二手车交易价格预测-数据探索性分析

1. EDA定义和目标
   1.1 定义
   EDA（数据探索性分析），是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。

1.2 目标
EDA的目标在于熟悉数据集，了解变量间的相互关系以及变量与预测值之间的存在关系，从而引导数据科学从业者进行数据处理以及特征工程的步骤，让接下来的预测问题更加可靠。

2. EDA内容及代码
   2.1 导入工具库

#coding:utf-8
#导入warnings包，利用过滤器来实现忽略警告语句。
import warnings
warnings.filterwarnings(‘ignore’)

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as msno

2.2 导入数据

载入训练集和测试集；

Train_data = pd.read_csv(‘train.csv’,sep=’ ‘)
Test_data = pd.read_csv(‘testA.csv’,sep=’ ')
sep：指定分隔符。如果不指定参数，则会尝试使用逗号分隔。

2.3 数据总览

简略观察数据(head()+shape)

Train_data.head().append(Train_data.tail())
Train_data.shape
Test_data.head().append(Test_data.tail())
Test_data.shape

通过describe()来熟悉数据的相关统计量

Train_data.describe()
Test_data.describe()

通过info()来熟悉数据类型

Train_data.info()
Test_data.info()
head：观察前五行数据。
tail：观察后五行数据。
shape：观察数据一共几行几列。
describe：观察数据统计特性，包括个数count、平均值mean、方差std、最小值min、中位数25% 50% 75% 、以及最大值。
info：观察数据的类型（例如：int，object）

2.4 查看缺失和异常

查看每列的存在nan情况

Train_data.isnull().sum()
Test_data.isnull().sum()

nan可视化

missing = Train_data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()

可视化看下缺省值

msno.matrix(Train_data.sample(250))
msno.bar(Train_data.sample(1000))
msno.matrix(Test_data.sample(250))
msno.bar(Test_data.sample(1000))

查看和处理异常值

Train_data.info()
Train_data[‘notRepairedDamage’].value_counts()
Train_data[‘notRepairedDamage’].replace(’-’, np.nan, inplace=True)
Train_data[‘notRepairedDamage’].value_counts()
Train_data.isnull().sum()
Test_data[‘notRepairedDamage’].value_counts()
Test_data[‘notRepairedDamage’].replace(’-’, np.nan, inplace=True)
Train_data[“seller”].value_counts()
Train_data[“offerType”].value_counts()
del Train_data[“seller”]
del Train_data[“offerType”]
del Test_data[“seller”]
del Test_data[“offerType”]
isnull：判断是否有缺失值数据，缺失值为True，非缺失值为False。
missing = missing[missing > 0]：把字典中value大于0的key和value筛选出来，再重新赋值给missing。
matrix：缺失值的矩阵分布。
sort_values(inplace=True)：True表示排序后结果替代原内容。
sample：抽样函数。
value_counts：查看有哪些不同的值，并计算每个值的重复个数。
np.nan：numpy定义的空值。

2.5 查看预测值的分布

了解预测值的分布

Train_data[‘price’]
Train_data[‘price’].value_counts()

总体分布概况（*约翰逊分布、正态分布、对数变化正态分布等）

import scipy.stats as st
y = Train_data[‘price’]
plt.figure(1); plt.title(‘Johnson SU’)
sns.distplot(y, kde=False, fit=st.johnsonsu)
plt.figure(2); plt.title(‘Normal’)
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title(‘Log Normal’)
sns.distplot(y, kde=False, fit=st.lognorm)

查看skewness and kurtosis

sns.distplot(Train_data[‘price’]);
print(“Skewness: %f” % Train_data[‘price’].skew())
print(“Kurtosis: %f” % Train_data[‘price’].kurt())

Train_data.skew(), Train_data.kurt()
sns.distplot(Train_data.skew(),color=‘blue’,axlabel =‘Skewness’)
sns.distplot(Train_data.kurt(),color=‘orange’,axlabel =‘Kurtness’)

查看预测值的具体频数

plt.hist(Train_data[‘price’], orientation = ‘vertical’,histtype = ‘bar’, color =‘red’)
plt.show()

log变换z之后的分布较均匀，可以进行log变换进行预测，这也是预测问题常用的trick

plt.hist(np.log(Train_data[‘price’]), orientation = ‘vertical’,histtype = ‘bar’, color =‘red’)
plt.show()
scipy.stats：scipy中的统计函数包。
sns.distplot(y, kde=False, fit=st.johnsonsu)：distplot集合了hist（直方图）和kdeplot（核函数估计）并增加了rugplot（分布观测条显示）与利用scipy库fit（拟合参数分布）的功能；kde核密度估计，kde=False，表示不显示核密度估计。
skewness：偏度。
kurtosis：峰度。

2.6 特征分析

分离label即预测值

Y_train = Train_data[‘price’]

这个区别方式适用于没有直接label coding的数据

这里不适用，需要人为根据实际含义来区分

数字特征

numeric_features = Train_data.select_dtypes(include=[np.number])

numeric_features.columns

# 类型特征

categorical_features = Train_data.select_dtypes(include=[np.object])

categorical_features.columns

numeric_features = [‘power’, ‘kilometer’, ‘v_0’, ‘v_1’, ‘v_2’, ‘v_3’, ‘v_4’, ‘v_5’, ‘v_6’, ‘v_7’, ‘v_8’, ‘v_9’, ‘v_10’, ‘v_11’, ‘v_12’, ‘v_13’,‘v_14’ ]
categorical_features = [‘name’, ‘model’, ‘brand’, ‘bodyType’, ‘fuelType’, ‘gearbox’, ‘notRepairedDamage’, ‘regionCode’,]

特征nunique分布

for cat_fea in categorical_features:
print(cat_fea + “的特征分布如下：”)
print("{}特征有个{}不同的值".format(cat_fea, Train_data[cat_fea].nunique()))
print(Train_data[cat_fea].value_counts())

特征nunique分布

for cat_fea in categorical_features:
print(cat_fea + “的特征分布如下：”)
print("{}特征有个{}不同的值".format(cat_fea, Test_data[cat_fea].nunique()))
print(Test_data[cat_fea].value_counts())
nunique：统计不同值的个数。

2.6.1 数字特征分析
numeric_features.append(‘price’)
numeric_features
Train_data.head()

相关性分析

price_numeric = Train_data[numeric_features]
correlation = price_numeric.corr()
print(correlation[‘price’].sort_values(ascending = False),’\n’)

f , ax = plt.subplots(figsize = (7, 7))
plt.title(‘Correlation of Numeric Features with Price’,y=1,size=16)
sns.heatmap(correlation,square = True, vmax=0.8)

del price_numeric[‘price’]

查看几个特征的偏度和峰值

for col in numeric_features:
print(’{:15}’.format(col),
‘Skewness: {:05.2f}’.format(Train_data[col].skew()) ,
’ ’ ,
‘Kurtosis: {:06.2f}’.format(Train_data[col].kurt())
)

每个数字特征的分布可视化

f = pd.melt(Train_data, value_vars=numeric_features)
g = sns.FacetGrid(f, col=“variable”, col_wrap=2, sharex=False, sharey=False)
g = g.map(sns.distplot, “value”)

数字特征相互之间的关系可视化

sns.set()
columns = [‘price’, ‘v_12’, ‘v_8’ , ‘v_0’, ‘power’, ‘v_5’, ‘v_2’, ‘v_6’, ‘v_1’, ‘v_14’]
sns.pairplot(Train_data[columns],size = 2 ,kind =‘scatter’,diag_kind=‘kde’)
plt.show()

Train_data.columns
Y_train

多变量互相回归关系可视化

fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20))

[‘v_12’, ‘v_8’ , ‘v_0’, ‘power’, ‘v_5’, ‘v_2’, ‘v_6’, ‘v_1’, ‘v_14’]

v_12_scatter_plot = pd.concat([Y_train,Train_data[‘v_12’]],axis = 1)
sns.regplot(x=‘v_12’,y = ‘price’, data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1)

v_8_scatter_plot = pd.concat([Y_train,Train_data[‘v_8’]],axis = 1)
sns.regplot(x=‘v_8’,y = ‘price’,data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2)

v_0_scatter_plot = pd.concat([Y_train,Train_data[‘v_0’]],axis = 1)
sns.regplot(x=‘v_0’,y = ‘price’,data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3)

power_scatter_plot = pd.concat([Y_train,Train_data[‘power’]],axis = 1)
sns.regplot(x=‘power’,y = ‘price’,data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4)

v_5_scatter_plot = pd.concat([Y_train,Train_data[‘v_5’]],axis = 1)
sns.regplot(x=‘v_5’,y = ‘price’,data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5)

v_2_scatter_plot = pd.concat([Y_train,Train_data[‘v_2’]],axis = 1)
sns.regplot(x=‘v_2’,y = ‘price’,data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6)

v_6_scatter_plot = pd.concat([Y_train,Train_data[‘v_6’]],axis = 1)
sns.regplot(x=‘v_6’,y = ‘price’,data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7)

v_1_scatter_plot = pd.concat([Y_train,Train_data[‘v_1’]],axis = 1)
sns.regplot(x=‘v_1’,y = ‘price’,data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8)

v_14_scatter_plot = pd.concat([Y_train,Train_data[‘v_14’]],axis = 1)
sns.regplot(x=‘v_14’,y = ‘price’,data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9)

v_13_scatter_plot = pd.concat([Y_train,Train_data[‘v_13’]],axis = 1)
sns.regplot(x=‘v_13’,y = ‘price’,data = v_13_scatter_plot,scatter= True, fit_reg=True
price_numeric.corr()：price_numeric的变量两两之间进行相关性分析，结果落在[-1,1]区间内。
f , ax = plt.subplots()：函数返回一个figure图像（幕布）和子图ax（实际图像）。
heatmap(correlation,square = True, vmax=0.8)：square=True表示等间隔展示，vmax=0.8表示热力值最大为0.8.
{:05.2f}：以5位宽度、2位小数的形式输出变量的值。如果总宽度（小数点也算一位宽度）不足5位，则前面补0，补足5位；若加上小数点和2位小数后超过5位，则按实际宽度输出。
melt(Train_data, value_vars=numeric_features)：melt函数将宽数据集变成长数据集。value_vars：需要被转换的现有列。
FacetGrid(f, col=“variable”, col_wrap=2, sharex=False, sharey=False)：画网格。 col="variable"表示列变量为variable；col_wrap=2表示画布里最多画两列；sharex=False, sharey=False表示不共享写x，y轴。
map(sns.distplot, “value”)：绘图。作图方式为distplot；画图取值范围为value。
set：用来设置背景，调色板等参数。
pairplot(Train_data[columns],size = 2 ,kind =‘scatter’,diag_kind=‘kde’)：多变量绘图。size = 2表示子图形状是边长为2的正方形；diag_kind='kde’表示对角子图的图样为核密度形式。
concat([Y_train,Train_data[‘v_12’]],axis = 1)：将数据根据不同的轴作简单的融合。axis = 1表示以行对齐形式合并。
regplot：线性回归图。fit_reg=True表示绘制拟合曲线。

2.6.2 类别特征分析

unique分布

for fea in categorical_features:
print(Train_data[fea].nunique())

categorical_features

类别特征箱形图可视化

因为 name和 regionCode的类别太稀疏了，这里我们把不稀疏的几类画一下

categorical_features = [‘model’,
‘brand’,
‘bodyType’,
‘fuelType’,
‘gearbox’,
‘notRepairedDamage’]
for c in categorical_features:
Train_data[c] = Train_data[c].astype(‘category’)
if Train_data[c].isnull().any():
Train_data[c] = Train_data[c].cat.add_categories([‘MISSING’])
Train_data[c] = Train_data[c].fillna(‘MISSING’)

def boxplot(x, y, **kwargs):
sns.boxplot(x=x, y=y)
x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=[‘price’], value_vars=categorical_features)
g = sns.FacetGrid(f, col=“variable”, col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(boxplot, “value”, “price”)

Train_data.columns

类别特征的小提琴图可视化

catg_list = categorical_features
target = ‘price’
for catg in catg_list :
sns.violinplot(x=catg, y=target, data=Train_data)
plt.show()

categorical_features = [‘model’,
‘brand’,
‘bodyType’,
‘fuelType’,
‘gearbox’,
‘notRepairedDamage’]

类别特征的柱形图可视化

def bar_plot(x, y, **kwargs):
sns.barplot(x=x, y=y)
x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=[‘price’], value_vars=categorical_features)
g = sns.FacetGrid(f, col=“variable”, col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(bar_plot, “value”, “price”)

类别特征的每个类别频数可视化(count_plot)

def count_plot(x, **kwargs):
sns.countplot(x=x)
x=plt.xticks(rotation=90)

f = pd.melt(Train_data, value_vars=categorical_features)
g = sns.FacetGrid(f, col=“variable”, col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(count_plot, “value”)
astype：类型转换。
.isnull().any()：选择任意一行出现空值的数据。
.cat.add_categories()：增加分类。
fillna(‘MISSING’)：以MISSING填充缺失值。
xticks(rotation=90)：x轴逆时针旋转90度。
countplot：计数直方图。