📅 最后修改于: 2020-12-10 05:31:11 🧑 作者: Mango
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，称为数学和数据。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。
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))
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。
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)
(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。
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)
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。
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-
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())
(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。
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)
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。
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-表示变量之间完全正相关。
系数值= -1 −表示变量之间完全负相关。
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)
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。
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())
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。