Python數學建模StatsModels統計回歸模型數據的準備
1、讀取數據文件
回歸分析問題所用的數據都是保存在數據文件中的,首先就要從數據文件讀取數據。
數據文件的格式很多,最常用的是 .csv,.xls 和 .txt 文件,以及 sql 數據庫文件的讀取 。
使用 pandas 從數據文件導入數據的程序最為簡單,示例如下:
(1)讀取 .csv 文件:
df = pd.read_csv("./example.csv", engine="python", encoding="utf_8_sig") # engine="python"允許處理中文路徑,encoding="utf_8_sig"允許讀取中文數據
(2)讀取 .xls 文件:
df = pd.read_excel("./example.xls", sheetname='Sheet1', header=0, encoding="utf_8_sig") # sheetname 表示讀取的sheet,header=0 表示首行為標題行, encoding 表示編碼方式
(3)讀取 .txt 文件:
df = pd.read_table("./example.txt", sep="\t", header=None) # sep 表示分隔符,header=None表示無標題行,第一行是數據
2、數據文件的拆分與合並
統計回歸所需處理的數據量可能非常大,必要時需對文件進行拆分或合並,也可以用 pandas 進行處理,示例如下:
(1)將 Excel 文件分割為多個文件
# 將 Excel 文件分割為多個文件 import pandas as pd dfData = pd.read_excel('./example.xls', sheetname='Sheet1') nRow, nCol = dfData.shape # 獲取數據的行列 # 假設數據共有198,000行,分割為 20個文件,每個文件 10,000行 for i in range(0, int(nRow/10000)+1): saveData = dfData.iloc[i*10000+1:(i+1)*10000+1, :] # 每隔 10,000 fileName= './example_{}.xls'.format(str(i)) saveData.to_excel(fileName, sheet_name = 'Sheet1', index = False)
(2)將 多個 Excel 文件合並為一個文件
# 將多個 Excel 文件合並為一個文件 import pandas as pd ## 兩個 Excel 文件合並 #data1 = pd.read_excel('./example0.xls', sheetname='Sheet1') #data2 = pd.read_excel('./example1.xls', sheetname='Sheet1') #data = pd.concat([data1, data2]) # 多個 Excel 文件合並 dfData = pd.read_excel('./example0.xls', sheetname='Sheet1') for i in range(1, 20): fileName = './example_{}.xls'.format(str(i)) dfNew = pd.read_excel(fileName) dfData = pd.concat([dfData, dfNew]) dfData.to_excel('./example', index = False) # = 關註 Youcans,分享原創系列 https://blog.csdn.net/youcans =
3、數據的預處理
在實際工作中,在開始建立模型和擬合分析之前,還要對原始數據進行數據預處理(data preprocessing),主要包括:缺失值處理、重復數據處理、異常值處理、變量格式轉換、訓練集劃分、數據的規范化、歸一化等。
數據預處理的很多內容已經超出瞭 Statsmodels 的范圍,在此隻介紹最基本的方法:
(1)缺失數據的處理
導入的數據存在缺失是經常發生的,最簡單的處理方式是刪除缺失的數據行。使用 pandas 中的 .dropna() 刪除含有缺失值的行或列,也可以 對特定的列進行缺失值刪除處理 。
dfNew = dfData.dropna(axis = 0)) # 刪除含有缺失值的行
有時也會填充缺失值或替換缺失值,在此就不做介紹瞭。
(2)重復數據的處理
對於重復數據,通常會刪除重復行。使用 pandas 中的 .duplicated() 可以查詢重復數據的內容,使用 .drop_duplicated() 可以刪除重復數據,也可以對指定的數據列進行去重。
dfNew = dfData.drop_duplicates(inplace=True) # 刪除重復的數據行
(3)異常值處理
數據中可能包括異常值, 是指一個樣本中的數值明顯偏離樣本集中其它樣本的觀測值,也稱為離群點。異常值可以通過箱線圖、正態分佈圖進行識別,也可以通過回歸、聚類建模進行識別。
箱線圖技術是利用數據的分位數識別其中的異常點。箱形圖分析也超過本文的內容,不能詳細介紹瞭。隻能籠統地說通過觀察箱形圖,可以查看整體的異常情況,進而發現異常值。
dfData.boxplot() # 繪制箱形圖
對於異常值通常不易直接刪除,需要結合具體情況進行考慮和處理。使用 pandas 中的 .drop() 可以直接刪除異常值數據行,或者使用判斷條件來判定並刪除異常值數據行。
# 按行刪除,drop() 默認 axis=0 按行刪除 dfNew = dfData.drop(labels=0) # 按照行號 labels,刪除 行號為 0 的行 dfNew = dfData.drop(index=dfData[dfData['A']==-1].index[0]) # 按照條件檢索,刪除 dfData['A']=-1 的行
4、Python 例程(Statsmodels)
4.1 問題描述
數據文件中收集瞭 30個月本公司牙膏銷售量、價格、廣告費用及同期的市場均價。
(1)分析牙膏銷售量與價格、廣告投入之間的關系,建立數學模型;
(2)估計所建立數學模型的參數,進行統計分析;
(3)利用擬合模型,預測在不同價格和廣告費用下的牙膏銷售量。
本問題及數據來自:薑啟源、謝金星,數學模型(第 3版),高等教育出版社。
需要說明的是,本文例程並不是問題最佳的求解方法和結果,隻是使用該問題及數據示范讀取數據文件和數據處理的方法。
4.2 Python 程序
# LinearRegression_v3.py # v1.0: 調用 statsmodels 實現一元線性回歸 # v2.0: 調用 statsmodels 實現多元線性回歸 # v3.0: 從文件讀取數據樣本 # 日期:2021-05-06 # Copyright 2021 YouCans, XUPT import numpy as np import pandas as pd import statsmodels.api as sm import matplotlib.pyplot as plt def main(): # 讀取數據文件 readPath = "../data/toothpaste.csv" # 數據文件的地址和文件名 try: if (readPath[-4:] == ".csv"): dfOpenFile = pd.read_csv(readPath, header=0, sep=",") # 間隔符為逗號,首行為標題行 # dfOpenFile = pd.read_csv(filePath, header=None, sep=",") # sep: 間隔符,無標題行 elif (readPath[-4:] == ".xls") or (readPath[-5:] == ".xlsx"): # sheet_name 默認為 0 dfOpenFile = pd.read_excel(readPath, header=0) # 首行為標題行 # dfOpenFile = pd.read_excel(filePath, header=None) # 無標題行 elif (readPath[-4:] == ".dat"): # sep: 間隔符,header:首行是否為標題行 dfOpenFile = pd.read_table(readPath, sep=" ", header=0) # 間隔符為空格,首行為標題行 # dfOpenFile = pd.read_table(filePath,sep=",",header=None) # 間隔符為逗號,無標題行 else: print("不支持的文件格式。") print(dfOpenFile.head()) except Exception as e: print("讀取數據文件失敗:{}".format(str(e))) return # 數據預處理 dfData = dfOpenFile.dropna() # 刪除含有缺失值的數據 print(dfData.dtypes) # 查看 df 各列的數據類型 print(dfData.shape) # 查看 df 的行數和列數 # colNameList = dfData.columns.tolist() # 將 df 的列名轉換為列表 list # print(colNameList) # 查看列名列表 list # featureCols = ['price', 'average', 'advertise', 'difference'] # 篩選列,建立自變量列名 list # X = dfData[['price', 'average', 'advertise', 'difference']] # 根據自變量列名 list,建立 自變量數據集 # 準備建模數據:分析因變量 Y(sales) 與 自變量 x1~x4 的關系 y = dfData.sales # 根據因變量列名 list,建立 因變量數據集 x0 = np.ones(dfData.shape[0]) # 截距列 x0=[1,...1] x1 = dfData.price # 銷售價格 x2 = dfData.average # 市場均價 x3 = dfData.advertise # 廣告費 x4 = dfData.difference # 價格差,x4 = x1 - x2 X = np.column_stack((x0,x1,x2,x3,x4)) #[x0,x1,x2,...,x4] # 建立模型與參數估計 # Model 1:Y = b0 + b1*X1 + b2*X2 + b3*X3 + b4*X4 + e model = sm.OLS(y, X) # 建立 OLS 模型 results = model.fit() # 返回模型擬合結果 yFit = results.fittedvalues # 模型擬合的 y 值 print(results.summary()) # 輸出回歸分析的摘要 print("\nOLS model: Y = b0 + b1*X + ... + bm*Xm") print('Parameters: ', results.params) # 輸出:擬合模型的系數 # 擬合結果繪圖 fig, ax = plt.subplots(figsize=(10, 8)) ax.plot(range(len(y)), y, 'bo', label='sample') ax.plot(range(len(yFit)), yFit, 'r--', label='predict') ax.legend(loc='best') # 顯示圖例 plt.show() # YouCans, XUPT return if __name__ == '__main__': main()
4.3 程序運行結果:
period price average advertise difference sales 0 1 3.85 3.80 5.50 -0.05 7.38 1 2 3.75 4.00 6.75 0.25 8.51 2 3 3.70 4.30 7.25 0.60 9.52 3 4 3.70 3.70 5.50 0.00 7.50 4 5 3.60 3.85 7.00 0.25 9.33 OLS Regression Results ============================================================================== Dep. Variable: sales R-squared: 0.895 Model: OLS Adj. R-squared: 0.883 Method: Least Squares F-statistic: 74.20 Date: Fri, 07 May 2021 Prob (F-statistic): 7.12e-13 Time: 11:51:52 Log-Likelihood: 3.3225 No. Observations: 30 AIC: 1.355 Df Residuals: 26 BIC: 6.960 Df Model: 3 Covariance Type: nonrobust ============================================================================== coef std err t P>|t| [0.025 0.975] ------------------------------------------------------------------------------ const 8.0368 2.480 3.241 0.003 2.940 13.134 x1 -1.1184 0.398 -2.811 0.009 -1.936 -0.300 x2 0.2648 0.199 1.332 0.195 -0.144 0.674 x3 0.4927 0.125 3.938 0.001 0.236 0.750 x4 1.3832 0.288 4.798 0.000 0.791 1.976 ============================================================================== Omnibus: 0.141 Durbin-Watson: 1.762 Prob(Omnibus): 0.932 Jarque-Bera (JB): 0.030 Skew: 0.052 Prob(JB): 0.985 Kurtosis: 2.885 Cond. No. 2.68e+16 ============================================================================== OLS model: Y = b0 + b1*X + ... + bm*Xm Parameters: const 8.036813 x1 -1.118418 x2 0.264789 x3 0.492728 x4 1.383207
版權說明:
本問題及數據來自:薑啟源、謝金星,數學模型(第 3版),高等教育出版社
本文內容及例程為作者原創,並非轉載書籍或網絡內容。
以上就是Python數學建模StatsModels統計回歸模型數據的準備的詳細內容,更多關於數學建模StatsModels統計回歸模型數據準備的資料請關註WalkonNet其它相關文章!
推薦閱讀:
- python pandas處理excel表格數據的常用方法總結
- python使用pandas讀寫excel文件的方法實例
- pandas 讀取excel文件的操作代碼
- python pandas合並Sheet,處理列亂序和出現Unnamed列的解決
- python數學建模之三大模型與十大常用算法詳情