【数据挖掘】心跳信号分类预测 之 My_Task2数据分析(EDA)

Table of Contents

• ​​2.3.1 载入各种数据科学与可视化库​​
• ​​2.3.2载入训练集和测试集​​
• ​​2.3.3 总览数据概况​​
• ​​2.3.4 判断数据缺失和异常​​
• ​​2.3.5 了解预测值的分布​​
• ​​2.3.7 用pandas_profiling 生成数据报告​​
• ​​总结​​

2.3.1 载入各种数据科学与可视化库

#导入warnings包，利用过滤器来实现忽略警告语句。
import warnings
warnings.filterwarnings('ignore')
import missingno as msno     # 缺失值可视化库
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from pandas import DataFrame,Series

2.3.2载入训练集和测试集

• 导入训练集train.csv 和测试集

Train_data = pd.read_csv('./train.csv')
Test_data  = pd.read_csv('./testA.csv')

# 观察收尾数据
Train_data.head().append(Train_data.tail())

# 探索train首尾数据
Train_data.head().append(Train_data.tail())

# train 数据集的行列数
Train_data.shape

(100000, 3)

# # testA 数据集的行列数
Test_data.shape

(20000, 2)

2.3.3 总览数据概况

• describe()---- 可以探索数据各个统计量
• info() — 数据每列的type

# 获取train数据的相关统计量
Train_data.describe()

# 获取train数据类型
Train_data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000 entries, 0 to 99999
Data columns (total 3 columns):
 #   Column             Non-Null Count   Dtype  
---  ------             --------------   -----  
 0   id                 100000 non-null  int64  
 1   heartbeat_signals  100000 non-null  object 
 2   label              100000 non-null  float64
dtypes: float64(1), int64(1), object(1)
memory usage: 2.3+ MB

# 获取testA数据的相关统计量
Test_data.describe()

# 获取testA数据类型
Test_data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 20000 entries, 0 to 19999
Data columns (total 2 columns):
 #   Column             Non-Null Count  Dtype 
---  ------             --------------  ----- 
 0   id                 20000 non-null  int64 
 1   heartbeat_signals  20000 non-null  object
dtypes: int64(1), object(1)
memory usage: 312.6+ KB

2.3.4 判断数据缺失和异常

# 探索train查看缺失值情况
Train_data.isnull().sum()

id                   0
heartbeat_signals    0
label                0
dtype: int64

# 探索train查看缺失值情况
Test_data.isnull().sum()

id                   0
heartbeat_signals    0
dtype: int64

2.3.5 了解预测值的分布

Train_data['label']

0        0.0
1        0.0
2        2.0
3        0.0
4        2.0
        ... 
99995    0.0
99996    2.0
99997    3.0
99998    2.0
99999    0.0
Name: label, Length: 100000, dtype: float64

Train_data['label'].value_counts()

0.0    64327
3.0    17912
2.0    14199
1.0     3562
Name: label, dtype: int64

# 总体分布概况 (无界约翰逊分布等)
import scipy.stats as st
y = Train_data['label']
plt.figure(1); plt.title('Default')
sns.distplot(y, rug=True, bins=20)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)

<AxesSubplot:title={'center':'Log Normal'}, xlabel='label'>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5f24TV7H-1616126315577)(output_20_1.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hqUvD7Ex-1616126315580)(output_20_2.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hMQkug55-1616126315581)(output_20_3.png)]

# 2) 查看skewness and kurtosis
sns.displot(Train_data['label']);
print("Skewness : %f" % Train_data['label'].skew())
print("Kurtosis : %f" % Train_data['label'].kurt())

Skewness : 0.871005
Kurtosis : -1.009573

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pwn4ynBh-1616126315582)(output_21_1.png)]

Train_data.skew(), Train_data.kurt()

(id       0.000000
 label    0.871005
 dtype: float64,
 id      -1.200000
 label   -1.009573
 dtype: float64)

sns.distplot(Train_data.kurt(),color = 'orange',axlabel = 'Kurtness')

<AxesSubplot:xlabel='Kurtness', ylabel='Density'>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-V84euh3I-1616126315584)(output_23_1.png)]

# 3) 查看预测值的具体频数
plt.hist(Train_data['label'],orientation = 'vertical',histtype = 'bar',color = 'red')
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uiWpudr9-1616126315586)(output_24_0.png)]

2.3.7 用pandas_profiling 生成数据报告

import pandas_profiling

pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file('./example.html')

部分效果图

总结

• 贼强这个库pandas_profiling
• 数据探索非常重要！@！！ 查看有没有缺失值，曾经做相关性系数矩阵,因为一个数据的一个缺失值,到时debug了挺久,如果先data.isnull().sum()就没那么多😭了
• ​​数据挖掘流程Xmind图​​

参考

​​GitHub链接​​