关于房价,一直都是全民热议的话题,毕竟不少人终其一生都在为之奋斗。
房地产的泡沫究竟有多大不得而知?今天我们抛开泡沫,回归房屋最本质的内容,来分析一下房价的影响因素究竟是什么?
1、导入数据
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sn import missingno as msno %matplotlib inline train = pd.read_csv('train.csv',index_col=0) #导入训练集 test = pd.read_csv('test.csv',index_col=0) #导入测试集 train.head(3) print('train训练集缺失数据分布图') msno.matrix(train) print('test测试集缺失数据分布图') msno.matrix(test) |
从上面的数据缺失可视化图中可以看出,部分特征的数据缺失十分严重,下面我们来对特征的缺失数量进行统计。
2、目标Y值分析
##分割Y和X数据
y=train['SalePrice']
#看一下y的值分布
prices = pd.DataFrame({'price':y,'log(price+1)':np.log1p(y)})
prices.hist()
观察目标变量y的分布和取对数后的分布看,取完对数后更倾向于符合正太分布,故我们对y进行对数转化。
y = np.log1p(y) #+1的目的是防止对数转化后的值无意义
3、合并数据 缺失处理
#合并训练特征和测试集 all_df = pd.concat((X,test),axis=0) print('all_df缺失数据图') msno.matrix(all_df) #定义缺失统计函数 def show_missing(feature): missing = feature.columns[feature.isnull().any()].tolist() return missing print('缺失特征的数据缺失量统计:') all_df[show_missing(all_df)].isnull().sum() #先处理numeric数值型数据 #挨个儿看一下分布 fig,axs = plt.subplots(3,2,figsize=(16,9)) all_df['BsmtFinSF1'].hist(ax = axs[0,0])#众数填充 all_df['BsmtFinSF2'].hist(ax = axs[0,1])#众数 all_df['BsmtUnfSF'].hist(ax = axs[1,0])#中位数 all_df['TotalBsmtSF'].hist(ax = axs[1,1])#均值填充 all_df['BsmtFullBath'].hist(ax = axs[2,0])#众数 all_df['BsmtHalfBath'].hist(ax = axs[2,1])#众数 #lotfrontage用均值填充 mean_lotfrontage = all_df.LotFrontage.mean() all_df.LotFrontage.hist() print('用均值填充:') cat_input(all_df,'LotFrontage',mean_lotfrontage) cat_input(all_df,'BsmtFinSF1',0.0) cat_input(all_df,'BsmtFinSF2',0.0) cat_input(all_df,'BsmtFullBath',0.0) cat_input(all_df,'BsmtHalfBath',0.0) cat_input(all_df,'BsmtUnfSF',467.00) cat_input(all_df,'TotalBsmtSF',1051.78) #在处理字符型,同样,挨个看下分布 fig,axs = plt.subplots(4,2,figsize=(16,9)) all_df['MSZoning'].hist(ax = axs[0,0])#众数填充 all_df['Utilities'].hist(ax = axs[0,1])#众数 all_df['Exterior1st'].hist(ax = axs[1,0])#众数 all_df['Exterior2nd'].hist(ax = axs[1,1])#众数填充 all_df['KitchenQual'].hist(ax = axs[2,0])#众数 all_df['Functional'].hist(ax = axs[2,1])#众数 all_df['SaleType'].hist(ax = axs[3,0])#众数 cat_input(all_df,'MSZoning','RL') cat_input(all_df,'Utilities','AllPub') cat_input(all_df,'Exterior1st','VinylSd') cat_input(all_df,'Exterior2nd','VinylSd') cat_input(all_df,'KitchenQual','TA') cat_input(all_df,'Functional','Typ') cat_input(all_df,'SaleType','WD') #再看一下缺失分布 msno.matrix(all_df) |
binggo,数据干净啦!下面开始处理特征,经过上述略微复杂的处理,数据集中所有的缺失数据都已处理完毕,可以开始接下来的工作啦!
缺失处理总结:在本篇文章所使用的数据集中存在比较多的缺失,缺失数据包括数值型和字符型,处理原则主要有两个:
一、根据绘制数据分布直方图,观察数据分布的状态,采取合适的方式填充缺失数据;
二、非常重要的特征描述,认真阅读,按照特征描述填充可以解决大部分问题。
4、特征处理
让我们在重新仔细审视一下数据有没有问题?仔细观察发现MSSubClass特征实际上是分类特征,但是数据显示是int类型,这个需要改成str。
#观察特征属性发现,MSSubClass是分类特征,但是数据给的是数值型,需要对其做转换 all_df['MSSubClass']=all_df['MSSubClass'].astype(str) #将分类变量转变成数值变量 all_df = pd.get_dummies(all_df) print('分类变量转换完成后有{}行{}列'.format(*all_df.shape)) 分类变量转换完成后有2919行316列 #标准化处理 numeric_cols = all_df.columns[all_df.dtypes !='uint8'] #x-mean(x)/std(x) numeric_mean = all_df.loc[:,numeric_cols].mean() numeric_std = all_df.loc[:,numeric_cols].std() all_df.loc[:,numeric_cols] = (all_df.loc[:,numeric_cols]-numeric_mean)/numeric_std |
再把数据拆分到训练集和测试集
train_df = all_df.ix[0:1460]#训练集
test_df = all_df.ix[1461:]#测试集
上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。