数据清洗 Chapter05 | 数据分组与数据不平衡

一、数据分组

数据分组时数据分析过程中的一个重要环节 eg： 对大学生成绩数据求平均，查看大学生的平均水平 对不同专业的学生进行分组，分别计算不同专业学生成绩的平均值

使用Pandas库中的groupby()函数，对数据进行分组

1、groupby

• 1、根据sex进行分组，计算tip列的平均值

import pandas as pd
import seaborn as sns
tips = pd.read_csv('./data/tips.csv')

df = tips
grouped = df['tip'].groupby(df['sex'])
grouped.mean()

1

• 2、根据sex和time同时进行分组，计算tip列的平均值

means = df['tip'].groupby([df['sex'],df['time']]).mean()

2

• 3、使用means.unstack()整理输出结果

转换成表格的模式

3

2、agg()函数

agg()函数可对分组数据应用多个函数计算

• 1、自定义peak_to_peak函数，计算最大值与最小值的差

def peak_to_peak(arr):
    return arr.max() - arr.min()

• 2、使用agg()计算分组数据的均值、标准查和最值差

grouped.agg(['mean','std', peak_to_peak])

4

二、数据不平衡

考虑数据集不均衡，关注数据集的类别所属问题

• 对于分类问题，在本身观测记录X的基础上，数据集还会添加一列字段数据y，表示观测记录的类别，那么该标注数据集表示为(x,y)
• 非标注数据集适用于聚类问题，通过学习算法，来获取事先未知的类别信息

1、真实场景下的不均衡

• 1、分类问题再实际场景中应用广泛

金融领域的欺诈检测

医疗行业的疾病诊断

电信行业的用户流失预测

5

2、以二分问题为例

理想状态下，标注数据集中属于不同类别的观测记录比例应大致相同 现实情况下，分数两类的数据量差别比较大，这种现象非常普遍 传统的学习算法如决策树，SVM等无法很好地处理不均衡地数据集，给算法的性能带来负面影响

• 下面为解决方法：
• 1、扩大样本容量

数量不均衡的原因多种多样，可能是抽样算法，也可能数据的真实分布就是如此 如果是前者，可以改变抽样方法，扩大现有的数据样本，消除数据集类别的失衡

• 2、欠采样

从多数的负类样本中，随机选择与正类样本数量相当的数据样本，组成新的数据集，这种方法称为欠采样

6

正类样本数量过少，欠采样会直接导致样本容量大幅度减少，损失过多的有效信息

• 3、过采样

与欠采样不同，过采样随机从少量的正类样本中重采样，来扩充样本正类的数量，

7

过采样可以让样本数量增加，消除不均衡，但会导致严重的过度拟合

• 4、集成学习

欠采样为了平衡数据，丢弃样本所携带的部分信息 通过集成的方式解决了欠采样方法所带来的弊端

集成学习的过程：

• 有放回抽样负类样本，容量和正类样本相当，连续进行K次
• 与原有的正类样本数据合并，总共得到K个新数据集
• 针对每个新数据集，使用基本分类器进行分类
• 综合K个基分类器的结果，来确定数据的最终类别
• 5、阈值移动

再Logistic回归分类问题中，针对每一个要分类的数据记录，使用Simgod函数作为激励函数，输出一个对应的数值y，作为判定类别的概率

在阈值移动方法中，预先设定阈值a 如果y > a ,数据归属类A 反之，数据归属类B

为解决数据不均衡，可以改变阈值来调节数据集中类别的比例，适当增加少数类样本的数量

• 6、人工合成样本

SMOTE算法通过合成全新的正类样本，来补充原有的数据集 x为一个正类样本，通过聚类找到它的K近邻，选择离x最近的正类样本点q 构成x和q构造新的样本，计算公式如下：

8

三、不均衡数据下的模型的评价标准

对于类别取值分布均衡的数据集，评价算法的常用评价标准是准确率 在不均衡的数据集上使用准确率，难以反应分类算法的真实性能 归属负类的样本过多，会导致算法在负类样本的正确率很高，而在正类样本的分类效果很差

• 1、引入评价标准F-score

9

10

  本次的分享就到这里了