Python中三个不常见但是非常有用的数据科学库

[[418006]]

如果您想要扩展您的视野，学习一些更少见但同样有用的库。在本文中，我将向您展示一些不太为人所知的但是却非常好用的python库。

imbalanced-learn

如果你过去一直在构建一些有监督的机器学习模型，你就会知道目标变量中的类别不平衡可能是一个大问题。这是因为在少数类中没有足够的例子来让算法学习模式。

一个解决方案是创建一些合成样本，通过使用例如SMOTE(合成少数群体过采样技术)来增加少数群体类的学习。

幸运的是，imbalance-learn库将帮助您在任何不平衡数据集上实现这一技术。

您可以通过在终端上执行以下命令来安装imbalance-learn库。 

pip install imbalanced-learn 

为了演示如何平衡数据集，我们将使用sklearn下载乳腺癌数据集。 

from sklearn.datasets import load_breast_cancer 
import pandas as pddata = load_breast_cancer() 
df = pd.DataFrame(data.data, columns=[data.feature_names]) 
df[‘target’] = data[‘target’] 
df.head() 

 

 下面看目标变量的分布。 

df.target.value_counts()  

数据集确实是均匀分布的，尽管它不是非常不平衡:我们有357名乳腺癌患者和212名健康患者。

我们看看能不能让它更平衡一点。我们将使用SMOTE对0类进行过采样。 

from imblearn.over_sampling import SMOTE 
oversample = SMOTE() 
X_oversample, y_oversample = oversample.fit_resample(data.data, data.target) 
pd.Series(y_oversample).value_counts() 

如你所见，数据集现在已经完全平衡了。每个类有357个实例。作为我们操作的结果，创建了145个人工实例。

statsmodels

这是另一个很棒的库，专门用来建立统计模型。我通常用它来拟合线性回归

它真的很容易使用，你可以马上得到很多关于模型的信息，比如R2 BIC、AIC、置信度和它们相应的p值。当使用scikit-learn的线性回归时，这些信息更难以获取。

让我们看看如何使用这个库来适应线性回归模型。让我们先下载一个波士顿房价数据集。 

from sklearn.datasets import load_boston 
import pandas as pd 
data = load_boston() 
df = pd.DataFrame(data.data, columns=[data.feature_names]) 
df[‘target’] = data[‘target’] 
df.head()  

上面是我们的数据集的前五行。有13个特征，我们可以看到一个目标变量是一个连续的数字。这是一个完美的回归数据集。

现在让我们使用pip安装统计模型库 

pip install statsmodels 

现在，我们可以使用以下代码尝试将线性回归模型与我们的数据相匹配。 

import statsmodels.api as sm 
X = sm.add_constant(df.drop(columns=[‘target’])) # adding a constant 
model = sm.OLS(df.target, X).fit() 
predictions = model.predict(X) 
print_model = model.summary() 
print(print_model)   

我们刚刚将一个线性回归模型拟合到这个数据集上，并打印出了该模型的详细摘要。您可以很容易地阅读所有重要信息，在必要时重新调整功能，并重新运行模型。

我发现与scikit-learn版本相比，使用statsmodels进行回归更容易，因为我需要的所有信息都在这个简短的报告中。

missingno

missingno是另一个有用的库。它可以帮助您可视化缺失值的分布。

您可能已经习惯使用isnull()函数检查pandas中的缺失值。这可以帮助您获取每列缺失值的数量，但不能帮助您确定它们的位置。这正是missingo变得有用的时候。

你可以使用下面的命令安装库: 

pip install missingno 

现在，让我们演示如何使用missingo来可视化缺失的数据。为了做到这一点，我们将从Kaggle下载预期寿命数据集。

然后可以使用read_csv()函数加载数据集，然后从missingno库调用matrix()函数。 

import pandas as pd 
import missingno as msno 
df = pd.read_csv(‘Life Expectancy Data.csv’) 
msno.matrix(df) 

可以看到缺失值的位置。如果怀疑丢失的值位于某个特定位置或遵循某个特定模式，那么它将非常有用。

总结

以上三个库非常的有用，通过使用它们可以简化我们的操作，提高我们的工作效率。