sklearn进行数据处理

实训1 使用sklearn处理wine 和wine_quality数据集

1. 训练要点

• 掌握sklearn转换器的用法。

• 掌握训练集、测试集划分的方法。

• 掌握使用sklearn进行PCA降维的方法。

2.需求说明

wine数据集和wine_quality数据集是两份和酒有关的数据集。wine数据集包含3种不同起源的葡萄酒的记录,共178条。其中,每个特征对应葡萄酒的每种化学成分,并且都属于连续型数据。通过化学分析可以推断葡萄酒的起源。 wine_quality数据集共有4898个观察值, 11个输入特征和一个标签。其中,不同类的观察值数量不等,所有特征为连续型数据。通过酒的各类化学成分,预测该葡萄酒的评分。

3.实现思路及步骤

(1)使用pandas库分别读取wine数据集和win_quality数据集。

(2)将wine数据集和wine_quality数据集的数据和标签拆分开。

(3)将wine_quality数据集划分为训练集和测试集。

(4)标准化wine数据集和wine_quality数据集。

(5)对wine数据集和wine_quality数据集进行PCA降维。

实验

使用pandas库分别读取wine数据集和win_quality数据集。

wine = pd.read_csv('./第6章/wine.csv')
wine
1
2

wine_quality = pd.read_csv('./第6章/winequality.csv', dtype=str)
wine_quality
1
2

将wine数据集和wine_quality数据集的数据和标签拆分开。

# wine数据集标签
wine_target = wine['Class']
wine_target
1
2
3

# wine数据集数据
wine_data = wine[wine.columns[1: ]]
wine_data
1
2
3

将winequality数据集格式化

# 将wine_quality数据集格式化
columnsName = list(wine_quality.columns.values)[0].split(';')  # 将列名分割
columnsName = [name.replace('\"', '') for name in columnsName]  # 把列名中的双引号去掉
wine_quality = wine_quality[wine_quality.columns[0]].str.split(';', expand=True)  # 将winequalit数据集数据按分号分割并组成新的数据集
wine_quality.columns = columnsName
wine_quality
1
2
3
4
5
6

# wine_quality数据集的标签
wine_quality_target = wine_quality['quality']
wine_quality_target
1
2
3

# wine_quality数据集的数据
wine_quality_data = wine_quality[wine_quality.columns[0: 11]]
wine_quality_data
1
2
3

将wine_quality数据集划分为训练集和测试集。

# 将wine_qualit数据集划分成训练集和测试集，比例为7：3
wine_quality_data_train, wine_quality_data_test, wine_quality_target_train, wine_quality_target_test = train_test_split(wine_quality_data, wine_quality_target, test_size=0.3)
wine_quality_data_train
wine_quality_data_test
wine_quality_target_train
wine_quality_target_test
1
2
3
4
5
6

标准化wine数据集和wine_quality数据集。

Scaler = preprocessing.MinMaxScaler().fit(wine_data_train)
wine_trainScaler = Scaler.transform(wine_data_train)
wine_testScaler = Scaler.transform(wine_data_test)
wine_trainScaler
wine_testScaler
1
2
3
4
5

Scaler = preprocessing.MinMaxScaler().fit(wine_quality_data_train)
wine_quality_trainScaler = Scaler.transform(wine_quality_data_train)
wine_quality_testScaler = Scaler.transform(wine_quality_data_test)
wine_quality_trainScaler
wine_quality_testScaler
1
2
3
4
5

对wine数据集和wine_quality数据集进行PCA降维。

# wine数据集进行PCA降维
pca_model = PCA(n_components=10).fit(wine_trainScaler)
wine_trainPCA = pca_model.transform(wine_trainScaler)
wine_testPCA = pca_model.transform(wine_testScaler)
wine_trainPCA
wine_testPCA
1
2
3
4
5
6

# wine_quality数据集进行PCA降维
pca_model = PCA(n_components=10).fit(wine_quality_trainScaler)
wine_quality_trainPCA = pca_model.transform(wine_quality_trainScaler)
wine_quality_testPCA = pca_model.transform(wine_quality_testScaler)
1
2
3
4

实训2 构建基于wine数据集的K-Means聚类模型

1.训练要点

• 了解sklearn估计器的用法。

• 掌握聚类模型的构建方法。

• 掌握聚类模型的评价方法。

2.需求说明

wine数据集的葡萄酒总共分为3种,通过将wine数据集的数据进行聚类,聚集为3 个簇,能够实现葡萄酒的类别划分。

3.实现思路及步骤

(1)根据实训1的wine数据集处理的结果,构建聚类数目为3的K-Means模型。

(2)对比真实标签和聚类标签求取FMI。

(3)在聚类数目为2~10类时,确定最优聚类数目。

(4)求取模型的轮廓系数,绘制轮廓系数折线图,确定最优聚类数目。

(5)求取Calinski-Harabasz指数,确定最优聚类数目。

实验

根据实训1的wine数据集处理的结果,构建聚类数目为3的K-Means模型

kmeans = KMeans(n_clusters=3, random_state=123).fit(wine_trainScaler)
1

对比真实标签和聚类标签求取FMI

from sklearn.metrics import fowlkes_mallows_score
score = fowlkes_mallows_score(wine_target_train, kmeans.labels_)
score
1
2
3

在聚类数目为2~10类时,确定最优聚类数目

for i in range(2, 11):
    kmeans = KMeans(n_clusters=i, random_state=123).fit(wine_trainScaler)
    score = fowlkes_mallows_score(wine_target_train, kmeans.labels_)
    print('wine数据聚%d类FMI评价分值为：%f' %(i,score))
1
2
3
4

求取模型的轮廓系数,绘制轮廓系数折线图,确定最优聚类数目

silhouettteScore = []
for i in range(2, 11):
    kmeans = KMeans(n_clusters=i, random_state=123).fit(wine_trainScaler)
    score = silhouette_score(wine_trainScaler, kmeans.labels_)
    silhouettteScore.append(score)
plt.figure(figsize=(10, 6))
plt.plot(range(2, 11), silhouettteScore, linewidth=1.5, linestyle='-')
plt.show()
1
2
3
4
5
6
7
8

求取Calinski-Harabasz指数,确定最优聚类数目

for i in range(2,10):
    ##构建并训练模型
    kmeans = KMeans(n_clusters = i,random_state=123).fit(wine_trainScaler)
    score = calinski_harabasz_score(wine_trainScaler,kmeans.labels_)
    print('iris数据聚%d类calinski_harabaz指数为：%f'%(i,score))
1
2
3
4
5