数据分析小实验(下)

目录

一、数据准备

二、缺失值处理

三、清洗数据

四、聚类分析

五、结果评估与分析

三、清洗数据

对categorical data特征进行观察。发现很多特征属于偏态分布或分类太多，对于我们进行分析是非常不利的，因此需要对部分数据合并。

1）workclass

在进行合并时。一些和我们分析的目标相关的关键信息是需要单独保留的。比如self-employed，对于评估个人收入高低很有帮助。其他的部分选择合并。

government_jobs = df.workclass.str.endswith('-gov')

df.loc[government_jobs,'workclass'] = 'Government'

others = df.workclass.isin(['Retired','Without-pay','Never-worked','Unknown'])

df.loc[others,'workclass'] = 'Other'

df.workclass = df.workclass.replace({"Self-emp-not-inc":"Freelance","Self-emp-inc":"Proprietor"})

2）对education分析

学校教育对于个人的收入还是有比较大的影响的，但是7th-8th和9th似乎差别不太，这里就需要对于美国教育有一定的了解才能够准备的对结果合并。我们将学校教育划分为三类，Primary, Secondary, Tertiary等三类。

primary = df.education.isin(['Preschool', '1st-4th', '5th-6th'])

df.loc[primary,'education'] = 'Primary'

secondary = df.education.isin(['Some-college', '11th', '9th', '7th-8th', '10th','12th','HS-grad','Assoc-voc'])

df.loc[secondary,'education'] = 'Secondary'

teriary = df.education.isin(['Bachelors', 'Masters', 'Doctorate', 'Prof-school','Assoc-acdm'])

df.loc[teriary,'education'] = 'Tertiary'

划分后结果如下：

3）maritalstatus婚姻状况

婚姻状态基本可以合并成已婚，未婚就可以了，并用数字0,1表示就可以了。

df.maritalstatus = (df.maritalstatus != 'Never-married').astype(int)

4）occupation职业

个人的工作对于收入的高低是相关性很高的特征， 因此划分职业按潜在收入高低划分，我们先对职业和收入进行对比。

income_per_occupation = df[['occupation','income']].groupby('occupation').income.value_counts().unstack()

但是只观察上面的关系图并不能很好的帮助我们直接对职业划分，需要进一步观察高收入人群的占比情况，因此通过下面：

income_per_occupation = (income_per_occupation.large / income_per_occupation.sum(1)).sort_values(ascending=False)

得到结果如下：

可以按高收入占比进行划分，将占比大于0.33归为high，(0.2,0.33)归为med，小于等于0.2的归为low

high_earnings = df.occupation.isin(income_per_occupation[income_per_occupation >= 0.33].index.tolist())

df.loc[high_earnings,'occupation'] = 'High'

mid_earnings = df.occupation.isin(income_per_occupation[(income_per_occupation > 0.20) & (income_per_occupation < 0.33)].index.tolist())

df.loc[mid_earnings,'occupation'] = 'Med'

low_earnings = df.occupation.isin(income_per_occupation[income_per_occupation <= 0.20].index.tolist())

df.loc[low_earnings,'occupation'] = 'Low'

接下来剩下None值，由于数量少，将它归到Med中。

5）relationship

对收入高低的影响关系来看，身份是Husband或Wife还是比较重要的，而且各自的市场价值也不相同，根据一份报告，将消费投资和市场价值人群划分如下：少女>儿童>少妇>老人>狗>男人。Husband和Wife，这个特征更像是将性别和婚姻状态的混合，或许可以考虑对婚姻状态的验证和填充使用。下面观察一下‘Own-Child’和年龄的关系

通过分布结果看的话，并不是直觉意义上拥有小孩的情况，如果是拥有小孩的话，应该是随着年龄的增长而增长才对。应该30岁之前的未婚的占多数。因此对于会不会影响个人收入或潜在价值，很难说。那么对于‘Not-in-family’、‘Own-child’、'Unmarried'和'Other-relative' 四个就归为‘Other了’。

或者如果愿意的话，划分为Husband、Wife，unmarried和other也是可以的，其实本来就没有所谓的准确答案，具体哪个更优，可以通过聚类效果来抉择。

not_spouse = df.relationship.isin(['Not-in-family', 'Own-child', 'Unmarried', 'Other-relative'])

df.loc[not_spouse, 'relationship'] = 'Other'

再看效果：

6）race种族

乍一看，白人遥遥领先啊，对个两两合并的方式肯定也不凑效了，只能直接将race划分为white和非white了。 df.race = (df.race == 'White').astype(int)。

对于sex特征，只有Male和Female,不需要做任何的处理，可以直接用了。

7）nativecountry

USA又是一巨无霸,而且涉及到很多的国家，如果简单的将结果分为USA和非USA，肯定会错失很多关键信息，毕竟国家的发展状况还是会影响到个人收入的，因此可以将国家GDP考虑进来，将GDP按高低分段。或按发达国家，发展中国家和贫穷国家划分都是可选的方案的。嗯，这就交给你们去实践了，实验就按USA和非USA来了。

df.nativecountry = (df.nativecountry == 'United-States').astype(int) 。Categorical的清理工作已经完成，还剩下最关键的income和continuous没有处理了。

8) continuous连续变量

特征中出现连续变量的有三个，hoursperweek,capitalgain,capitalloss等三个，由于hoursperweek中40小时占比还挺大，可以考虑按40小时，小于40小时，大于40小时方式划分三段。或者将结果做归一化到[0,1]，然后直接使用特征。

而capitalgain,capitalloss出现严重的偏态分布。而且非常的稀疏，需要确定一下是否存在使用价值。

将capitalgain,capitalloss放在一起比较，看是否存在某种关系。

果然，两个更像是一个特征，因为一个人不可能同时收益和损失，所有的点都在数轴上。可以考虑将两个特征合并成新的特征，has_capital_account, has_losses, has_gains。

处理好之后的数据如下：

是不是以为就结束了，但是还有一步没做，目前的结果并不能直接放到模型中，还需对特征，转变哑变量，利用pd.get_dummies处理。还有将目前income处理成is_large数值类型，

df['y'] = (df.income == 'large').astype(int)

其他暂时做空值处理。我们接下来对income的空值利用RandomForest来进行预测，用预测的结果填充income空值。

from sklearn.ensemble import RandomForestClassifier as RF

from sklearn.cross_validation import cross_val_score

data = df.select_dtypes(['int','float'])

X = data[data.y.notnull()].drop('y',axis=1)

y = df.y[df.y.notnull()]

X_new = df[df.y.isnull()].select_dtypes(['int','float']).drop('y',axis=1)

cls = RF(25, n_jobs=-1)

cross_val_score(cls,X,y,'roc_auc',cv=5)

打印出结果[ 0.8726842 , 0.86185507, 0.86925446, 0.87965868, 0.87036015]，效果还不错。接下来对空值进行预测。

cls = RF(25, n_jobs=-1)

cls.fit(X,y)

df.y[df.y.isnull()] = cls.predict(X_new)

接下来就是将object类型转变Categorical，float类型转变int类型。到此，数据清洗和缺失值的处理的过程就全部完成了。

四、聚类分析

在做聚类之前，需要做特征选择，选出一些和income相关性高的特征出来，再做聚类分析。这样聚类得到的结果可信度高。将特征与income做比较。下面选出一组分析。

通过比较Earning Potential，Relationship与income有强关联。将Relationship与income的占比情况分布。因此Relationship为Wife和Husband中高收入占比较高，因此与高income具有关联性，因此在聚类时，可以选为分类的特征。

类似方法，选择了如下特征：

'age','sex_male','is_married','is_white','education_tertiary','earning_potential_high','relationship_husband','relationship_wife'，‘hoursperweek’

作为聚类的特征。其中需要age和hoursperweek做归一化到[0,1]中。

接下来调用sklearn.cluster中的KMeans做聚类，但是做聚类之前，要考虑聚类后的结果具可解释性，能够对具体营销有指导意义，因此需要确定最大K值的选取，如果k值太大，聚类本身也就失去意义，举个极端的例子，如果每个数据本身成为一个类别呢。

但是具体的k值，选取需要按照一定指标选取，我们先选取k=2,3,4,5,6,7得到聚类。

kmeans = KMeans(k,)

kmeans.fit(X)

另外考虑实际运行环境，聚类时，随机选取10000样本来做。

五、结果评估与分析

评估的的指标是通过计算Silhouette Score，它是通过簇内距离a与簇外距离b的比，(b - a) / max(a, b)，能很好的评估聚类的效果。

可以发现在k=5之后，Silhouette Score的增长减缓，因此选择k=5作为聚类的k值比较合理的选择。利用k=5重新训练模型，最后得到分类的情况如下：

2.0 2751

0.0 2603

1.0 2175

3.0 1451

4.0 1020

接下来分类后的特征对于分类：

后续对于聚类的解释，可能就需要加入具体的场景和业务背景知识了。

参考：

KMeans：http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

Silhoutte Score:http://scikit-learn.org/stable/modules/generated/sklearn.metrics.silhouette_score.html

免责声明：本文系网络转载。版权归原作者所有。如涉及版权，请联系删除！