Pytorch实战——气温预测（基础）附完整代码_pytorch 气温预测案例数据集

一. 数据集

http://链接：https://pan.baidu.com/s/1mVAIWZquUyaCpgj1K51o5A 提取码：abcd

该数据集记录了一年内的气温信息，我们将针对于此进行分析

以上是部分数据情况，请查看 

二.气温预测实战

2.1 读取数据，查看数据

data = pd.read_csv("temps.csv")
print(data.head()) #查看数据是什么样子的

• year,moth,day,week分别表示的具体的时间
• temp_2：前天的最高温度值
• temp_1：昨天的最高温度值
• average：在历史中，每年这一天的平均最高温度值
• actual：这就是我们的标签值了，当天的真实最高温度
• friend：这是朋友的猜测值，不怎么重要，可看可不看

2.2  查看维度

print('查看数据维度：',data.shape)

 说明了一共有348条数据，9个特征

2.3 处理时间数据

import datetime
years = data['year']
months = data['month']
days = data['day']
#转化为datetime格式
date = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year,month,day in zip(years,months,days)]
date = [datetime.datetime.strptime(date_1,'%Y-%m-%d') for date_1 in date ]
print(date[:5])

 此时可看到，时间数据都存在于一起

2.4 绘制特征图像

 
#解下来进行绘图操作
plt.style.use('fivethirtyeight')
fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(nrows=2, ncols=2, figsize= (10,10))
fig.autofmt_xdate(rotation = 45)
 
ax1.plot(date,data['actual'])
ax1.set_xlabel(' ')
ax1.set_ylabel('Temperature')
ax1.set_title('Max Temp')
 
ax2.plot(date, data['temp_1'])
ax2.set_xlabel('')
ax2.set_ylabel('Temperature')
ax2.set_title('Previous Max Temp')
 
ax3.plot(date, data['temp_2'])
ax3.set_xlabel('Date')
ax3.set_ylabel('Temperature')
ax3.set_title('Two Days Prior Max Temp')
 
ax4.plot(date, data['friend'])
ax4.set_xlabel('Date')
ax4.set_ylabel('Temperature')
ax4.set_title('Friend Estimate')
 
plt.tight_layout(pad=2)
plt.show()

结果：

       注意： 设置坐标倾斜角度，防止累计在一起，造成重叠。

2.5 对于字符串进行编码

在原数据集当中，因为在week列中存在字符串，并不是整数类型，所以这个时候进行编码处理，这里使用pandas中的get_dummies进行编码

data = pd.get_dummies(data)
print(data.head(5))

 

可见对于字符串进行了编码，对于存在的写为“1”，不存在的写为“0”

 2.6 标签操作

对于标签，在该数据集当中也就是actual，我们先将其存入labels中，后将这一列在数据集当中删除，因为之后训练不会用该列。

labels = np.array(data['actual'])
data = data.drop('actual',axis=1)
data_list = list(data.columns) #保存删除actual列后的名字
#print(data_list)

2.7 归一化处理

在数据集当中，很明显数据集是大大小小的，有一些数值非常大，一些数值非常小，这个时候需要对其进行归一化，将所有数值按照权重、影响占比等缩放在（0，1）的范围当中

from sklearn import preprocessing
input_data = preprocessing.StandardScaler().fit_transform(data)

2.8 转化格式

将上述inpu_data，labels转化为tensor格式，pytorch可以运用这个格式。

#转化为torch中的可用格式tensor
x = torch.tensor(input_data , dtype= float)
y = torch.tensor(labels , dtype=float)

2.8 构建网络模型

 
#权重参数初始化
weights = torch.randn((14,128),dtype=float,requires_grad=True)
biases = torch.randn(128,dtype=float,requires_grad=True)
weights2 = torch.randn((128,1),dtype=float,requires_grad=True)
biases2 = torch.randn(1,dtype=float,requires_grad=True)
 
learning_rate = 0.001
losses = []
 
for i in range(1000):
    #计算隐藏层
    hidden = x.mm(weights)+biases
    #给激活函数
    hidden = torch.relu(hidden)
    #预测
    predictions = hidden.mm(weights2)+biases2
    #计算损失
    loss = torch.mean((predictions - y) ** 2)
    losses.append(loss.data.numpy())
 
    if i % 100 == 0 :
        print('loss：',loss)
    loss.backward()
 
    #更新参数
    weights.data.add_(- learning_rate * weights.grad.data)
    biases.data.add_(- learning_rate * biases.grad.data)
    weights2.data.add_(- learning_rate * weights2.grad.data)
    biases2.data.add_(- learning_rate * biases2.grad.data)
    #记得清空权重参数，因为每次迭代会累计
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()
    biases2.grad.data.zero_()

首先要进行权重的初始化，来为后面的学习打下基础，切记需要将每一次迭代后的梯度进行清零，否则将会一直累加，影响结果。

各个参数的设置是根据前面的特征数量来进行确定，我们要进行128个神经元的设计，需要凑一个14*128的矩阵给weights，同理，最后预测结果为一个结果，所以我们要将weights2设置为128*1.

最终预测结果为：

 可见，使用该方法来进行预测时，其结果准确率不怎么高，下次我将更新神经网络，将准确率提高！谢谢观看！

完整代码如下：

import numpy as np
import pandas as pd
import matplotlib
import torch
from matplotlib import pyplot as plt
 
data = pd.read_csv("temps.csv")
print(data.head()) #查看数据是什么样子的
print('查看数据维度：',data.shape)
# 接下来进行处理时间数据，因为此时数据中的数据不支持计算机进行特征提取
import datetime
years = data['year']
months = data['month']
days = data['day']
#转化为datetime格式
date = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year,month,day in zip(years,months,days)]
date = [datetime.datetime.strptime(date_1,'%Y-%m-%d') for date_1 in date ]
print(date[:5])
 
#解下来进行绘图操作
plt.style.use('fivethirtyeight')
fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(nrows=2, ncols=2, figsize= (10,10))
fig.autofmt_xdate(rotation = 45)
 
ax1.plot(date,data['actual'])
ax1.set_xlabel(' ')
ax1.set_ylabel('Temperature')
ax1.set_title('Max Temp')
 
ax2.plot(date, data['temp_1'])
ax2.set_xlabel('')
ax2.set_ylabel('Temperature')
ax2.set_title('Previous Max Temp')
 
ax3.plot(date, data['temp_2'])
ax3.set_xlabel('Date')
ax3.set_ylabel('Temperature')
ax3.set_title('Two Days Prior Max Temp')
 
ax4.plot(date, data['friend'])
ax4.set_xlabel('Date')
ax4.set_ylabel('Temperature')
ax4.set_title('Friend Estimate')
 
plt.tight_layout(pad=2)
plt.show()
 
#处理字符串数据
data = pd.get_dummies(data)
print(data.head(5))
 
labels = np.array(data['actual'])
data = data.drop('actual',axis=1)
data_list = list(data.columns) #保存删除actual列后的名字
#print(data_list)
data = np.array(data)
#非常明显，data数据大大小小，现在进行归一化
from sklearn import preprocessing
input_data = preprocessing.StandardScaler().fit_transform(data)
# print(input_data[0]),这里采用sklearn中的归一化函数
print(labels)
#转化为torch中的可用格式tensor
x = torch.tensor(input_data , dtype= float)
y = torch.tensor(labels , dtype=float)
 
#权重参数初始化
weights = torch.randn((14,128),dtype=float,requires_grad=True)
biases = torch.randn(128,dtype=float,requires_grad=True)
weights2 = torch.randn((128,1),dtype=float,requires_grad=True)
biases2 = torch.randn(1,dtype=float,requires_grad=True)
 
learning_rate = 0.001
losses = []
 
for i in range(1000):
    #计算隐藏层
    hidden = x.mm(weights)+biases
    #给激活函数
    hidden = torch.relu(hidden)
    #预测
    predictions = hidden.mm(weights2)+biases2
    #计算损失
    loss = torch.mean((predictions - y) ** 2)
    losses.append(loss.data.numpy())
 
    if i % 100 == 0 :
        print('loss：',loss)
    loss.backward()
 
    #更新参数
    weights.data.add_(- learning_rate * weights.grad.data)
    biases.data.add_(- learning_rate * biases.grad.data)
    weights2.data.add_(- learning_rate * weights2.grad.data)
    biases2.data.add_(- learning_rate * biases2.grad.data)
    #记得清空权重参数，因为每次迭代会累计
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()
    biases2.grad.data.zero_()
 
predicted = predictions.detach().numpy()
print(predicted)
print('*******')
print(predictions)
plt.plot(date, labels, label='Actual')
plt.plot(date, predicted, label='Predicted')
plt.xlabel('Date')
plt.ylabel('Temperature')
plt.title('Actual vs Predicted')
plt.legend()
plt.show()