零基礎入門數據挖掘 - 二手車交易價格預測--EDA

零基礎入門數據挖掘 - 二手車交易價格預測--EDA

EDA背景

  • 賽題鏈接

零基礎入門數據挖掘 - 二手車交易價格預測

  • EDA目的
  1. 熟悉數據集,瞭解數據集,對數據集進行驗證
  2. 瞭解變量間的相互關係以及變量與預測值之間的存在關係
  3. 爲下一步的數據處理以及特徵工程奠定基礎

代碼及講解

  • 引入數據科學以及可視化庫
#coding:utf-8
#導入warnings包,利用過濾器來實現忽略警告語句。
import warnings
warnings.filterwarnings('ignore')

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as msno
  • 讀取數據
## 1) 載入訓練集和測試集;
path = './datalab/231784/'
Train_data = pd.read_csv(path+'used_car_train_20200313.csv', sep=' ')
Test_data = pd.read_csv(path+'used_car_testA_20200313.csv', sep=' ')
  • 特徵列
    name - 汽車編碼
    regDate - 汽車註冊時間
    model - 車型編碼
    brand - 品牌
    bodyType - 車身類型
    fuelType - 燃油類型
    gearbox - 變速箱
    power - 汽車功率
    kilometer - 汽車行駛公里
    notRepairedDamage - 汽車有尚未修復的損壞
    regionCode - 看車地區編碼
    seller - 銷售方
    offerType - 報價類型
    creatDate - 廣告發布時間
    price - 汽車價格
    v_0’, ‘v_1’, ‘v_2’, ‘v_3’, ‘v_4’, ‘v_5’, ‘v_6’, ‘v_7’, ‘v_8’, ‘v_9’, ‘v_10’, ‘v_11’, ‘v_12’, ‘v_13’,‘v_14’ 匿名特徵,包含v0-14在內15個匿名特徵
  • 觀察數據
Train_data.head().append(Train_data.tail())

在這裏插入圖片描述

Train_data.shape

在這裏插入圖片描述

  • 使用describe進行查看數據
Train_data.describe()

在這裏插入圖片描述

Train_data.info()

在這裏插入圖片描述

  • 查看異常值與缺失值
Train_data.isnull().sum()

在這裏插入圖片描述

# nan可視化
missing = Train_data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()

在這裏插入圖片描述

  • 異常值
Train_data['notRepairedDamage'].value_counts()

在這裏插入圖片描述

Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)
  • 兩個傾斜特別嚴重的特徵值
Train_data["seller"].value_counts()

在這裏插入圖片描述

Train_data["offerType"].value_counts()

在這裏插入圖片描述

  • 預測值price的分佈
## 1) 總體分佈概況(無界約翰遜分佈等)
import scipy.stats as st
y = Train_data['price']
plt.figure(1); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)
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)

在這裏插入圖片描述
在這裏插入圖片描述
結論: 價格不服從正態分佈,所以在進行迴歸之前,它必須進行轉換。雖然對數變換做得很好,但最佳擬合是無界約翰遜分佈

  • 查看預測值price的具體頻數
## 2) 查看預測值的具體頻數
plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red')
plt.show()

在這裏插入圖片描述
結論: 大於20000得值極少,其實這裏也可以把這些當作特殊得值(異常值)直接用填充或者刪掉

  • 分類特徵與數值特徵
    這個區別方式適用於沒有直接label coding的數據,這裏不適用,需要人爲根據實際含義來區分
numeric_features = ['power', 'kilometer', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13','v_14' ]

categorical_features = ['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode',]
  • 數值特徵之間的相關性
f , ax = plt.subplots(figsize = (7, 7))
plt.title('Correlation of Numeric Features with Price',y=1,size=16)
sns.heatmap(correlation,square = True,  vmax=0.8)

在這裏插入圖片描述

  • 數值特徵的分佈
## 3) 每個數字特徵得分佈可視化
f = pd.melt(Train_data, value_vars=numeric_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False)
g = g.map(sns.distplot, "value")

在這裏插入圖片描述
在這裏插入圖片描述在這裏插入圖片描述在這裏插入圖片描述在這裏插入圖片描述
結論: 可以看出匿名特徵相對分佈均勻

  • 多變量之間迴歸關係
## 5) 多變量互相迴歸關係可視化
fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20))
# ['v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14']
v_12_scatter_plot = pd.concat([Y_train,Train_data['v_12']],axis = 1)
sns.regplot(x='v_12',y = 'price', data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1)

v_8_scatter_plot = pd.concat([Y_train,Train_data['v_8']],axis = 1)
sns.regplot(x='v_8',y = 'price',data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2)

v_0_scatter_plot = pd.concat([Y_train,Train_data['v_0']],axis = 1)
sns.regplot(x='v_0',y = 'price',data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3)

power_scatter_plot = pd.concat([Y_train,Train_data['power']],axis = 1)
sns.regplot(x='power',y = 'price',data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4)

v_5_scatter_plot = pd.concat([Y_train,Train_data['v_5']],axis = 1)
sns.regplot(x='v_5',y = 'price',data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5)

v_2_scatter_plot = pd.concat([Y_train,Train_data['v_2']],axis = 1)
sns.regplot(x='v_2',y = 'price',data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6)

v_6_scatter_plot = pd.concat([Y_train,Train_data['v_6']],axis = 1)
sns.regplot(x='v_6',y = 'price',data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7)

v_1_scatter_plot = pd.concat([Y_train,Train_data['v_1']],axis = 1)
sns.regplot(x='v_1',y = 'price',data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8)

v_14_scatter_plot = pd.concat([Y_train,Train_data['v_14']],axis = 1)
sns.regplot(x='v_14',y = 'price',data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9)

v_13_scatter_plot = pd.concat([Y_train,Train_data['v_13']],axis = 1)
sns.regplot(x='v_13',y = 'price',data = v_13_scatter_plot,scatter= True, fit_reg=True, ax=ax10)

在這裏插入圖片描述
在這裏插入圖片描述

  • 類別特徵箱型圖
類別特徵箱形圖可視化

# 因爲 name和 regionCode的類別太稀疏了,這裏我們把不稀疏的幾類畫一下
categorical_features = ['model',
 'brand',
 'bodyType',
 'fuelType',
 'gearbox',
 'notRepairedDamage']
for c in categorical_features:
    Train_data[c] = Train_data[c].astype('category')
    if Train_data[c].isnull().any():
        Train_data[c] = Train_data[c].cat.add_categories(['MISSING'])
        Train_data[c] = Train_data[c].fillna('MISSING')

def boxplot(x, y, **kwargs):
    sns.boxplot(x=x, y=y)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(boxplot, "value", "price")

在這裏插入圖片描述
在這裏插入圖片描述在這裏插入圖片描述

本文內容均來自 鏈接: Datawhale 零基礎入門數據挖掘-Task2 數據分析.

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章