商业分析python实战（一）：企业所得税预测
步骤
1、获取数据；
2、相关性分析；
3、Lasso特征选择；
4、单个特征灰色预测；
5、SVR预测2016年及2017年企业所得税，并对模型进行评价。
NO.1 获取数据
考虑数据的可得性和与实际情况的关联性，选取2004年-2015年某企业相关维度的数据，具体字段名及说明如下表：
NO.2 分析企业所得税数据的相关性
从已有数据，可知道共有10个因素会影响企业所得税，需要计算各影响因素与目标特征之间的相关系数，进而判断企业所得税与选取特征之间的相关性。这里，我们计算10个特征间的Pearson相关系数，结果如下：
由上可知，x6与企业所得税（y）呈负相关关系，其余特征均与y呈正相关关系，且各个特征间存在严重的多重共线性，如x1，x2，x3，x4，x7，x8，x10。因此，需要对这些特征进行进一步筛选，避免信息重复。
NO.3 用Lasso回归选取关键特征
Lasso回归方法属于正则化方法的一种，是一种收缩估计方法，它可以将特征的系数进行压缩并使某些回归系数变为0，从而达到特征选择的目的。Lasso对数据类型没有太多限制，一般不需要对数据进行标准化处理，可以有效的解决多重共线性问题，但它倾向于选择多个特征中的一个特征，会导致结果的不稳定性。本例中，多重共线性的问题较为严重，因此使用Lasso进行特征选择是一个恰当的方法。
根据上图的结果，Lasso识别的影响企业所得税因素为x1，x9，x2。
NO.4 用灰色预测得到单特征预测值
因为各因素没有2016年、2017年的数据，因此我们需要先通过灰色预测得到单个特征在2016年、2017年的值。灰色预测是一种对含有不确定因素的系统进行预测的方法，具有预测精度高、模型可检验、参数估计方法简单的特点，但对序列的光滑度要求较高。灰色预测通过后验差检验判别模型精度，结果参照表如下：
通过GM方法进行灰色预测，x1、x2、x3的后验差检验结果及在2016年、2017年的预测值如下：
NO.5 用SVR构建预测模型
SVR（支持向量回归）不仅适用于线性模型，也能很好的抓住数据和特征之间的非线性关系，可避免局部最小问题，但计算复杂度较高，数据量大时，耗时较长。模型预测后，可通过R2值来判断模型效果，R2越接近1，表示模型拟合效果越好。
实现代码
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
#step1:获取数据
datafile = pd.read_csv('income_tax.csv',index_col='year')
print(datafile.head())
#step2:相关性分析
print(datafile.corr())
#step3:Lasso特征选择
from sklearn.linear_model import LassoCV
X = datafile.drop("y",1)
y = datafile["y"]
lasso = LassoCV()
lasso.fit(X, y)
coef = pd.Series(lasso.coef_, index = X.columns)
print("Lasso算法挑选了 " + str(sum(coef != 0)) + " 个变量，然后去除掉了" + str(sum(coef == 0)) + "个变量")
imp_coef = coef.sort_values()
matplotlib.rcParams['figure.figsize'] = (8, 6)
imp_coef.plot(kind = "barh")
plt.title("Lasso Model Feature Importance")
plt.show()
#step4:GM算法进行变量灰色预测
def GM11(x0,i):
import numpy as np
x1 = x0.cumsum()
x1 =pd.DataFrame(x1)
z1 = (x1 + x1.shift())/2.0
z1 = z1[1:].values.reshape((len(z1)-1,1))
B = np.append(-z1, np.ones_like(z1), axis = 1)
Yn = x0[1:].reshape((len(x0)-1, 1))
[[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Yn)
f = lambda k: (x0[0]-b/a)*np.exp(-a*(k-1))-(x0[0]-b/a)*np.exp(-a*(k-2))
delta = np.abs(x0 - np.array([f(i) for i in range(1,len(x0)+1)]))
C = delta.std()/x0.std()
P = 1.0*(np.abs(delta - delta.mean()) < 0.6745*x0.std()).sum()/len(x0)
print( str(i) + ": C = " + str(C) + " , P = " + str(P))
return f, a, b, x0[0], C, P
l=['x1','x2','x9'] #根据Lasso分析结果，选择变量
data_1=X[l].copy()
data_1.index=range(2004,2016)
data_1.loc[2016]=None
data_1.loc[2017]=None
for i in l: #预测每个变量2016、2017预测值
f=GM11(data_1[i][:-2].values,i)[0]
data_1[i][2016]=f(len(data_1)-1)
data_1[i][2017]=f(len(data_1))
data_1[i]=data_1[i].round(2)
print(data_1.tail(2))
#step5:SVR模型
result = data_1.copy()
result['real'] = y
result['predict'] = None #记录结果
from sklearn import svm
from sklearn.metrics import r2_score
svm_model = svm.SVR(kernel='linear',max_iter=10)
svm_model.fit(data_1.iloc[0:12, :], y)
predict1 = svm_model.predict(data_1.iloc[0:12, :])
r2_score = r2_score(y,predict1)
result.iloc[0:12,4]=predict1
from sklearn.metrics import r2_score
print('R2 = ' + str(r2_score(y,predict1) ))
plt.scatter(y.index, y, color='darkorange', label='data')
plt.plot(y.index, predict1, color='navy', lw=2, label='Linear model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()
predict2 = svm_model.predict(data_1.iloc[12:14, :])
result.iloc[12:14,4]=predict2
print('最终结果：')
print(result)参考内容：
1、《R语言商务数据分析实战》
2、https://www.cnblogs.com/zinyy/p/9535069.html