数据处理常用函数总结（部分）_数据挖掘中常见的数据处理函数-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_52803209/article/details/131426584

文章介绍了如何使用Python进行线性回归模型的构建，包括设置截距和标准化。还涉及到了时间序列数据分析，如设置索引、重采样。在数据预处理方面，讨论了处理缺失值、重复值的方法。此外，提到了模型训练，如LightGBM的使用，以及模型评估的多种指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

常用函数总结

线性回归模型
时间序列数据
杂项
参考资料

线性回归模型

from sklearn import linear_model 
clf = linear_model.LinearRegression(fit_intercept=True, normalize=True)
# fit_intercept: 默认为True, 表示需要计算截距
# normalize： 
clf.fit(x, y) # 你和线性模型
k = clf.coef_ # 斜率 
b = clf.intercept_ # 截距 
y_pred = clf.predict(x) # 预测 y 值

时间序列数据

import pandas as pd 
...
df = pd.DataFrame(pd.read_excel(file))
df = df.set_index('COL_NAME', drop=True) # 将COL_NAME列设置为索引 drop=True表示将该列从数据表中删除

df1 = df.to_peroid('M') # to_peroid(freq) 按照freq指定的格式显示数据 'M' 按月显示, 'Q' 按季度显示 'A' 按年度显示

# 重采样

在这里插入图片描述

杂项

isna

在这里插入图片描述

duplicated() drop_duplicates()

在这里插入图片描述
duplicated(keep=keep) keep说明了保留重复行中的哪些

dropna()

参考这里
df.dropna(axis=0/1, how='all'/'any', inplace=True/False)
axis=0 表示对行进行检查，axis=1表示对列进行检查
all 表示整行或整列都为na才删除；any表示只要有na就删除。

data = pandas.read_csv(file_name) # type(data) is DataFrame
del data[COL_NAME] # 从data中删除COL_NAME列 
data.dropna(axis=0, how='any', inplace=True) # 删除包含空值的行
#删除前可先用 isnull()判断一下 
# data[COL_NAME].isnull() 统计该属性为空的行

value_counts()

在这里插入图片描述

get_dummies

groupby resample to_datetime .etc

标准化

from sklearn.preprocessing import StandardScaler

sc = StandardScaler()  # StandardScaler 对象，用于进行标准差标准化的初始化

df = sc.fit_transform(data.iloc[:,3:]) # 对括号中的参数进行标准化 

# 将数据集划分为训练集 和 测试集 
xtrain, xval, ytrain, yval = train_test_split(df, data['label'],
                                              test_size=0.2, random_state=2021)

# 模型构建,模型初始化，使用LightGBM库中的LGBMClassifier类进行基于梯度提升决策树（GBDT）算法的分类
model_lgb = lightgbm.LGBMClassifier(n_estimators=1000,  # 训练次数
                                    max_depth=8,  # 树的深度
                                    num_leaves=25,  # 树的最大叶子树
                                    colsample_bytree=0.5,  # 特征采样率
                                    learning_rate=0.1,  # 学习速率
                                    metric='auc'  # 模型评价指标
                                    )
# 执行模型训练，用于拟合（训练）LightGBM模型
model_lgb.fit(xtrain, ytrain,  # 训练数据的特征（输入），训练数据的标签（输出）。
              eval_metric='auc',
              # 验证的评价指标，评价指标使用'AUC'（Area Under the Curve）来衡量模型性能。您可以根据需要选择其他评价指标，如准确率（'accuracy'）或对数损失（'logloss'）等
              eval_set=[(xtrain, ytrain), (xval, yval)],  # 验证数据集的设置。在训练过程中，将使用验证数据集来监测模型的性能。第一个元组是训练数据集，第二个元组是验证数据集
              verbose=True,  # 是否打印训练信息，例如每棵树的评估结果。
              early_stopping_rounds=100  # 多少次模型精度没有提升时，模型停止训练，以避免过拟合。
              )

# 模型评价，model_lgb可能是一个已经训练好的LightGBM模型，而best_score_则是该模型在训练过程中获得的最佳得分。
print(model_lgb.best_score_)
# 预测标签
pres = model_lgb.predict(xval)
print(pres)
# 预测是否重复购买的概率
presprob = model_lgb.predict_proba(xval)[:, 1]
# predict_proba是LightGBM模型的一个方法，用于返回每个样本属于各个类别的概率。在这里，[:,1]表示取所有行的第二列，即取出预测为正类的概率。
print(presprob)


#####################
print(confusion_matrix(labels, predict_labels))
#####################
# 输出 confusion matrix 来衡量模型性能
#            预测为正类    预测为负类
#真实为正类       TP          FN
#真实为负类       FP          TN

print(classification_report(labels, predict_labels))
# 用于生成分类模型的分类报告，包括准确率（precision）、召回率（recall）、F1-score、支持数（support）等指标

print('准确率：', precision_score(labels, predict_labels)) # 类似有 recall_score(labels, predict_labels)

print('F1值：', f1_score(labels, predict_labels))  # F1 分数 = 2 * (精确率 * 召回率) / (精确率 + 召回率)
print('AUC值：', roc_auc_score(labels, presprob))

del

删除某些变量，也可以是变量的某一部分
在这里插入图片描述

参考资料

拣着可能会考的看一下就好，结合他们给的例子

set_index: 参考
set_index(COL)默认参数中drop=True.
reset_index()中默认参数drop=False.

groupby(COL).agg(‘mean’): 参考
groupby()的结果不能直接查看，实际上是按照COL分组后的若干个dataframe。分组后还要用 .agg({'salary':'median','age':'mean'})这样进行聚合操作。
可以给不同的列设置不同的聚合操作。
在这里插入图片描述

pandas.merge(left_df, right_df, on=‘COL’, how='left)：
参考1同时对比了merge concat join，知道几个参数就行
参考2

调用时，分别是

pd.merge(df1, df2, ...)
pd.concat([df1, df2], axis=0) # 对行操作，相当于水平连接
df1.join(df2, ...)

concat例子
在这里插入图片描述
merge例子
pd.merge(left, right, on=COL, how=how)
how表示连接方式， left, right, inner, outer
left表示保留left表信息
right表示保留right表信息
inner表示保留left right交集信息
outer表示保留二者并集信息