纽约出租车计费问题：一个简单的线性模型

机器学习案例详解的直播互动平台——
机器学习训练营（入群联系qq：2279055353）
下期直播案例预告：大数据预测商品的销售量波动趋势

案例背景

该案例是一个美国纽约市出租车的行程计费问题。给定乘客上、下车的位置信息，你要根据行程距离，建立模型预测出租车的车费。该模型可以扩展应用于出租车车费定价、阶梯价格设定等问题。

• 案例来源： Google云课程

• 代码实现： Python

数据描述

ID

• key 行识别符字符串。

特征

• pickup_datetime 出租车行程开始时间

• pickup_longitude 出租车行程开始经度坐标

• pickup_latitude 出租车行程开始纬度坐标

• dropoff_longitude 出租车行程结束经度坐标

• dropoff_latitude 出租车行程结束纬度坐标

• passenger_count 乘客数

目标变量

• fare_amount 车费

数据准备

我们想在训练集train.csv上建立预测模型，所以首先加载训练数据。由于整个训练集特别庞大，共有55M行。根据内存容量大小，我们选择加载100万行的数据子集。

# Initial Python environment setup...
import numpy as np # linear algebra
import pandas as pd # CSV file I/O (e.g. pd.read_csv)
import os # reading the input files we have access to

train_df =  pd.read_csv('../input/train.csv', nrows = 10_000_000)
print(train_df.dtypes)

我们想使用经度、纬度坐标定义一个行程向量。为此，我们产生两个新的特征，分别表示经度、纬度的距离。

# Given a dataframe, add two new features 'abs_diff_longitude' and
# 'abs_diff_latitude' reprensenting the "Manhattan vector" from
# the pickup location to the dropoff location.
def add_travel_vector_features(df):
    df['abs_diff_longitude'] = (df.dropoff_longitude - df.pickup_longitude).abs()
    df['abs_diff_latitude'] = (df.dropoff_latitude - df.pic