ML 用统计数据理解数据
在处理机器学习项目时,通常我们会忽略两个最重要的部分,称为 数学 and data .这是因为,我们知道 ML 是一种数据驱动的方法,我们的 ML 模型产生的结果与我们提供给它的数据一样好或一样坏。
在上一章中,我们讨论了如何将 CSV 数据上传到我们的 ML 项目中,但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,在以下 Python 秘籍的帮助下,我们将通过统计来理解 ML 数据。
查看原始数据
第一个秘诀是查看原始数据。查看原始数据很重要,因为我们在查看原始数据后获得的洞察力将增加我们更好地预处理和处理 ML 项目数据的机会。
下面是一个 Python 脚本,它使用 Pandas DataFrame 的 head() 函数在 Pima Indians 糖尿病数据集上查看前 50 行以更好地理解它:
例子
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,这对于引用特定的观察非常有用。
检查数据的维度
了解我们的 ML 项目有多少行和列数据始终是一个好习惯。背后的原因是:
-
假设如果我们有太多的行和列,那么运行算法和训练模型需要很长时间。
-
假设如果我们的行和列太少,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 iris 数据集上实现它,以获取其中的总行数和列数。
例子
from pandas import read_csv path = r"C:\iris.csv" data = read_csv(path) print(data.shape)
(150, 4)
我们可以很容易地从输出中观察到,我们将要使用的 iris 数据集有 150 行和 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个好习惯。背后的原因是,根据需要,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整数来表示分类或序数值。我们可以通过查看原始数据来了解属性的数据类型,但另一种方法是使用 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。可以借助下面的Python脚本来理解:
例子
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,我们可以很容易地得到每个属性的数据类型。
数据统计汇总
我们已经讨论过 Python 方法来获取数据的形状,即行数和列数,但很多时候我们需要查看数据形状的摘要。可以借助 Pandas DataFrame 的 describe() 函数来完成,该函数进一步提供了每个数据属性的以下 8 个统计属性:
- Count
- Mean
- 标准差
- 最小值
- 最大值
- 25%
- 中位数,即 50%
- 75%
例子
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
从上面的输出中,我们可以观察到 Pima Indian Diabetes 数据集的数据统计摘要以及数据的形状。
审查班级分布
类分布统计在我们需要知道类值平衡的分类问题中很有用。了解类值分布很重要,因为如果我们有高度不平衡的类分布,即一个类比其他类有更多的观察,那么它可能需要在我们的机器学习项目的数据准备阶段进行特殊处理。借助 Pandas DataFrame,我们可以轻松地在 Python 中获取类分布。
例子
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
从上面的输出可以清楚地看出,0 类的观察数量几乎是 1 类的观察数量的两倍。
查看属性之间的相关性
两个变量之间的关系称为相关性。在统计学中,计算相关性最常用的方法是皮尔逊相关系数。它可以有如下三个值:
-
系数值 = 1 : 代表满 positive 变量之间的相关性。
-
系数值 = -1 : 代表满 negative 变量之间的相关性。
-
系数值 = 0 : 它代表 no 变量之间完全相关。
在将数据集用于 ML 项目之前,检查数据集中属性的成对相关性总是有好处的,因为如果我们具有高度相关的属性,一些机器学习算法(如线性回归和逻辑回归)将表现不佳。在 Python 中,我们可以借助 Pandas DataFrame 上的 corr() 函数轻松计算数据集属性的相关矩阵。
例子
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。
审查属性分布的偏差
偏度可以定义为假设为高斯分布但在一个方向或另一个方向或向左或向右出现扭曲或偏移的分布。审查属性的偏度是一项重要任务,原因如下:
-
数据中存在的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 算法都假设数据具有高斯分布,即钟形曲线数据的正态分布。
在 Python 中,我们可以通过 Pandas DataFrame 上的 skew() 函数轻松计算每个属性的 skew。
例子
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
从上面的输出中,可以观察到正或负偏斜。如果该值更接近于零,则它显示的偏斜较小。