KNN综合案例_字符串转为onehot

问题描述

salary.txt文件调查了32561名美国居民的信息，包括年龄，教育年限，工作类别，收入等，数据解雇如下所示

以薪水（salary）作为目标值，建立薪水预测模型
在这个模型中，要包括以下部分：
（1）去掉无用特征
（2）去掉缺失值所在的行
（3）将值为字符串的字段转化为one-hot编码
（4）标准化
（5）PCA降维
（6）划分数据集
（7）KNN预测
（8）交叉验证与网格化搜索，要调的参数包括：k，p，weights

（1）导入模块

（2）导入数据并初步选择特征

导入数据，并将无用的字段去掉

（3）数据预处理

a 缺失值处理

可以看到，workclass这一列有问号，问号通常表示缺失值

将问号替换成np.nan，方便使用dropna

去掉缺失值所在的行

可以看到，workclass这一列，已经没有nan了，于此同时，记录也损失了两千多行

b 从清洗后的数据中获得特征值和目标值

c 将特征分成两部分，即字符串特征和数字特征

d 将字符串特征转换为one-hot编码

e 将one-hot编码后的特征与数字特征水平拼接

f 标准化

（3）PCA降维，保留95%的信息

（4）将新数据划分为训练集和测试集

（5）KNN预测

（6）交叉验证与网格化搜索

因为30162的算术平方根为173，因此k最大只能为173，为了方便，让k最大取170
由于太参数网格化搜索太花时间，因此建议到服务器上运行。

（7）最佳参数及其对应的模型

（8）代码整合

上面的交叉验证时，分的是二折，这里使用4折

import numpy as np
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import OneHotEncoder
from sklearn.preprocessing import StandardScaler

"""导入数据"""
data = pd.read_csv('F:/拜师培训/4168_Sklearn_v2/V2-sklearn第二节资料/day02代码/knn/salary.txt')

"""数据处理"""
# 将不影响结果的数据去掉
data.drop(labels=['final_weight','education','capital_gain','capital_loss'],
          axis = 1, inplace=True)

# 将问号替换掉
data.replace('?', np.nan, inplace=True)

# 去掉 nan 所在的行
data.dropna(axis=0, inplace=True)

# 从清洗后的数据中获得特征值和目标值
X = data.iloc[:, 0:-1]
y = data['salary']

# 将字符串所在的字段进行one-hot编码
# 将需要编码的字段名放到一个列表中
cols = ['workclass', 'marital_status', 'occupation',
        'relationship', 'race', 'sex','native_country']

# 将所有的字符串字段整理成一个DataFrame，即字符串特征
X_string = X[cols]

# 将所有的数值字段整合成一个DataFrame，即数字特征
X_number = X[[col_num for col_num in X.columns if col_num not in cols]]

# 将特征为字符串的字段转化成one-hot编码
ohe = OneHotEncoder()
X_onehot = ohe.fit_transform(X_string)
X_onehot = X_onehot.toarray()

# 将one-hot编码后的特征，与数字特征水平连接
new_X = np.hstack((X_onehot, X_number))  # 两重括号

'''标准化'''
std = StandardScaler()
new_X = std.fit_transform(new_X)

'''PCA降维'''
pca = PCA(n_components=0.95)
new_data = pca.fit_transform(new_X)

'''将新数据划分为训练集和测试集'''
X_train, X_test, y_train, y_test = train_test_split(new_data, y)

'''KNN训练及预测'''
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
score = knn.score(X_test, y_test)
print('k=5时的预测结果：')
print(score)

'''交叉验证与网格化搜索'''
para = {"n_neighbors": [1, 3, 5, 7, 10, 20, 50, 100, 150, 170],
       'p':[1, 2],
       'weights':['distance', 'uniform']}
gc = GridSearchCV(knn, param_grid=para, cv=4)
gc.fit(X_train, y_train)
print()
print()
print('最好的模型：')
print(gc.best_estimator_)
print('最好的模型对应的参数：')
print(gc.best_params_)
print('最好的模型在训练集上的准确率：')
print(gc.best_score_)
print('最好的模型在测试集上的准确率：')
print(gc.score(X_test, y_test))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81

输出

k=5时的预测结果：
0.8195199575653096


最好的模型：
KNeighborsClassifier(n_neighbors=20)
最好的模型对应的参数：
{'n_neighbors': 20, 'p': 2, 'weights': 'uniform'}
最好的模型在训练集上的准确率：
0.8232614801836379
最好的模型在测试集上的准确率：
0.8244264686381116
1
2
3
4
5
6
7
8
9
10
11
12

（9）总结

可以看到，本案例中KNN的准确率并不是很高，但本例的综合性很强，将缺失值处理、字符串转one-hot编码、数据标准化、PCA降维、数据集划分、KNN、交叉验证与网格化搜索都串起来了。