数据来源：https://www.kaggle.com/c/bike-sharing-demand

第一步：读取数据    并对数据进行分析

import numpy as np
import pandas as pd

df_train = pd.read_csv('data/kaggle_bike_competition_train.csv')
print(df_train.head())
print(df_train.shape)
print(df_train.dtypes)  # 看一下各字段类型
# 看时候有缺失值
print(df_train.isnull().sum().sum())  # 输出为0，表示没有缺失值

        读取出来的数据   下面这个表columns名与数据错一位。 datetime对应的是日期那一列，第一列是序号。

       从上面得出了各字段的类型，并且得出没有缺失值。。。因为最后一行代码输出为0.

第二步：处理一些字段    如：datetime那一列。

# 把月，日和小时单独拎出来，搞成三列
df_train['month'] = pd.DatetimeIndex(df_train.datetime).month
df_train['day'] = pd.DatetimeIndex(df_train.datetime).dayofweek
df_train['hour'] = pd.DatetimeIndex(df_train.datetime).hour
# print(df_train.head())

# 那个，既然时间大串已经被我们处理过了，那这个字段放着太占地方，干脆就不要了吧
# 先上一个粗暴的版本，咱们把注册租户和未注册租户也先丢掉，回头咱们再看另外一种处理方式

# 保险起见，保存一下刚才处理的数据
df_train_origin = df_train
# 删除掉不需要的字段
df_train = df_train.drop(['datetime', 'casual', 'registered'], axis=1)
# print(df_train.head())  # 查看处理后的数据
# print(df_train.shape)   # 显然列变为了12

# 开始分数据  count是标签
df_train_target = df_train['count'].values
df_train_data = df_train.drop(['count'], axis=1).values

      这一步我们将日期拆开，分别增加三列：month, day, hour。 并且把注册租户和未注册租户以及原先datetime列删除 。。防止他们干扰。  最后得出 特征值和标签值。

第三步：模型走起

    1. 岭回归

print("岭回归\n")
kfold = KFold(n_splits=3, shuffle=True, random_state=42)
for train, test in kfold.split(df_train_data):
    clf = Ridge()
    clf.fit(df_train_data[train], df_train_target[train])
    print("训练集准确率:{},测试集准确率:{}".format(
        clf.score(df_train_data[train], df_train_target[train]),
        clf.score(df_train_data[test], df_train_target[test])
    ))

      先进行3折交叉验证，然后用岭回归进行训练。  最后得出的结果很尴尬

    2.支持向量机模型

print("支持向量机\n")
for train, test in kfold.split(df_train_data):
    clf = SVR(kernel='rbf', C=10, gamma=0.001)
    clf.fit(df_train_data[train], df_train_target[train])
    print("训练集准确率:{},测试集准确率:{}".format(
        clf.score(df_train_data[train], df_train_target[train]),
        clf.score(df_train_data[test], df_train_target[test])
    ))

  结果：

 这个结果也挺尴尬 。 支持向量机曾几何时也是神器。

    3.随机森林

print("随机森林\n")
for train, test in kfold.split(df_train_data):
    clf = RandomForestRegressor(n_estimators=80)
    clf.fit(df_train_data[train], df_train_target[train])
    print("训练集准确率:{},测试集准确率:{}".format(
        clf.score(df_train_data[train], df_train_target[train]),
        clf.score(df_train_data[test], df_train_target[test])
    ))

结果还是不错的。

    4.用网格搜索给随机森林找一组参数，然后在用随机森林预测

x_train, x_test, y_train, y_test = train_test_split(df_train_data, df_train_target, test_size=0.2, random_state=42)
params = {"n_estimators": [30, 60, 90]}
scores = ['r2']
for score in scores:
    print(score)
    clf = GridSearchCV(RandomForestRegressor(), params, cv=5, scoring=score)
    clf.fit(x_train, y_train)
    print(clf.best_estimator_)

   找到了一组合适的参数。如下

我们用这组参数再次进行随机森林预测

print("随机森林\n")
for train, test in kfold.split(df_train_data):
    clf = RandomForestRegressor(bootstrap=True, criterion='mse', max_depth=None,
           max_features='auto', max_leaf_nodes=None,
           min_impurity_decrease=0.0, min_impurity_split=None,
           min_samples_leaf=1, min_samples_split=2,
           min_weight_fraction_leaf=0.0, n_estimators=90, n_jobs=None,
           oob_score=False, random_state=None, verbose=0, warm_start=False)
    clf.fit(df_train_data[train], df_train_target[train])
    print("训练集准确率:{},测试集准确率:{}".format(
        clf.score(df_train_data[train], df_train_target[train]),
        clf.score(df_train_data[test], df_train_target[test])
    ))

附加： 走一波数据分析

  画出几个特征与流通量的关系

# 风速与流通量
df_train_origin.groupby('windspeed').mean().plot(y='count', marker='o')
plt.show()

# 湿度与流通量
df_train_origin.groupby('humidity').mean().plot(y='count', marker='o')
plt.show()

# 温度与流通量
df_train_origin.groupby('temp').mean().plot(y='count', marker='o')
plt.show()


# 温度湿度变化
df_train_origin.plot(x='temp', y='humidity', kind='scatter')
plt.show()

画出各个维度与count的关系

fig, axs = plt.subplots(nrows=2, ncols=3)
df_train_origin.plot(kind='scatter', x='temp', y='count', ax=axs[0, 0], figsize=(16, 8), color='magenta')
df_train_origin.plot(kind='scatter', x='atemp', y='count', ax=axs[0, 1], color='cyan')
df_train_origin.plot(kind='scatter', x='humidity', y='count', ax=axs[0, 2], color='red')
df_train_origin.plot(kind='scatter', x='windspeed', y='count', ax=axs[1, 0], color='yellow')
df_train_origin.plot(kind='scatter', x='month', y='count', ax=axs[1, 1], color='blue')
df_train_origin.plot(kind='scatter', x='hour', y='count', ax=axs[1, 2], color='green')
plt.show()

画出各个特征之间的相关性

corr = df_train_origin[['temp', 'weather', 'windspeed', 'day', 'month', 'hour', 'count']].corr()
print(corr)


# 用颜色深浅来表示相关度

plt.matshow(corr)
plt.colorbar()
plt.show()

相关性矩阵     带负号表示负相关

由上向下，相关性一次减小。。

本次就分析到这里 。。。未完待续   连载中。。。。