機器學習之pandas庫小專案實戰

自行車共享系統是新一代的傳統自行車租賃，其中會員，租賃和退貨的整個過程已經自動化。通過這些系統，使用者能夠從特定位置輕鬆地租用自行車並在另乙個位置返回。目前，全世界約有500多個自行車共享計畫，其中包括超過50萬輛自行車。今天，由於它們在交通，環境和健康問題中的重要作用，因此對這些系統存在很大興趣。

除了有趣的自行車共享系統的現實應用之外，這些系統產生的資料特徵使它們對研究具有吸引力。與公共汽車或地鐵等其他交通服務相反，旅行，出發和到達位置的持續時間明確記錄在這些系統中。此功能將自行車共享系統轉變為虛擬感測器網路，可用於感知城市的移動性。因此，預計通過監測這些資料可以檢測到城市中的大多數重要事件。

屬性資訊：

hour.csv和day.csv都有以下字段，除了在day.csv中不可用的hr

import pandas as pd                                         #pandas庫
from sklearn.preprocessing import onehotencoder             #獨熱編碼
from sklearn.preprocessing import polynomialfeatures        #多項式擴充套件
from sklearn.preprocessing import standardscaler			#特徵縮放
(標準化)
from sklearn.model_selection import train_test_split        #資料集切分
from sklearn.linear_model import linearregression           #線性回歸
from sklearn.linear_model import ridge                      #嶺回歸
from sklearn.metrics import mean_absolute_error             #平均絕對誤差
# 讀取資料
path =
"../../datas/hour.csv"
data = pd.
read_csv
(path)
## 刪除無用的列
data.
drop
(columns=
['instant'
,'dteday'
,'casual'
,'registered'
],inplace=true)
# print
(data)
## 檢查哪些特徵需要做獨熱編碼
# for i in data.columns:
#     print
(data[i]
.value_counts()
)## 獨熱編碼,對需要進行獨熱編碼的列編碼
hotcoder =
onehotencoder
(sparse=false,handle_unknown=
'ignore'
)hot = hotcoder.
fit_transform
(data[
['season'
,'mnth'
,'hr'
,'weekday'
,'weathersit']]
)hot = pd.
dataframe
(hot)
# print
(hot)
## 刪除掉獨熱編碼的列
data.
drop
(columns=
['season'
,'mnth'
,'hr'
,'weekday'
,'weathersit'
],inplace=true)
print
(data)
## 多項式擴充套件
polycoder  =
polynomialfeatures
(degree=
3,interaction_only=false)
pcoder = polycoder.
fit_transform
(data[
['temp'
,'atemp'
,'hum'
,'windspeed']]
)pcoder = pd.
dataframe
(pcoder,columns=polycoder.
get_feature_names()
)print
(pcoder)
## 標準化
sscoder =
standardscaler()
scoder = sscoder.
fit_transform
(pcoder)
scoder = pd.
dataframe
(scoder,columns=pf.
get_feature_names()
)print
(scoder)
## 刪除掉標準化的列
data.
drop
(columns=
['temp'
,'atemp'
,'hum'
,'windspeed'
],inplace=true)
# print
(data)
## 合併
data = pd.
concat
([hot,scoder,data]
,axis=1)
print
(data)
## 構建x和y
x = data.iloc[:,
:-1]
y = data.iloc[:,
-1]## 劃分訓練集和測試集
train_x,test_x,train_y,test_y =
train_test_split
(x,y,test_size=
0.33
,random_state=7)
## 訓練linearregression模型
lr =
linearregression()
lr.fit
(train_x,train_y)
print
(lr.
score
(test_x,test_y)
)hietory =
mean_absolute_error
(y_pred=lr.
predict
(test_x)
,y_true=test_y)
print
(hietory)
## 訓練ridge
ridge =
ridge
(alpha=
0.7,fit_intercept=true,max_iter=
200,solver=
'auto'
)ridge.
fit(train_x,train_y)
print
(ridge.
score
(test_x,test_y)
)hietory1 =
mean_absolute_error
(y_pred=ridge.
predict
(test_x)
,y_true=test_y)
print
(hietory1)

效果如下

0.7032993956224423

74.06016823570432

0.7032488512553888

74.06116966254734

機器學習之pandas庫 小專案實戰

機器學習之pandas庫 小專案實戰

機器學習之pandas

機器學習 pandas庫使用

相關推薦

機器學習之pandas庫小專案實戰

機器學習之pandas庫小專案實戰