（五）Python数据分析与挖掘实战——挖掘建模

    #-*- coding: utf-8 -*-
    # 逻辑回归 自动建模
    import pandas as pd
    
    # 参数初始化
    filename = '../data/bankloan.xls'
    data = pd.read_excel(filename)
    x = data.iloc[:, :8].as_matrix()
    y = data.iloc[:, 8].as_matrix()
    
    from sklearn.linear_model import LogisticRegression as LR
    from sklearn.linear_model import RandomizedLogisticRegression as RLR
    
    rlr = RLR()  # 建立随机逻辑回归模型，筛选变量
    rlr.fit(x, y)  # 训练模型
    rlr.get_support()  # 获取特征筛选结果，也可以通过.scores_方法获取各个特征的分数
    print(u'通过随机逻辑回归模型筛选特征结束。')
    print(u'有效特征为：%s' % ','.join(data.columns[rlr.get_support()]))
    x = data[data.columns[rlr.get_support()]].as_matrix()  # 筛选好特征
    
    lr = LR()  # 建立逻辑货柜模型
    lr.fit(x, y)  # 用筛选后的特征数据来训练模型
    print(u'逻辑回归模型训练结束。')
    print(u'模型的平均正确率为：%s' % lr.score(x, y))  # 给出模型的平均正确率，本例为81.4%

    #-*- coding: utf-8 -*-
    # 使用ID3决策树算法预测销量高低
    import pandas as pd
    
    # 参数初始化
    inputfile = '../data/sales_data.xls'
    data = pd.read_excel(inputfile, index_col=u'序号')  # 导入数据
    
    # 数据是类别标签，要将它转换为数据
    # 用1来表示“好”、“是”、“高”这三个属性，用-1来表示“坏”、“否”、“低”
    data[data == u'好'] = 1
    data[data == u'是'] = 1
    data[data == u'高'] = 1
    data[data != 1] = -1
    x = data.iloc[:, :3].as_matrix().astype(int)
    y = data.iloc[:, 3].as_matrix().astype(int)
    
    from sklearn.tree import DecisionTreeClassifier as DTC
    dtc = DTC(criterion='entropy')  # 建立决策树模型，基于信息熵；也可以指定gini，则为基尼系数
    dtc.fit(x, y)  # 训练模型
    
    # 导入相关函数，可视化决策树。
    # 导出的结果是一个dot文件，需要安装Graphviz才能将它转换为pdf或png等格式。
    from sklearn.tree import export_graphviz
    x = pd.DataFrame(x)
    from sklearn.externals.six import StringIO
    x = pd.DataFrame(x)
    with open("tree.dot", 'w') as f:
    f = export_graphviz(dtc, feature_names=x.columns, out_file=f)
    
    # show tree.dot
    # $dot -Tpdf tree.dot -o tree.pdf

    #-*- coding: utf-8 -*-
    # 使用神经网络算法预测销量高低
    
    import pandas as pd
    
    # 参数初始化
    inputfile = '../data/sales_data.xls'
    data = pd.read_excel(inputfile, index_col=u'序号')  # 导入数据
    
    # 数据是类别标签，要将它转换为数据
    # 用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“否”、“低”
    data[data == u'好'] = 1
    data[data == u'是'] = 1
    data[data == u'高'] = 1
    data[data != 1] = 0
    x = data.iloc[:, :3].as_matrix().astype(int)
    y = data.iloc[:, 3].as_matrix().astype(int)
    
    from keras.models import Sequential
    from keras.layers.core import Dense, Activation
    
    model = Sequential()  # 建立模型
    model.add(Dense(input_dim=3, output_dim=10))
    model.add(Activation('relu'))  # 用relu函数作为激活函数，能够大幅提供准确度
    model.add(Dense(input_dim=10, output_dim=1))
    model.add(Activation('sigmoid'))  # 由于是0-1输出，用sigmoid函数作为激活函数
    
    model.compile(loss='binary_crossentropy',
              optimizer='adam', class_mode='binary')
    # 编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
    # 另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
    # 求解方法我们指定用adam，还有sgd、rmsprop等可选
    
    model.fit(x, y, nb_epoch=1000, batch_size=10)  # 训练模型，学习一千次
    yp = model.predict_classes(x).reshape(len(y))  # 分类预测
    
    from cm_plot import *  # 导入自行编写的混淆矩阵可视化函数
    cm_plot(y, yp).show()  # 显示混淆矩阵可视化结果

    #-*- coding: utf-8 -*-
    # 使用K-Means算法聚类消费行为特征数据
    
    import pandas as pd
    
    # 参数初始化
    inputfile = '../data/consumption_data.xls'  # 销量及其他属性数据
    outputfile = '../tmp/data_type.xls'  # 保存结果的文件名
    
    data = pd.read_excel(inputfile, index_col='Id')  # 读取数据
    data_zs = 1.0 * (data - data.mean()) / data.std()  # 数据标准化
    
    k = 3  # 聚类的类别
    iteration = 500  # 聚类最大循环次数
    
    from sklearn.cluster import KMeans
    model = KMeans(n_clusters=k, n_jobs=1, max_iter=iteration)  # 分为k类，并发数4
    model.fit(data_zs)  # 开始聚类
    
    # 简单打印结果
    r1 = pd.Series(model.labels_).value_counts()  # 统计各个类别的数目
    r2 = pd.DataFrame(model.cluster_centers_)  # 找出聚类中心
    r = pd.concat([r2, r1], axis=1)  # 横向连接（0是纵向），得到聚类中心对应的类别下的数目
    r.columns = list(data.columns) + [u'类别数目']  # 重命名表头
    print(r)
    
    # 详细输出原始数据及其类别
    r = pd.concat([data, pd.Series(model.labels_, index=data.index)],
              axis=1)  # 详细输出每个样本对应的类别
    r.columns = list(data.columns) + [u'聚类类别']  # 重命名表头
    r.to_excel(outputfile)  # 保存结果
    
    
    def density_plot(data):  # 自定义作图函数
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    p = data.plot(kind='kde', linewidth=2, subplots=True, sharex=False)
    [p[i].set_ylabel(u'密度') for i in range(k)]
    plt.legend()
    return plt
    
    pic_output = '../tmp/pd_'  # 概率密度图文件名前缀
    # 绘制各分群的特征分布密度图
    for i in range(k):
    density_plot(data[r[u'聚类类别'] == i]).savefig(u'%s%s.png' % (pic_output, i))

    #-*- coding: utf-8 -*-
    # 接k_means.py
    from sklearn.manifold import TSNE
    
    tsne = TSNE()
    tsne.fit_transform(data_zs)  # 进行数据降维
    tsne = pd.DataFrame(tsne.embedding_, index=data_zs.index)  # 转换数据格式
    
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    
    # 不同类别用不同颜色和样式绘图
    d = tsne[r[u'聚类类别'] == 0]
    plt.plot(d[0], d[1], 'r.')
    d = tsne[r[u'聚类类别'] == 1]
    plt.plot(d[0], d[1], 'go')
    d = tsne[r[u'聚类类别'] == 2]
    plt.plot(d[0], d[1], 'b*')
    plt.show()

    #-*- coding: utf-8 -*-
    from __future__ import print_function
    import pandas as pd
    
    # 自定义连接函数，用于实现L_{k-1}到C_k的连接
    
    
    def connect_string(x, ms):
    x = list(map(lambda i: sorted(i.split(ms)), x))
    l = len(x[0])
    r = []
    for i in range(len(x)):
        for j in range(i, len(x)):
            if x[i][:l - 1] == x[j][:l - 1] and x[i][l - 1] != x[j][l - 1]:
                r.append(x[i][:l - 1] + sorted([x[j][l - 1], x[i][l - 1]]))
    return r
    
    # 寻找关联规则的函数
    
    
    def find_rule(d, support, confidence, ms=u'--'):
    result = pd.DataFrame(index=['support', 'confidence'])  # 定义输出结果
    
    support_series = 1.0 * d.sum() / len(d)  # 支持度序列
    column = list(support_series[support_series > support].index)  # 初步根据支持度筛选
    k = 0
    
    while len(column) > 1:
        k = k + 1
        print(u'\n正在进行第%s次搜索...' % k)
        column = connect_string(column, ms)
        print(u'数目：%s...' % len(column))
        sf = lambda i: d[i].prod(axis=1, numeric_only=True)  # 新一批支持度的计算函数
    
        # 创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
        d_2 = pd.DataFrame(list(map(sf, column)), index=[
                           ms.join(i) for i in column]).T
    
        support_series_2 = 1.0 * \
            d_2[[ms.join(i) for i in column]].sum() / len(d)  # 计算连接后的支持度
        column = list(support_series_2[
                      support_series_2 > support].index)  # 新一轮支持度筛选
        support_series = support_series.append(support_series_2)
        column2 = []
    
        for i in column:  # 遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
            i = i.split(ms)
            for j in range(len(i)):
                column2.append(i[:j] + i[j + 1:] + i[j:j + 1])
    
        cofidence_series = pd.Series(
            index=[ms.join(i) for i in column2])  # 定义置信度序列
    
        for i in column2:  # 计算置信度序列
            cofidence_series[ms.join(i)] = support_series[ms.join(
                sorted(i))] / support_series[ms.join(i[:len(i) - 1])]
    
        for i in cofidence_series[cofidence_series > confidence].index:  # 置信度筛选
            result[i] = 0.0
            result[i]['confidence'] = cofidence_series[i]
            result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
    
    result = result.T.sort(['confidence', 'support'],
                           ascending=False)  # 结果整理，输出
    print(u'\n结果为：')
    print(result)
    
    return result

    #-*- coding: utf-8 -*-
    # arima时序模型
    
    import pandas as pd
    
    # 参数初始化
    discfile = '../data/arima_data.xls'
    forecastnum = 5
    
    # 读取数据，指定日期列为指标，Pandas自动将“日期”列识别为Datetime格式
    data = pd.read_excel(discfile, index_col=u'日期')
    
    # 时序图
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    data.plot()
    plt.show()
    
    # 自相关图
    from statsmodels.graphics.tsaplots import plot_acf
    plot_acf(data).show()
    
    # 平稳性检测
    from statsmodels.tsa.stattools import adfuller as ADF
    print(u'原始序列的ADF检验结果为：', ADF(data[u'销量']))
    # 返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore
    
    # 差分后的结果
    D_data = data.diff().dropna()
    D_data.columns = [u'销量差分']
    D_data.plot()  # 时序图
    plt.show()
    plot_acf(D_data).show()  # 自相关图
    from statsmodels.graphics.tsaplots import plot_pacf
    plot_pacf(D_data).show()  # 偏自相关图
    print(u'差分序列的ADF检验结果为：', ADF(D_data[u'销量差分']))  # 平稳性检测
    
    # 白噪声检验
    from statsmodels.stats.diagnostic import acorr_ljungbox
    print(u'差分序列的白噪声检验结果为：', acorr_ljungbox(D_data, lags=1))  # 返回统计量和p值
    
    from statsmodels.tsa.arima_model import ARIMA
    
    data[u'销量'] = data[u'销量'].astype(float)
    # 定阶
    pmax = int(len(D_data) / 10)  # 一般阶数不超过length/10
    qmax = int(len(D_data) / 10)  # 一般阶数不超过length/10
    bic_matrix = []  # bic矩阵
    for p in range(pmax + 1):
    tmp = []
    for q in range(qmax + 1):
        try:  # 存在部分报错，所以用try来跳过报错。
            tmp.append(ARIMA(data, (p, 1, q)).fit().bic)
        except:
            tmp.append(None)
    bic_matrix.append(tmp)
    
    bic_matrix = pd.DataFrame(bic_matrix)  # 从中可以找出最小值
    
    p, q = bic_matrix.stack().idxmin()  # 先用stack展平，然后用idxmin找出最小值位置。
    print(u'BIC最小的p值和q值为：%s、%s' % (p, q))
    model = ARIMA(data, (p, 1, q)).fit()  # 建立ARIMA(0, 1, 1)模型
    model.summary2()  # 给出一份模型报告
    model.forecast(5)  # 作为期5天的预测，返回预测结果、标准误差、置信区间。

    #-*- coding: utf-8 -*-
    # 使用K-Means算法聚类消费行为特征数据
    
    import numpy as np
    import pandas as pd
    
    # 参数初始化
    inputfile = '../data/consumption_data.xls'  # 销量及其他属性数据
    k = 3  # 聚类的类别
    threshold = 2  # 离散点阈值
    iteration = 500  # 聚类最大循环次数
    data = pd.read_excel(inputfile, index_col='Id')  # 读取数据
    data_zs = 1.0 * (data - data.mean()) / data.std()  # 数据标准化
    
    from sklearn.cluster import KMeans
    model = KMeans(n_clusters=k, n_jobs=4, max_iter=iteration)  # 分为k类，并发数4
    model.fit(data_zs)  # 开始聚类
    
    # 标准化数据及其类别
    # 每个样本对应的类别
    r = pd.concat([data_zs, pd.Series(model.labels_, index=data.index)], axis=1)
    r.columns = list(data.columns) + [u'聚类类别']  # 重命名表头
    
    norm = []
    for i in range(k):  # 逐一处理
    norm_tmp = r[['R', 'F', 'M']][r[u'聚类类别'] == i] - model.cluster_centers_[i]
    norm_tmp = norm_tmp.apply(np.linalg.norm, axis=1)  # 求出绝对距离
    norm.append(norm_tmp / norm_tmp.median())  # 求相对距离并添加
    
    norm = pd.concat(norm)  # 合并
    
    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    norm[norm <= threshold].plot(style='go')  # 正常点
    
    discrete_points = norm[norm > threshold]  # 离群点
    discrete_points.plot(style='ro')
    
    for i in range(len(discrete_points)):  # 离群点做标记
    id = discrete_points.index[i]
    n = discrete_points.iloc[i]
    plt.annotate('(%s, %0.2f)' % (id, n), xy=(id, n), xytext=(id, n))
    
    plt.xlabel(u'编号')
    plt.ylabel(u'相对距离')
    plt.show()

    #-*- coding: utf-8 -*-
    # 使用Apriori算法挖掘菜品订单关联规则
    from __future__ import print_function
    import pandas as pd
    from apriori import *  # 导入自行编写的apriori函数
    
    inputfile = '../data/menu_orders.xls'
    outputfile = '../tmp/apriori_rules.xls'  # 结果文件
    data = pd.read_excel(inputfile, header=None)
    
    print(u'\n转换原始数据至0-1矩阵...')
    ct = lambda x: pd.Series(1, index=x[pd.notnull(x)])  # 转换0-1矩阵的过渡函数
    b = map(ct, data.as_matrix())  # 用map方式执行
    data = pd.DataFrame(list(b)).fillna(0)  # 实现矩阵转换，空值用0填充
    print(u'\n转换完毕。')
    del b  # 删除中间变量b，节省内存
    
    support = 0.2  # 最小支持度
    confidence = 0.5  # 最小置信度
    ms = '---'  # 连接符，默认'--'，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符
    
    find_rule(data, support, confidence, ms).to_excel(outputfile)  # 保存结果

    #-*- coding: utf-8 -*-
    def cm_plot(y, yp):
    
    from sklearn.metrics import confusion_matrix  # 导入混淆矩阵函数
    
    cm = confusion_matrix(y, yp)  # 混淆矩阵
    
    import matplotlib.pyplot as plt  # 导入作图库
    plt.matshow(cm, cmap=plt.cm.Greens)  # 画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。
    plt.colorbar()  # 颜色标签
    
    for x in range(len(cm)):  # 数据标签
        for y in range(len(cm)):
            plt.annotate(cm[x, y], xy=(
                x, y), horizontalalignment='center', verticalalignment='center')
    
    plt.ylabel('True label')  # 坐标轴标签
    plt.xlabel('Predicted label')  # 坐标轴标签
    return plt