Python中非常有用的三个数据科学库

共计 2199 个字符，预计需要花费 6 分钟才能阅读完成。

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。

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。

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 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。

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。

阿里云 2 核 2G 服务器 3M 带宽 61 元 1 年，有高配

腾讯云新客低至 82 元 / 年，老客户 99 元 / 年

代金券：在阿里云专用满减优惠券