Машинное обучение pandas python

Машинное обучение, искусственный интеллект. Python, Pandas, Keras. Часть 1.

В этой статье мы разберем основы работы с Pandas для машинного обучения.

Для начала работы установите Anaconda2. Однако, Вы можете использовать системный Python с библиотеками.
Перейдите по данной ссылке: https://www.anaconda.com/download/ и скачайте установочный файл для Вашей системы.
Далее нам потребуется Jupyter Notebook.
Предполагается, что Вы знаете основы Python. Если не знаете, то ничего страшного — синтаксис этого языка достаточно простой. Также необходимо ознакомиться с библиотеками NumPy, Pandas и Scipy.

По pandas есть отличная шпаргалка. Прилагается ниже:
Шпаргалка Pandas

Перед началом работы скачайте файл с котировками.

Основы

Первое, с чего нам необходимо начать, так это с импорта необходимых библиотек

import pandas as pd
import numpy as np

Давайте произведем чтение нашего CSV файла в переменную с типом dataframe. Dataframe в Pandas это, по-сути, такая же обычная таблица.

Сейчас мы считали в dataframe информацию об акциях Google.

Теперь нам необходимо хоть как-то оценить данные и что в них лежит. Для этого, давайте воспользуемся функцией head(), она выведет первые несколько строчек

Акции GOOGL — это акции класса A и дают право одного голоса владельцу, есть также акции GOOG — это акции класса C и не дают права голоса. Также есть акции класса B, каждая из которых дает 10 голосов, но их нет на публичном рынке.

Теперь оценим вообще размер нашего датасета. Воспользуемся свойством shape и выведем его.

Таким образом, в нашем датасете информация о 1258 днях. А что необходимо делать, если в нашем файле отсутствуют headerы? Для этого нужно указать специальный параметр header=None pd.read_csv(‘[PATH]’, header=None,names=(‘column1′,’column2′,’column3’))

Посмотреть на конец датасета можно с помощью функции tail

Чтобы посмотреть только названия столбцов, нужно вывести свойство columns.

Посмотреть типы столбцов, а также те, в которых есть пустые значения можно с помощью функции info()

Давайте преобразуем тип столбца Date из object в datetime

df[‘Date’] = pd.to_datetime(df[‘Date’])
print(df.info())
[/python]

Узнать основные статистические значения по числовым признакам можно с помощью describe()

Пока глядя на эту таблицу ничего сказать нельзя.
Изменить тип колонки можно также другим способом.

df[‘Date’] = df[‘Date’].astype(‘datetime64[ns]’)
[/python]

Если Вы хотите, чтобы показались статистики по нечисловым признакам, их нужно указать непосредственно. Указываются их типы.

df.describe(include=[‘object’, ‘bool’])
[/python]

Как правило, признаки можно разделить на три типа. Числовые, булевые, категориальные. Для последних двух признаков можно воспользоваться методом value_counts().

Отсортируем по увеличивающейся цене закрытия и уменьшающейся цене открытия

[python]
df.sort_values(by=[‘Close’, ‘Open’], ascending=[True, False]).head(5)
[/python]

Из предыдущих примеров Вам должно было стать ясно, что извлечь значения одного столбца можно с помощью конструкции вида df[‘Close’]. Таким нехитрым способом можно применять разные функции к одному столбцу. Например, можно найти среднее или медиану.

[python]
df[‘Close’].median()
[/python]

Логическая индексация

Более мощным инструментом является логическая индексация.
df[P(df[‘Name’])] ,где P — это некоторое логическое условие, проверяемое для каждого элемента столбца Name. Итогом индексации является датафрейм, состоящий только из строк, удовлетворяющих условию P по столбцу Name.

Поэтому, давайте узнаем среднюю стоимость акции в 2016 году (по закрытию).

Разберем вышеуказанную строчку. Мы из dataframe выбрали все записи, у которых Date имеет год, равный 2017. Далее из этих записей мы выбрали только один столбец — цену закрытия Close. После этого, мы посчитали для этой Series среднее значение.

Теперь нужно сделать второй столбец ‘Change’. Он будет указывать изменение цены закрытия по сравнению с предыдущим днем в процентах.

Создадим также текстовый столбец со значениями RISE/FALL/NOT_CHANGE в зависимости от условий

def f(row):
if row[‘Change’]>0.2:
return ‘RISE’
elif row[‘Change’]<-0.2:
return ‘FALL’
else:
return ‘NOT_CHANGE’

Давайте узнаем максимальную стоимость акции в период с 2016 по 2017 год

df[(df[‘Date’].dt.year <= 2017) & (df[‘Date’].dt.year>=2016)][‘High’].max()

Индексация по названиям и порядковым номерам

Датафреймы можно индексировать как по названию столбца или строки, так и по порядковому номеру.

Индексация по названию — loc. Покажи строчки с 0 до 5 для столбцов от Open до Close.

Индексация по номеру — iloc.
Покажи первые шесть строчек в первых трех столбцах.

Первую строчку датафрейма можно отобразить с помощью такой конструкции

Последнюю строчку можно отобразить так

Применение функции к каждому столбцу

Применение функции к каждой ячейке

Метод map может осуществлять замену значений в колонке. Например:

# Создадим словарь для map() и передадим его в качестве аргумента

Также для замены значений используйте метод replace()

Группировка данных

В общем случае группировка данных в Pandas выглядит так:
df.groupby(by=grouping_columns)[columns_to_show].function()

• К датафрейму применяется метод groupby, который разделяет данные по grouping_columns — признаку или набору признаков
• Выбираем нужные нам столбцы (columns_to_show)
• К полученным группам применяется функция или несколько функций

Группирование данных в зависимости от значения признака State и вывод статистикпо трем столбцам в каждой группе.

columns_to_show = [‘Close’, ‘Volume’]
df.groupby([‘State’])[columns_to_show].describe()

Глядя на данную таблицу можно сделать вывод, что акция в период роста или падения имеет больший объем сделок ~ на 20%.

То же самое можно было осуществить используя функцию agg()

columns_to_show = [‘Close’, ‘Volume’]
df.groupby([‘State’])[columns_to_show].agg([np.mean, np.std, np.min, np.max])

Сводные таблицы

Что нужно сделать если необходимо посмотреть, как наблюдения в выборке распределены в контексте двух признаков. Для этого можно построить таблицу сопряженности. Сделать это можно с помощью функции crosstab().

def f(row):
if row[‘Volume’]>2000000:
return ‘HIGH’
else:
return ‘LOW’

df[‘Volume_2’] = df.apply(f, axis=1)
pd.crosstab(df[‘Volume_2’], df[‘State’], normalize=True)

Сводные таблицы

В Pandas для этого используется метод pivot_table. В качестве параметров он принимает:

• values — список переменных, по которым требуется рассчитать требуемые статистики
• index — список переменных, по которым нужно сгруппировать данные
• aggfunc — то, что нужно посчитать по группам — сумму, среднее, максимум, минимум и т.д.

df[«VolumeDiv10»]=df[«Volume»]/100000;
df[«VolumeDiv10»]=df[«VolumeDiv10»].astype(int)
df.head()
df.pivot_table([‘Close’, ‘Open’, ‘Change’], [‘VolumeDiv10′], aggfunc=’mean’)

Преобразование датафреймов

Еще один столбец можно создать с помощью функции insert()

volatility = df[‘High’] — df[‘Low’]
df.insert(loc=len(df.columns), column=’Volatility’, value=volatility)

• Первый аргумент — говорит, что мы должны вставить столбик в конец
• Второй аргумент — название колонки
• Третий аргумент — значения в колонке

Удаление строк и столбцов

df = df.drop([‘Change’], axis=1)
df.drop([1, 2]).head(

Рекомендации

1. Для оценки взаимосвязи двух признаков исппользуйте crosstab
2. Если мы тратим большое количество времени и увеличиваем accuracy всего лишь на 1%, то скорее всего мы делаем что-то не так.
3. Перед тем как строить и обучать сложные модели, проверьте данные и проверьте простые предположения.
4. В бизнес-приложениях начинают именно с простых решений, так как важно знать причину появления того или иного результата.

Источник