       88     58     11   54    24.8    0.267    22    0
33     6       92     92      0   0     19.9    0.188    28    0
34    10      122     78     31   0     27.6    0.512    45    0
35     4      103     60     33  192    24.0    0.966    33    0
36    11      138     76      0   0     33.2    0.420    35    0
37     9      102     76     37   0     32.9    0.665    46    1
38     2       90     68     42   0     38.2    0.503    27    1
39     4      111     72     47  207    37.1    1.390    56    1
40     3      180     64     25   70    34.0    0.271    26    0
41     7      133     84      0   0     40.2    0.696    37    0
42     7      106     92     18   0     22.7    0.235    48    0
43     9      171    110     24  240    45.4    0.721    54    1
44     7      159     64      0   0     27.4    0.294    40    0
45     0      180     66     39   0     42.0    1.893    25    1
46     1      146     56      0   0     29.7    0.564    29    0
47     2       71     70     27   0     28.0    0.586    22    0
48     7      103     66     32   0     39.1    0.344    31    1
49     7      105      0      0   0     0.0     0.305    24    0

我们可以从上面的输出中观察到,第一列给出了行号,这对于引用特定观察值非常有用。

检查数据尺寸

知道我们的ML项目拥有多少数据(以行和列为单位)始终是一个好习惯。背后的原因是-

  • 假设如果行和列太多,那么运行算法和训练模型将花费很长时间。

  • 假设如果行和列太少,那么我们将没有足够的数据来很好地训练模型。

以下是通过在Pandas Data Frame上打印shape属性实现的Python脚本。我们将在虹膜数据集上实现它,以获取其中的行和列的总数。

from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.shape)

输出

(150, 4)

我们可以从输出中轻松观察到,我们将要使用的虹膜数据集具有150行4列。

获取每个属性的数据类型

了解每个属性的数据类型是另一种好习惯。背后的原因是,根据要求,有时我们可能需要将一种数据类型转换为另一种数据类型。例如,我们可能需要将字符串转换为浮点数或int以表示分类或有序值。通过查看原始数据,我们可以对属性的数据类型有所了解,但是另一种方法是使用Pandas DataFrame的dtypes属性。借助dtypes属性,我们可以对每个属性数据类型进行分类。可以通过以下Python脚本来理解-

from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.dtypes)

输出

sepal_length  float64
sepal_width   float64
petal_length  float64
petal_width   float64
dtype: object

从上面的输出中,我们可以轻松地获取每个属性的数据类型。

数据统计汇总

我们已经讨论了Python配方以获得数据的形状,即行和列的数量,但是很多时候我们需要从该数据形状中查看摘要。可以借助Pandas DataFrame的describe()函数来完成,该函数进一步提供每个数据属性的以下8个统计属性-

  • 计数
  • 意思
  • 标准偏差
  • 最低值
  • 最大值
  • 25%
  • 中位数,即50%
  • 75%

from pandas import read_csv
from pandas import set_option
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
set_option('display.width', 100)
set_option('precision', 2)
print(data.shape)
print(data.describe())

输出

(768, 9)
         preg      plas       pres      skin      test        mass       pedi      age      class
count 768.00      768.00    768.00     768.00    768.00     768.00     768.00    768.00    768.00
mean    3.85      120.89     69.11      20.54     79.80      31.99       0.47     33.24      0.35
std     3.37       31.97     19.36      15.95    115.24       7.88       0.33     11.76      0.48
min     0.00        0.00      0.00       0.00      0.00       0.00       0.08     21.00      0.00
25%     1.00       99.00     62.00       0.00      0.00      27.30       0.24     24.00      0.00
50%     3.00      117.00     72.00      23.00     30.50      32.00       0.37     29.00      0.00
75%     6.00      140.25     80.00      32.00    127.25      36.60       0.63     41.00      1.00
max    17.00      199.00    122.00      99.00    846.00      67.10       2.42     81.00      1.00

从以上输出中,我们可以观察到Pima Indian Diabetes数据集数据的统计摘要以及数据形状。

复习班级分布

在需要知道类值平衡的分类问题中,类分布统计量非常有用。知道类值的分布很重要,因为如果我们的类分布高度不平衡,即一个类比其他类具有更多的观察值,那么在我们的ML项目的数据准备阶段可能需要特殊处理。借助Pandas DataFrame,我们可以轻松地在Python获得类分发。

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
count_class = data.groupby('class').size()
print(count_class)

输出

Class
0  500
1  268
dtype: int64

从上面的输出中,可以清楚地看到,等级0的观察次数几乎是等级1的观察次数的两倍。

复查属性之间的相关性

两个变量之间的关系称为相关。在统计中,用于计算相关性的最常见方法是Pearson的相关系数。它可以具有三个值,如下所示:

  • 系数值= 1-表示变量之间完全相关。

  • 系数值= -1 −表示变量之间完全相关。

  • 系数值= 0-变量之间完全没有关联。

在将数据集用于ML项目之前,回顾一下数据集中属性的成对相关性始终是一件好事,因为如果我们具有高度相关的属性,则某些机器学习算法(例如线性回归和逻辑回归)将表现不佳。在Python,借助Pandas DataFrame上的corr()函数,我们可以轻松地计算数据集属性的相关矩阵。

from pandas import read_csv
from pandas import set_option
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
set_option('display.width', 100)
set_option('precision', 2)
correlations = data.corr(method='pearson')
print(correlations)

输出

preg     plas     pres     skin     test      mass     pedi       age      class
preg     1.00     0.13     0.14     -0.08     -0.07   0.02     -0.03       0.54   0.22
plas     0.13     1.00     0.15     0.06       0.33   0.22      0.14       0.26   0.47
pres     0.14     0.15     1.00     0.21       0.09   0.28      0.04       0.24   0.07
skin    -0.08     0.06     0.21     1.00       0.44   0.39      0.18      -0.11   0.07
test    -0.07     0.33     0.09     0.44       1.00   0.20      0.19      -0.04   0.13
mass     0.02     0.22     0.28     0.39       0.20   1.00      0.14       0.04   0.29
pedi    -0.03     0.14     0.04     0.18       0.19   0.14      1.00       0.03   0.17
age      0.54     0.26     0.24     -0.11     -0.04   0.04      0.03       1.00   0.24
class    0.22     0.47     0.07     0.07       0.13   0.29      0.17       0.24   1.00

上面输出中的矩阵给出了数据集中所有属性对之间的相关性。

回顾属性分布的偏差

偏度可以定义为假定为高斯分布,但在一个方向或另一个方向或向左或向右扭曲或偏移的分布。由于以下原因,检查属性的偏斜度是重要的任务之一-

  • 数据中存在偏度需要在数据准备阶段进行校正,以便我们可以从模型中获得更高的准确性。

  • 大多数ML算法都假定数据具有高斯分布,即钟形曲线数据的法线。

在Python,我们可以通过在Pandas DataFrame上使用skew()函数轻松地计算每个属性的偏斜。

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=names)
print(data.skew())

输出

preg   0.90
plas   0.17
pres  -1.84
skin   0.11
test   2.27
mass  -0.43
pedi   1.92
age    1.13
class  0.64
dtype: float64

从以上输出中,可以观察到正偏或负偏。如果该值更接近于零,则显示较少的偏斜。