期末三天赛高考我真的会谢,三天学完数据挖掘……真的很极限了的。
课本是那本绿色的Python数据分析与挖掘实战(第2版),作者张良均…
图片来自老师给的ppt,以下内容是我自己总结的,自己复习用,覆盖了老师给画的重点考点,八九不离十,期末考抱佛脚的可以看看。禁止转载哦。
再强调一下,只涵盖我们的考试重点,不是整本书的完整内容。
目录
一、数据质量分析
1-1数据分析常用的第三方库
1-2异常值分析
二、数据特征分析
2-1.常见数据特征分析方法
2-2基本统计特征函数
三、数据预处理
3-1数据清洗——缺失值处理
3-2数据变换——规范化
3-3数据规约——属性规约
3-4主要数据预处理函数
四、挖掘建模
4-1分类与预测
4-2聚类分析
4-3关联分析
4-4时序模式
一、数据质量分析 1-1数据分析常用的第三方库
要知道它们各自的用处
扩展库简介Numpy提供数组支持,以及相应的高效的处理函数Pandas强大、灵活的数据分析和探索工具Matplotlib强大的数据可视化工具、作图库Scipy提供矩阵支持,以及矩阵相关的数值计算模块StatsModels统计建模和计量经济学Scikit-Learn支持回归、分类、聚类等强大的机器学习库 1-2异常值分析1.脏数据通常包括:
缺失值异常值不一致的值重复数据及含有特殊符号的数据2.异常值分析:又称离群点分析。主要方法有:简单统计量分析、3∂原则、箱形图分析。
3.箱形图分析:
生气了,这一大部分码了一个小时,一个不小心全没了,又要重新打一遍tmd
1.方法:
分布分析对比分析统计量分析周期性分析贡献度分析相关性分析2.分布分析:分布分析能揭示数据的分布特征和分布类型,便于发现某些特大或特小的可疑值。对于定量数据:欲了解数据的分布形式是对称的、还是非对称的,可做出频率分布表、绘制频率分布直方图等进行直观地分析。 对于定性数据:可用饼图和条形图直观地显示分布情况。
3.对比分析:指把两个相互联系的指标数据进行比较,从数量上展示和说明研究对象规模的大小,水平的高低,速度的快慢,以及各种关系是否协调。特别适用于指标间的横纵向比较、时间序列的比较分析。在对比分析中,选择合适的对比标准是十分关键的步骤。主要有两种方式:绝对数比较和相对数比较。
4.统计量分析:用统计指标对定量数据进行统计描述,常从集中趋势和离中趋势两个方面进行分析。
(1)集中趋势:一组数据向某一中心值靠拢的程度,度量主要有:均值、中位数、众数。
均值、中位数、众数怎么求的要会,小学生都会。注意偶数位的数求中位数的话就是取中间两个数和的一半。
(2)离中趋势:数据之间的差距和离散程度。度量主要有:极差、标准差、变异系数、四分位数间距(箱形图分析用到了)。
极差:极大值-极小值标准差:![f0c11e37d29d438fb57a362e06a3e935.png](https://i-blog.csdnimg.cn/blog_migrate/8d09bfe257e73f20914cd8059f07c535.png)
![ac4f29491ae445b8bfb18ab56d3f0657.png](https://i-blog.csdnimg.cn/blog_migrate/69ded5b88b093652f300dc7d557555a0.png)
![d3d4cb130b804f2e912ac98ecc23b2c0.png](https://i-blog.csdnimg.cn/blog_migrate/8a01447c86efc7c84dad454d91ba642d.png)
5.相关性分析:分析连续变量之间线性的相关程度的强弱,并用适当的统计指标表示出来的过程。主要方法有:
直接绘制散点图![77bd9020998d4ef0b2258dc14e960985.png](https://i-blog.csdnimg.cn/blog_migrate/f21513275a658522dc2a4bc5faeb880f.png)
![46729acdc4fb4a96861657d43a59951f.png](https://i-blog.csdnimg.cn/blog_migrate/1dd9c893d46ec2cc117f9ef567033732.png)
![83489bde0ff740c6942f80253d87bee3.png](https://i-blog.csdnimg.cn/blog_migrate/0dd864edc75538ec6522606a0561d510.png)
Pearson相关系数适用条件:
两个变量都是连续变量。两个连续变量应当是成对的数据。两个连续变量之间存在线性关系。通常做散点图检验该假设。两个变量均没有明显的异常值。Pearson相关系数易受异常值影响。 两个变量符合双变量正态分布。 2-2基本统计特征函数 方法名函数功能所属库sum()求和Pandasmean()求算术平均数var()求方差std()求标准差corr()求Spearman(Pearson)相关系数矩阵describe()给出样本的基本描述 三、数据预处理 3-1数据清洗——缺失值处理1.缺失值处理方法有三类:删除记录、数据插补和不处理
2.数据插补——拉格朗日插值法
(1)思路:
(2)优缺点:
优点:插值公式结构紧凑,在理论分析中使用方便。
缺点:当插值节点增减时,插值多项式就会随之发生变化,每个插值基函数就需要重新计算;当多项式的n值取太高插值次数越高,会引起较大震荡,产生的插值结果就会越偏离原来函数的现象,即所谓的龙格现象。
3-2数据变换——规范化1.规范化方法:最小-最大规范化、零-均值规范化、小数定标规范化
2.为什么要进行规范化;为了消除指标之间的量纲和大小不一的影响。
3.三种规范化方法的公式:(考代码)
3-3数据规约——属性规约
1.属性规约:通过合并或删除不相关属性来减少属性维数可将数据进行规约
2.属性规约常用方法:
合并属性;
删除不相关属性:逐步向前选择、逐步向后删除、决策树归纳;
数据降维:主成分分析(PCA)。
3.主成分分析(PCA):(知道步骤、代码实现)
(1)得到观测矩阵X
(2)将X标准化
(3)求相关系数矩阵R
(4)求R的特征方程的特征根
(5)确定主成分个数m
(6)计算m个相应的单位特征向量
(7)计算主成分
3-4主要数据预处理函数 函数名函数功能所属扩展库drop_duplicates去重Numpy、Pandasisnull判断是否为空Pandasnotnull判断是否非空Pandasdropna删除空值Pandasfillna填补空值PandasPCA对指标变量矩阵进行主成分分析Scikit-learn 四、挖掘建模 4-1分类与预测1.分类:构造分类器或分类模型来预测离散属性。
预测:构造预测器预测连续属性。
2.分类的两步过程:
学习步:通过归纳分析训练样本集来建立分类模型得到分类规则。
分类步:先用已知的检验测试集评估分类规则的准确率,如果准确率可接受,则使用该模型对问未知类标号的待测样本集进行预测
预测模型的实现也有两步,同上,先得到模型,然后模型通过检验后再进行预测。
3.主要分类与预测算法
(1)回归分析:
回归模型适用条件算法描述线性回归x与y是线性关系用最小二乘法求解非线性回归x与y是非线性关系用非线性最小二乘法求解Logistic回归y一般有1-0两种取值利用Logistics函数将因变量的取值范围控制在0和1之间,表示取值为1的概率(2)决策树:ID3算法,例题:
4.分类与预测算法评价:模型预测效果评价,通常用相对绝对误差、平均绝对误差、根均方差、相对平方根误差、Kappa系数、准确率、精确率、召回率、ROC曲线等评估指标来衡量。
(1)混淆矩阵:描绘样本数据的实际结果与预测结果之间的关系。
如二分类混淆矩阵:
实际类\预测类C1- C1C1TPFN-C1FPTN(2)Kappa统计:统计分析中Kappa系数可用来衡量两个变量一致性的指标。对于分类问题,所谓一致性就是模型预测结果和实际分类结果是否一致。
kappa系数的计算是基于混淆矩阵的,系数 k 为:
po 是每一类正确分类的样本数量之和除以总样本数,也就是总体分类精度,
看概念难懂,直接看例题吧:
这是一个三分类混淆矩阵:
(3)识别准确度Accuracy、精确度Precision、召回率Recall、F-度量、灵敏度、特异性:
例子:
5.评测分类器准确率常用技术:
1.K-Means算法
(1)算法实现:直接看例子:
(2)优缺点:
优点:
算法实现快速、简单对于处理大数据集,该算法是可伸缩的、有效的当结果簇是密集的,它的效果较好缺点:
只有当簇均值有定义的时候才能用必须事先确定簇的个数对初始值敏感,初始值不同可能产生不同结果对“噪声”和孤立点数据敏感2.算法评价:组内相似性越大,组间差异越大,聚类效果越好
评价方法:内部评价 + 外部评价 内部评价:无监督的方法,无需基准数据(Ground Truth),侧重类内聚集程度和类间 离散程度。 例如:轮廓系数(Silhouette Coefficient)、Calinski-Harabasz指数、邓恩指数等。 外部评价:有监督的方法,用一定的度量评判聚类结果与基准数据的符合程度。 例如: Purity评价法、RI评价法、F值评价法等。
3.Purity 评价法是一种简单的聚类评价方法。为了计算Purity,把每个簇中最多的类作为这个簇所代表的类,然后计算正确分类的聚类数占总数的比例。
eg:
4.RI评价法法是一种用排列组合原理来对聚类进行评价的手段,该方法将聚类看成是一系列的决策过程,RI就是计算“正确决策”的比率(即精确率,Accuracy),公式如下:
1.频繁模式:频繁出现在数据集中的模式(如项集)
项集:是项的集合。如{牛奶、麦片、糖果}是一个3项集。
项集的出现频率/频度是包含项集的事物计数,又称为绝对支持度或支持度计数。
2.关联规则分析:从大量数据中发现频繁模式,以挖掘数据或特征之间的关联或相关性。
3.关联规则的一般形式:
(1)项集A和B同时一起发生的概率称为关联规则的支持度:
Support(A -> B) = P(A ^ B)
(2)项集A发生的情况下,B也发生的概率称为关联规则的置信度:
Confidence ( A -> B) = P(B | A) = P(AB) / P(A)
4.最小支持度和最小置信度:
衡量支持度/置信度的最低门槛。
同时满足最小支持度和最小置信度的规则称为强规则。
满足最小支持度的项集是频繁项集,频繁k项集通常记作Lk。
5.支持度计数:项集A的支持度计数是指事物数据集中包含项集A的事物个数。
6.关联规则建模的一般步骤:
(1)找出所有频繁项集:频繁项集中每一项出现的次数都大于等于最小支持度计数。
(2)由频繁项集产生强关联规则:强关联规则必须满足最小支持度和最小置信度。
eg:对如下事务集,令最小支持度为0.5,最小置信度为0.5.
可以得到频繁项集为 {A,B,D,E,AD}(考虑到ABCDEF的各种组合,只有以上五个满足最小支持度)
强关联规则:(注意:由频繁项集产生强关联规则,上一步得到的频繁项集只有AD是两项的,所以只要考虑AD)
A->D 支持度0.6,置信度1
D->A 支持度0.6,置信度0.75
以上两组满足最小支持度和最小置信度,所以是强关联规则。
7.极大(最大)频繁项集:简单理解为该频繁项集不是其他频繁项集的子集。
8.Apriori算法:挖掘频繁项集的算法。
(1)重要先验性质:
频繁项集的所有非空子集也是频繁项集。如ABC是频繁项集,则它的子集AB、B等都是频繁项集,反之,如果AB不是频繁项集,则ABC不可能是频繁项集。
(2)过程一:找出所有频繁项集
eg1:
eg2:
1.时间序列分析的目的就是给定一个已被观测了的时间序列,预测该序列的未来值。
2.时间序列分类及使用的模型:
时
间 ------->平稳性检验
序
列
平稳序列 ------->随机性检验白噪声不用分析平稳非白噪声ARMAARMA非平稳序列ARIMA3.序列的预处理:随机性检验和平稳性检验。
(1)随机性检验:
检验是不是纯随机序列(白噪声序列)。白噪声序列是没有信息可以提取的序列。对于平稳非白噪声序列,他的均值和方差都是常数。ARMA是最常用的平稳序列拟合模型。对于非平稳序列,由于他的均值和方差不稳定。处理方法是先将其专为平稳序列,然后建立ARMA模型来研究。如果一个时间序列经差分运算后具有平稳性,称该序列为差分平稳序列,可以使用ARIMA。(2)平稳性检验:
自协方差、自相关系数用来衡量一个事件在不同时间点之间的相关程度。平稳时间序列的性质:有常数均值和方差,一个时刻之后的另一个时刻自协方差和自相关系数是相等的。4.平稳性检验方法:
(1)图检验:时序图和自相关图。
时序图检验:根据平稳时间序列的均值和方差都为常数的性质,平稳序列的时序图显示该序列值始终在一个常数附近随机波动,而且波动的范围有界、无明显趋势及无周期特征。如果有明显的趋势性或者周期性,那它通常不是平稳序列。eg:![fd15abedee564b24809c1e65953d1b2e.png](https://i-blog.csdnimg.cn/blog_migrate/412e53d9e40b6b713d75c77d60dc7ca6.png)
![a47ac32e83984b16a800a55597714fb6.png](https://i-blog.csdnimg.cn/blog_migrate/a925a821e1366e65594213bc07a534b0.png)
eg:
(2)构造检验统计量:单位根检验。
单位根检验是指检验序列中是否存在单位根,存在单位根的就是非平稳时间序列。
eg.
5.随机性检验方法:一般是构造检验统计量。如:Q统计量(大样本)、LB统计量(小样本)。
6.拖尾与截尾:
(1)截尾:指时间序列的自相关函数(ACF)或偏自相关函数(PACF)在某阶后均为0的性质。即:在大于某个常数k后函数值快速趋于0或在0附近随机波动。
(2)拖尾:指ACF或PACF并不在某阶后均为0的性质。即:始终有非0取值,不会在k大于某个常数后函数值就恒等于0或在0附近随机波动。
eg:判断是拖尾还是截尾
判断方法:截尾比拖尾趋于零的速度更快,而且截尾在后期不会再有明显的递增。(
拖尾~拖拉~所以趋于0比较慢)
7.AR、MA、ARMA模型
(1)AR
(2) MA
(3)ARMA
8.ARIMA模型
eg.
🌟