目錄

• 數(shù)據(jù)集

• 可用數(shù)據(jù)集

• sklearn數(shù)據(jù)集

• 特征提取

• 字典

• 文本

• 特征預(yù)處理

• 歸一化
• 標(biāo)準(zhǔn)化
• 無量綱化

• 特征降維

• 特征選擇

• 主成分分析（PCA降維）

數(shù)據(jù)集

下面列舉了一些示例來說明哪些內(nèi)容能算作數(shù)據(jù)集：

• 包含某些數(shù)據(jù)的表格或 CSV 文件

• 組織有序的表格集合

• 采用專有格式的文件，其中包含數(shù)據(jù)

• 可共同構(gòu)成某個(gè)有意義數(shù)據(jù)集的一組文件

• 包含其他格式的數(shù)據(jù)的結(jié)構(gòu)化對(duì)象，您可能希望將其加載到特殊工具中進(jìn)行處理

• 捕獲數(shù)據(jù)的圖像

• 與機(jī)器學(xué)習(xí)相關(guān)的文件，如經(jīng)過訓(xùn)練的參數(shù)或神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)定義

• 任何看來像數(shù)據(jù)集的內(nèi)容

sklearn是一個(gè)Python第三方提供的非常強(qiáng)力的機(jī)器學(xué)習(xí)庫，它包含了從數(shù)據(jù)預(yù)處理到訓(xùn)練模型的各個(gè)方面。在實(shí)戰(zhàn)使用scikit-learn中可以極大的節(jié)省我們編寫代碼的時(shí)間以及減少我們的代碼量，使我們有更多的精力去分析數(shù)據(jù)分布，調(diào)整模型和修改超參。（sklearn為包名）

特征提取

目標(biāo)

• 應(yīng)用DictVectorizer實(shí)現(xiàn)對(duì)類別特征進(jìn)行數(shù)值化、離散化

• 應(yīng)用CountVectorizer實(shí)現(xiàn)對(duì)文本特征進(jìn)行數(shù)值化

• 應(yīng)用TfidfVectorizer實(shí)現(xiàn)對(duì)文本特征進(jìn)行數(shù)值化

• 說出兩種文本特征提取的方式區(qū)別

定義

特征提取是將任意數(shù)據(jù)（如文本或圖像）轉(zhuǎn)換為可用于機(jī)器學(xué)習(xí)的數(shù)字特征

注：特征值化是為了計(jì)算機(jī)更好的去理解數(shù)據(jù)

• 字典特征提取(特征離散化)

• 文本特征提取

• 圖像特征提?。ㄉ疃葘W(xué)習(xí)）

特征提取API

sklearn.feature_extraction

字典特征提取

作用：對(duì)字典數(shù)據(jù)進(jìn)行特征值化

• sklearn.feature_extraction.DictVectorizer(sparse=True,…)
• DictVectorizer.fit_transform(X) X：字典或者包含字典的迭代器，返回值：返回sparse矩陣
• DictVectorizer.inverse_transform(X) X：array數(shù)組或者sparse矩陣 返回值：轉(zhuǎn)換之前數(shù)據(jù)格式
• DictVectorizer.get_feature_names() 返回類別名稱

應(yīng)用

對(duì)以下數(shù)據(jù)進(jìn)行特征提取

    data = [{'city': '北京', 'temperature': 100}, {'city': '上海', 'temperature': 60}, {'city': '深圳', 'temperature': 30}]

流程分析

• 實(shí)例化類DictVectorizer

• 調(diào)用fit_transform方法輸入數(shù)據(jù)并轉(zhuǎn)換（注意返回格式）

def dict_demo():
    """
    字典特征值提取
    :return:
    """
    data = [{'city': '北京', 'temperature': 100}, {'city': '上海', 'temperature': 60}, {'city': '深圳', 'temperature': 30}]
    # 1. 實(shí)例化一個(gè)轉(zhuǎn)換器   默認(rèn)返回 sparse矩陣  將非0值按位置表示出來 以節(jié)省內(nèi)存 提高加載效率
    transfer = DictVectorizer(sparse=False)

    # 應(yīng)用場(chǎng)景：數(shù)據(jù)集中類別特征值較多；將數(shù)據(jù)集的特征-》字典類型；DictVectorizer轉(zhuǎn)換；本身拿到的就是字典

    # 2. 調(diào)用fit_transform()
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new)
    print("特征名字:\n", transfer.get_feature_names())
    return None

注意觀察沒有加上sparse=False參數(shù)的結(jié)果

這個(gè)結(jié)果并不是想要看到的，所以加上參數(shù)，得到想要的結(jié)果，在這里把這個(gè)處理數(shù)據(jù)的技巧用專業(yè)的稱呼"one-hot"編碼。

總結(jié)

對(duì)于特征當(dāng)中存在類別信息的都會(huì)做one-hot編碼處理

文本特征提取

作用：對(duì)文本數(shù)據(jù)進(jìn)行特征值化

• sklearn.feature_extraction.text.CountVectorizer(stop_words=[])

• 返回詞頻矩陣

• CountVectorizer.fit_transform(X) X：文本或者包含文本字符串的可迭代對(duì)象 返回值：返回sparse矩陣

• CountVectorizer.inverse_transform(X) X：array數(shù)組或者sparse矩陣 返回值：轉(zhuǎn)換之前數(shù)據(jù)格

• CountVectorizer.get_feature_names() 返回值：單詞列表

• sklearn.feature_extraction.text.TfidfVectorizer

應(yīng)用

對(duì)以下數(shù)據(jù)進(jìn)行特征提取

data = ["life is short, i like python", "life is too long i dislike python"]

流程分析

• 實(shí)例化類CountVectorizer

• 調(diào)用fit_transform方法輸入數(shù)據(jù)并轉(zhuǎn)換 （注意返回格式，利用toarray()進(jìn)行sparse矩陣轉(zhuǎn)換array數(shù)組）

def count_demo():
    """
    文本特征值抽取
    :return:
    """
    data = ["life is short, i like python", "life is too long i dislike python"]
    # 1、實(shí)例化一個(gè)轉(zhuǎn)換器類
    transfer = CountVectorizer()
    # 演示停用詞
    # transfer = CountVectorizer(stop_words=["is", "too"])
    data_new = transfer.fit_transform(data)

    print("data_new:\n", data_new.toarray())
    print("特征名字:\n", transfer.get_feature_names())
    # 2、調(diào)用fit_transform

    return None

問題：如果我們將數(shù)據(jù)替換成中文？

發(fā)現(xiàn)英文默認(rèn)是以空格分開的。其實(shí)就達(dá)到了一個(gè)分詞的效果，所以我們要對(duì)中文進(jìn)行分詞處理

下面代碼需要提前把文本做好空格間隙

def count_chinese_demo():
    """
    中文文本特征值抽取
    :return:
    """
    data = ["我 愛 北京 天安門", "天安門 上 太陽 升"]
    data2 = ["我愛北京天安門", "天安門上太陽升"]
    # 1、實(shí)例化一個(gè)轉(zhuǎn)換器類
    transfer = CountVectorizer()
    data_new = transfer.fit_transform(data)

    print("data_new:\n", data_new.toarray())
    print("特征名字:\n", transfer.get_feature_names())
    # 2、調(diào)用fit_transform

    return None

更好的處理方式見下方案

jieba分詞處理

• jieba.cut()
• 返回詞語組成的生成器

需要安裝下jieba庫

pip install jieba

案例分析

    data = ["在過去兩個(gè)月里，我和60多位小伙伴進(jìn)行了1對(duì)1的一小時(shí)溝通；",
            "TA絕大多數(shù)是想要嘗試副業(yè)變現(xiàn)的朋友。",
            "從一線城市到三線城市，從寶媽到職場(chǎng)人，從職場(chǎng)到體制內(nèi)。"]

分析

• 準(zhǔn)備句子，利用jieba.cut進(jìn)行分詞

• 實(shí)例化CountVectorizer

• 將分詞結(jié)果變成字符串當(dāng)作fit_transform的輸入值

def count_word(text):
    """
    進(jìn)行中文分詞 我愛北京天安門-》我 愛 北京 天安門
    :param text:
    :return:
    """
    a = " ".join(list(jieba.cut(text)))
    print(a)
    return a


def count_chinese_demo2():
    """
    中文文本特征值抽取 自動(dòng)分詞
    :return:
    """
    data = ["在過去兩個(gè)月里，我和60多位小伙伴進(jìn)行了1對(duì)1的一小時(shí)溝通；",
            "TA絕大多數(shù)是想要嘗試副業(yè)變現(xiàn)的朋友。",
            "從一線城市到三線城市，從寶媽到職場(chǎng)人，從職場(chǎng)到體制內(nèi)。"]
    # 1、實(shí)例化一個(gè)轉(zhuǎn)換器類
    transfer = CountVectorizer(stop_words=["從寶媽"])
    data_new = transfer.fit_transform(count_word(item) for item in data)

    print("data_new:\n", data_new.toarray())
    print("特征名字:\n", transfer.get_feature_names())
    # 2、調(diào)用fit_transform

    return None

問題：該如何處理某個(gè)詞或短語在多篇文章中出現(xiàn)的次數(shù)高這種情況？

Tf-idf文本特征提取

TF-IDF的主要思想是：如果某個(gè)詞或短語在一篇文章中出現(xiàn)的概率高，并且在其他文章中很少出現(xiàn)，則認(rèn)為此詞或者短語具有很好的類別區(qū)分能力，適合用來分類。

TF-IDF作用：用以評(píng)估一字詞對(duì)于一個(gè)文件集或一個(gè)語料庫中的其中一份文件的重要程度。

公式

詞頻（term frequency，tf）指的是某一個(gè)給定的詞語在該文件中出現(xiàn)的頻率

逆向文檔頻率（inverse document frequency，idf）是一個(gè)詞語普遍重要性的度量。某一特定詞語的idf，可以由總文件數(shù)目除以包含該詞語之 文件的數(shù)目，再將得到的商取以10為底的對(duì)數(shù)得到

最終得出結(jié)果可以理解為重要程度。

注：假如一篇文件的總詞語數(shù)是100個(gè)，而詞語"非常"出現(xiàn)了5次，那么"非常"一詞在該文件中的詞頻就是5/100=0.05。而計(jì)算文件頻率（IDF）的方法是以文件集的文件總數(shù)，除以出現(xiàn)"非常"一詞的文件數(shù)。所以，如果"非常"一詞在1,000份文件出現(xiàn)過，而文件總數(shù)是10,000,000份的話，其逆向文件頻率就是lg（10,000,000 / 1,0000）=3。最后"非常"對(duì)于這篇文檔的tf-idf的分?jǐn)?shù)為0.05 * 3=0.15

案例

def tfidf_demo():
    """
    用TF-IDF方法進(jìn)行文本特征值抽取
    :return:
    """
    data = ["在過去兩個(gè)月里，我和60多位小伙伴進(jìn)行了1對(duì)1的一小時(shí)溝通；",
            "TA絕大多數(shù)是想要嘗試副業(yè)變現(xiàn)的朋友。",
            "從一線城市到三線城市，從寶媽到職場(chǎng)人，從職場(chǎng)到體制內(nèi)。"]
    transfer = TfidfVectorizer(stop_words=["從寶媽"])
    data_new = transfer.fit_transform(count_word(item) for item in data)

    print("data_new:\n", data_new.toarray())
    print("特征名字:\n", transfer.get_feature_names())
    return None

Tf-idf的重要性

分類機(jī)器學(xué)習(xí)算法進(jìn)行文章分類中前期數(shù)據(jù)處理方式

特征預(yù)處理

目標(biāo)

• 了解數(shù)值型數(shù)據(jù)、類別型數(shù)據(jù)特點(diǎn)

• 應(yīng)用MinMaxScaler實(shí)現(xiàn)對(duì)特征數(shù)據(jù)進(jìn)行歸一化

• 應(yīng)用StandardScaler實(shí)現(xiàn)對(duì)特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化

什么是特征預(yù)處理

特征預(yù)處理：通過一些轉(zhuǎn)換函數(shù)將特征數(shù)據(jù)轉(zhuǎn)換成更加適合算法模型的特征數(shù)據(jù)過程

可以通過上面那張圖來理解

包含內(nèi)容

數(shù)值型數(shù)據(jù)的無量綱化：

• 歸一化

• 標(biāo)準(zhǔn)化

特征預(yù)處理API

sklearn.preprocessing

為什么我們要進(jìn)行歸一化/標(biāo)準(zhǔn)化？

特征的單位或者大小相差較大，或者某特征的方差相比其他的特征要大出幾個(gè)數(shù)量級(jí)，容易影響（支配）目標(biāo)結(jié)果，使得一些算法無法學(xué)習(xí)到其它的特征

我們需要用到一些方法進(jìn)行無量綱化，使不同規(guī)格的數(shù)據(jù)轉(zhuǎn)換到同一規(guī)格

歸一化

定義

通過對(duì)原始數(shù)據(jù)進(jìn)行變換把數(shù)據(jù)映射到(默認(rèn)為[0,1])之間

公式

作用于每一列，max為一列的最大值，min為一列的最小值，那么X’’為最終結(jié)果，mx，mi分別為指定區(qū)間值默認(rèn)mx為1、mi為0

API

• sklearn.preprocessing.MinMaxScaler (feature_range=(0,1)… )
• X：numpy array格式的數(shù)據(jù)[n_samples,n_features]
• MinMaxScalar.fit_transform(X)
• 返回值：轉(zhuǎn)換后的形狀相同的array

數(shù)據(jù)計(jì)算

我們對(duì)以下數(shù)據(jù)進(jìn)行運(yùn)算，在dating.txt中。保存的就是之前的約會(huì)對(duì)象數(shù)據(jù)

milage,Liters,Consumtime,target
40920,8.326976,0.953952,3
14488,7.153469,1.673904,2
26052,1.441871,0.805124,1
75136,13.147394,0.428964,1
38344,1.669788,0.134296,1

分析

• 實(shí)例化MinMaxScalar

• 通過fit_transform轉(zhuǎn)換

def minmax_demo():
    """
    歸一化
    :return:
    """
    # 1、獲取數(shù)據(jù)
    data = pd.read_csv("dating.txt")
    data = data.iloc[:, :3]
    print(data)

    # 2、實(shí)例化一個(gè)轉(zhuǎn)換器類
    transform = MinMaxScaler()
    # transform = MinMaxScaler(feature_range=[2, 3])

    # 3、調(diào)用fit_transform
    data_new = transform.fit_transform(data)
    print("data_new:\n", data_new)
    return None

歸一化總結(jié)

注意最大值最小值是變化的，另外，最大值與最小值非常容易受異常點(diǎn)影響，所以這種方法魯棒性較差，只適合傳統(tǒng)精確小數(shù)據(jù)場(chǎng)景。

標(biāo)準(zhǔn)化

定義

通過對(duì)原始數(shù)據(jù)進(jìn)行變換把數(shù)據(jù)變換到均值為0，標(biāo)準(zhǔn)差為1范圍內(nèi)

公式

作用于每一列，mean為平均值，σ為標(biāo)準(zhǔn)差

所以回到剛才異常點(diǎn)的地方，我們?cè)賮砜纯礃?biāo)準(zhǔn)化

• 對(duì)于歸一化來說：如果出現(xiàn)異常點(diǎn)，影響了最大值和最小值，那么結(jié)果顯然會(huì)發(fā)生改變

• 對(duì)于標(biāo)準(zhǔn)化來說：如果出現(xiàn)異常點(diǎn)，由于具有一定數(shù)據(jù)量，少量的異常點(diǎn)

• 對(duì)于平均值的影響并不大，從而方差改變較小。

API

• sklearn.preprocessing.StandardScaler( )
• X:numpy array格式的數(shù)據(jù)[n_samples,n_features]
• 處理之后每列來說所有數(shù)據(jù)都聚集在均值0附近標(biāo)準(zhǔn)差差為1
• StandardScaler.fit_transform(X)
• 返回值：轉(zhuǎn)換后的形狀相同的array

數(shù)據(jù)計(jì)算

同樣對(duì)上面的數(shù)據(jù)進(jìn)行處理

[[90,2,10,40],
[60,4,15,45],
[75,3,13,46]]

分析

• 實(shí)例化StandardScaler

• 通過fit_transform轉(zhuǎn)換

def stand_demo():
    """
    進(jìn)行標(biāo)準(zhǔn)化
    在已有樣本足夠多的情況下，適合現(xiàn)在嘈雜大數(shù)據(jù)場(chǎng)景
    :return:
    """
    # 1、獲取數(shù)據(jù)
    data = pd.read_csv("dating.txt")
    data = data.iloc[:, :3]
    print(data)

    # 2、實(shí)例化一個(gè)轉(zhuǎn)換器類
    transform = StandardScaler()

    # 3、調(diào)用fit_transform
    data_new = transform.fit_transform(data)
    print("data_new:\n", data_new)
    return None

標(biāo)準(zhǔn)化總結(jié)

在已有樣本足夠多的情況下比較穩(wěn)定，適合現(xiàn)代嘈雜大數(shù)據(jù)場(chǎng)景。

特征降維

目標(biāo)

• 知道特征選擇的嵌入式、過濾式以及包裹氏三種方式

• 應(yīng)用VarianceThreshold實(shí)現(xiàn)刪除低方差特征

• 了解相關(guān)系數(shù)的特點(diǎn)和計(jì)算

• 應(yīng)用相關(guān)性系數(shù)實(shí)現(xiàn)特征選擇

降維

降維是指在某些限定條件下，降低隨機(jī)變量(特征)個(gè)數(shù)，得到一組“不相關(guān)”主變量的過程

• 降低隨機(jī)變量的個(gè)數(shù)

• 相關(guān)特征(correlated feature)：相對(duì)濕度與降雨量之間的相關(guān)等等

正是因?yàn)樵谶M(jìn)行訓(xùn)練的時(shí)候，我們都是使用特征進(jìn)行學(xué)習(xí)。如果特征本身存在問題或者特征之間相關(guān)性較強(qiáng)，對(duì)于算法學(xué)習(xí)預(yù)測(cè)會(huì)影響較大

降維的兩種方式

• 特征選擇

• 主成分分析（可以理解一種特征提取的方式）

特征選擇

什么是特征選擇

定義: 數(shù)據(jù)中包含冗余或無關(guān)變量（或稱特征、屬性、指標(biāo)等），旨在從原有特征中找出主要特征。

方法:

• Filter(過濾式)：主要探究特征本身特點(diǎn)、特征與特征和目標(biāo)值之間關(guān)聯(lián)

• 方差選擇法：低方差特征過濾
• 相關(guān)系數(shù)

• Embedded (嵌入式)：算法自動(dòng)選擇特征（特征與目標(biāo)值之間的關(guān)聯(lián)）

• 決策樹:信息熵、信息增益
• 正則化：L1、L2
• 深度學(xué)習(xí)：卷積等

• Wrapper (包裹式)

模塊

sklearn.feature_selection

過濾式

低方差特征過濾

刪除低方差的一些特征，前面講過方差的意義。再結(jié)合方差的大小來考慮這個(gè)方式的角度。

• 特征方差?。耗硞€(gè)特征大多樣本的值比較相近

• 特征方差大：某個(gè)特征很多樣本的值都有差別

API

• sklearn.feature_selection.VarianceThreshold(threshold = 0.0)
• X:numpy array格式的數(shù)據(jù)[n_samples,n_features]
• 返回值：訓(xùn)練集差異低于threshold的特征將被刪除。默認(rèn)值是保留所有非零方差特征，即刪除所有樣本中具有相同值的特征。
• 刪除所有低方差特征
• Variance.fit_transform(X)

數(shù)據(jù)計(jì)算

我們對(duì)某些股票的指標(biāo)特征之間進(jìn)行一個(gè)篩選

一共這些特征

pe_ratio,pb_ratio,market_cap,return_on_asset_net_profit,du_return_on_equity,ev,earnings_per_share,revenue,total_expense

index,pe_ratio,pb_ratio,market_cap,return_on_asset_net_profit,du_return_on_equity,ev,earnings_per_share,revenue,total_expense,date,return
0,000001.XSHE,5.9572,1.1818,85252550922.0,0.8008,14.9403,1211444855670.0,2.01,20701401000.0,10882540000.0,2012-01-31,0.027657228229937388
1,000002.XSHE,7.0289,1.588,84113358168.0,1.6463,7.8656,300252061695.0,0.326,29308369223.2,23783476901.2,2012-01-31,0.08235182370820669
2,000008.XSHE,-262.7461,7.0003,517045520.0,-0.5678,-0.5943,770517752.56,-0.006,11679829.03,12030080.04,2012-01-31,0.09978900335112327
3,000060.XSHE,16.476,3.7146,19680455995.0,5.6036,14.617,28009159184.6,0.35,9189386877.65,7935542726.05,2012-01-31,0.12159482758620697
4,000069.XSHE,12.5878,2.5616,41727214853.0,2.8729,10.9097,81247380359.0,0.271,8951453490.28,7091397989.13,2012-01-31,-0.0026808154146886697

def variance_demo():
    """
    過濾低方差特征
    :return:
    """
    # 1、獲取數(shù)據(jù)
    data = pd.read_csv("factor_returns.csv")
    data = data.iloc[:, 1: -2]
    print(data)

    # 2、實(shí)例化一個(gè)轉(zhuǎn)換器
    transfer = VarianceThreshold(threshold=5)

    # 3、調(diào)用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new", data_new, data_new.shape)
    return None


if __name__ == '__main__':
    # 低方差特征過濾
    variance_demo()

相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient): 反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)

公式計(jì)算案例(了解，不用記憶)

公式:

比如說我們計(jì)算年廣告費(fèi)投入與月均銷售額

= 0.9942

所以我們最終得出結(jié)論是廣告投入費(fèi)與月平均銷售額之間有高度的正相關(guān)關(guān)系。

特點(diǎn)

相關(guān)系數(shù)的值介于–1與+1之間，即–1≤ r ≤+1。其性質(zhì)如下：

• 當(dāng)r>0時(shí)，表示兩變量正相關(guān)，r<0時(shí)，兩變量為負(fù)相關(guān)

• 當(dāng)|r|=1時(shí)，表示兩變量為完全相關(guān)，當(dāng)r=0時(shí)，表示兩變量間無相關(guān)關(guān)系

• 當(dāng)0<|r|<1時(shí)，表示兩變量存在一定程度的相關(guān)。且|r|越接近1，兩變量間線性關(guān)系越密切；|r|越接近于0，表示兩變量的線性相關(guān)越弱

一般可按三級(jí)劃分：|r|<0.4為低度相關(guān)；0.4≤|r|<0.7為顯著性相關(guān)；0.7≤|r|<1為高度線性相關(guān)

這個(gè)符號(hào)：|r|為r的絕對(duì)值， |-5| = 5

API

from scipy.stats import pearsonr
x ： (N,) array_like
y ： (N,) array_like Returns: (Pearson’s correlation coefficient, p-value)

主成分分析

目標(biāo)

• 應(yīng)用PCA實(shí)現(xiàn)特征的降維

• 應(yīng)用：用戶與物品類別之間主成分分析

什么是主成分分析(PCA)

定義：高維數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù)的過程，在此過程中可能會(huì)舍棄原有數(shù)據(jù)、創(chuàng)造新的變量

作用：是數(shù)據(jù)維數(shù)壓縮，盡可能降低原數(shù)據(jù)的維數(shù)（復(fù)雜度），損失少量信息。

應(yīng)用：回歸分析或者聚類分析當(dāng)中

API

• sklearn.decomposition.PCA(n_components=None)
• 小數(shù)：表示保留百分之多少的信息
• 整數(shù)：減少到多少特征
• 將數(shù)據(jù)分解為較低維數(shù)空間
• n_components:
• PCA.fit_transform(X) X:numpy array格式的數(shù)據(jù)[n_samples,n_features]
• 返回值：轉(zhuǎn)換后指定維度的array

數(shù)據(jù)計(jì)算

[[2,8,4,5],
[6,3,0,8],
[5,4,9,1]]

def pca():
    """
    主成分分析進(jìn)行降維
    :return:
    """
    # 信息保留70%
    pca = PCA(n_components=0.7)
    data = pca.fit_transform([[2, 8, 4, 5], [6, 3, 0, 8], [5, 4, 9, 1]])
    print(data)

    return None

案例：探究用戶對(duì)物品類別的喜好細(xì)分降維

數(shù)據(jù)

• order_products__prior.csv：訂單與商品信息

• 字段：order_id, product_id, add_to_cart_order, reordered

• products.csv：商品信息

• 字段：product_id, product_name, aisle_id, department_id

• orders.csv：用戶的訂單信息

• 字段：order_id,user_id,eval_set,order_number,….

• aisles.csv：商品所屬具體物品類別

• 字段：aisle_id, aisle

分析

• 合并表，使得user_id與aisle在一張表當(dāng)中

• 進(jìn)行交叉表變換

• 進(jìn)行降維

def pca_case_study():
    """
    主成分分析案例
    :return: 
    """
    # 去讀四張表的數(shù)據(jù)
    prior = pd.read_csv("./instacart/order_products__prior.csv")
    products = pd.read_csv("./instacart/products.csv")
    orders = pd.read_csv("./instacart/orders.csv")
    aisles = pd.read_csv("./instacart/aisles.csv")

    print(prior)

    # 合并四張表
    mt = pd.merge(prior, products, on=['product_id', 'product_id'])
    mt1 = pd.merge(mt, orders, on=['order_id', 'order_id'])
    mt2 = pd.merge(mt1, aisles, on=['aisle_id', 'aisle_id'])
    
    # pd.crosstab 統(tǒng)計(jì)用戶與物品之間的次數(shù)關(guān)系（統(tǒng)計(jì)次數(shù)）
    cross = pd.crosstab(mt2['user_id'], mt2['aisle'])

    # PCA進(jìn)行主成分分析
    pc = PCA(n_components=0.95)
    data_new = pc.fit_transform(cross)
    print("data_new:\n", data_new.shape)

    return None