利用决策树完成数据分类任务_pandas 决策树-优快云博客

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言
一、pandas是什么？
二、使用步骤
- 1.引入库
- 2.读入数据
总结

前言

本文介绍利用决策树完成csv数据的编写。

一、依赖库添加流程

为了完成决策树计算，下文将展示运行决策树所需要的依赖库。

##  基础函数库
import numpy as np 
import pandas as pd

## 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns

二、使用步骤

1.读入CSV文件数据

代码如下（示例）：

#利用Pandas自带的read_csv函数读取并转化为DataFrame格式
data = pd.read_csv('D:\lwjdeli/data.csv')
#我选取了6个简单的特征进行研究
data = data[['xingbie','age','BMI',
            'high','low','zhifnag','label']]
data.info()
#查看数据
print(data.head())
#发现数据中存在的NAN，缺失值此处使用-1将缺失值进行填充
data=data.fillna(-1)
print(data.tail())
#查看对应标签
print(data['label'].unique())
#统计每个类别的数量
print(pd.Series(data['label']).value_counts())
#对特征进行统一描述
print(data.describe())
#可视化描述
sns.pairplot(data=data,diag_kind='hist',hue='label')
plt.show()

通过执行上述代码完成数据样本的分布情况。具体的分布情况如下图所示。

而后会计算数据集中每个数据点的分布情况，计算其均值、方差以及最大与最小值。具体的数据如下图所示。

2.显示各个变量的数据分布情况

代码如下（示例）：

#%%为了方便处理，将标签数字化
# 'Adelie Penguin (Pygoscelis adeliae)'        ------0
#  'Gentoo penguin (Pygoscelis papua)'          ------1
#  'Chinstrap penguin (Pygoscelis antarctica)   ------2 

def trans(x):
    if x == data['label'].unique()[0]:
        return 0
    if x == data['label'].unique()[1]:
        return 1
    if x == data['label'].unique()[2]:
        return 2
data['label'] = data['label'].apply(trans)

#利用箱图得到不同类别在不同特征上的分布差异
for col in data.columns:
    if col != 'label':
        sns.boxplot(x='label', y=col, saturation=0.5, palette='pastel', data=data)
        plt.title(col)
        plt.show()
        plt.figure()

上图为具体的数据可视化结果

3：决策树模型训练

##%%利用决策树模型在二分类上进行训练和预测——选取0和1两类样本，样本选取其中的6个特征
## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split

data_target_part = data[data['label'].isin([0,1])][['label']]
data_features_part = data[data['label'].isin([0,1])][['xingbie','age','BMI',
            'high','low','zhifnag']]

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(
    data_features_part, data_target_part, test_size = 0.2, random_state = 2020)
## 从sklearn中导入决策树模型
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
## 定义 决策树模型 
clf = DecisionTreeClassifier(criterion='entropy')
# 在训练集上训练决策树模型
clf.fit(x_train, y_train)

#%% 可视化决策树
import pydotplus
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png("D:\lwjdeli\DTpraTree.png") 
#%% 在训练集和测试集上利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the train_DecisionTree is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the test_DecisionTree is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

整体代码


##  基础函数库
import numpy as np 
import pandas as pd

## 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns
#%%读入数据
#利用Pandas自带的read_csv函数读取并转化为DataFrame格式
data = pd.read_csv('D:\lwjdeli/data.csv')
#我选取了6个简单的特征进行研究
data = data[['xingbie','age','BMI',
            'high','low','zhifnag','label']]
data.info()
#查看数据
print(data.head())
#发现数据中存在的NAN，缺失值此处使用-1将缺失值进行填充
data=data.fillna(-1)
print(data.tail())
#查看对应标签
print(data['label'].unique())
#统计每个类别的数量
print(pd.Series(data['label']).value_counts())
#对特征进行统一描述
print(data.describe())
#可视化描述
sns.pairplot(data=data,diag_kind='hist',hue='label')
plt.show()

#%%为了方便处理，将标签数字化
# 'Adelie Penguin (Pygoscelis adeliae)'        ------0
#  'Gentoo penguin (Pygoscelis papua)'          ------1
#  'Chinstrap penguin (Pygoscelis antarctica)   ------2 

def trans(x):
    if x == data['label'].unique()[0]:
        return 0
    if x == data['label'].unique()[1]:
        return 1
    if x == data['label'].unique()[2]:
        return 2
data['label'] = data['label'].apply(trans)

#利用箱图得到不同类别在不同特征上的分布差异
for col in data.columns:
    if col != 'label':
        sns.boxplot(x='label', y=col, saturation=0.5, palette='pastel', data=data)
        plt.title(col)
        plt.show()
        plt.figure()

#%%选取label，culmen_length和culmen_depth三个特征绘制三维散点图
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')

data_class0 = data[data['label']==0].values
data_class1 = data[data['label']==1].values
# data_class2 = data[data['label']==2].values
# 'setosa'(0), 'versicolor'(1), 'virginica'(2)
ax.scatter(data_class0[:,0], data_class0[:,1], data_class0[:,2],label=data['label'].unique()[0])
ax.scatter(data_class1[:,0], data_class1[:,1], data_class1[:,2],label=data['label'].unique()[1])
# ax.scatter(data_class2[:,0], data_class2[:,1], data_class2[:,2],label=data['label'].unique()[2])
plt.legend()
plt.show()

##%%利用决策树模型在二分类上进行训练和预测——选取0和1两类样本，样本选取其中的6个特征
## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split

data_target_part = data[data['label'].isin([0,1])][['label']]
data_features_part = data[data['label'].isin([0,1])][['xingbie','age','BMI',
            'high','low','zhifnag']]

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(
    data_features_part, data_target_part, test_size = 0.2, random_state = 2020)
## 从sklearn中导入决策树模型
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
## 定义 决策树模型 
clf = DecisionTreeClassifier(criterion='entropy')
# 在训练集上训练决策树模型
clf.fit(x_train, y_train)

#%% 可视化决策树
import pydotplus
dot_data = tree.export_graphviz(clf, out_file=None)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png("D:\lwjdeli\DTpraTree.png") 
#%% 在训练集和测试集上利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the train_DecisionTree is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the test_DecisionTree is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()