Tensorflow2学习笔记：房价预测

相关介绍

• Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
• TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。
• Matplotlib是一个综合库，用于在Python中创建静态，动画和交互式可视化。
• Pandas是一个Python软件包，提供快速，灵活和可表达的数据结构，旨在使结构化（表格，多维，潜在异构）和时间序列数据的处理既简单又直观。
• Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
• 房价预测是一个回归问题，本文通过以深圳房价数据集为例，旨在学习基本回归的思路！

实验环境

• Python 3.6.2
• Tensorflow-gpu 2.0.0
• Matplotlib 3.3.2
• Pandas 0.23.4
• Seaborn 0.11.0

实验步骤

导入相关库

import pathlib

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

import tensorflow as tf

from tensorflow import keras
from tensorflow.keras import layers

获取数据

使用 pandas 导入数据集。

raw_dataset = pd.read_csv("shenzhen_house_price.csv")

dataset = raw_dataset.copy()
dataset.tail() # 查看末尾5行

	district	roomnum	hall	AREA	C_floor	floor_num	school	subway	per_price
18509	longgang	6	2	269.22	middle	10	1	1	9.2861
18510	nanshan	4	1	203.00	low	11	1	1	10.3448
18511	pingshan	3	2	88.08	middle	32	1	0	3.4060
18512	longgang	3	2	87.50	middle	33	1	1	6.6057
18513	luohu	3	2	69.30	middle	26	1	0	6.2771

数据清洗

# 统计每列nan值的个数
dataset.isna().sum()

district     0
roomnum      0
hall         0
AREA         0
C_floor      0
floor_num    0
school       0
subway       0
per_price    0
dtype: int64

# 序列特征映射
district_mapping = {
   
   'baoan': 0,
                    'dapengxinqu': 1,
                    'futian': 2,
                    'guangming': 3,
                    'longgang': 4,
                    'longhua': 5,
                    'luohu': 7,
                    'nanshan': 8,
                    'pingshan': 9,
                    'yantian': 10}
dataset['district']=dataset['district'].map(district_mapping)
C_floor_mapping = {
   
   'low': 0, 'middle': 1, 'high': 2}
dataset['C_floor']=dataset['C_floor'].map(C_floor_mapping)

dataset.tail() # 查看末尾5行

	district	roomnum	hall	AREA	C_floor	floor_num	school	subway	per_price
18509	4	6	2	269.22	1	10	1	1	9.2861
18510	8	4	1	203.00	0	11	1	1	10.3448
18511	9	3	2	88.08	1	32	1	0