# 使用 Scikit-learn 构建回归模型：准备和可视化数据

![数据可视化信息图](../images/data-visualization.png)
> 作者 [Dasani Madipalli](https://twitter.com/dasani_decoded)

## [课前测](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/11/)

## 介绍

既然你已经设置了开始使用 Scikit-learn 处理机器学习模型构建所需的工具，你就可以开始对数据提出问题了。当你处理数据并应用ML解决方案时，了解如何提出正确的问题以正确释放数据集的潜力非常重要。

在本课中，你将学习：

- 如何为模型构建准备数据。
- 如何使用 Matplotlib 进行数据可视化。

## 对你的数据提出正确的问题

你提出的问题将决定你将使用哪种类型的 ML 算法。你得到的答案的质量将在很大程度上取决于你的数据的性质。

查看为本课程提供的[数据](../data/US-pumpkins.csv)。你可以在 VS Code 中打开这个 .csv 文件。快速浏览一下就会发现有空格，还有字符串和数字数据的混合。还有一个奇怪的列叫做“Package”，其中的数据是“sacks”、“bins”和其他值的混合。事实上，数据有点乱。

事实上，得到一个完全准备好用于创建 ML 模型的开箱即用数据集并不是很常见。在本课中，你将学习如何使用标准 Python 库准备原始数据集。你还将学习各种技术来可视化数据。

## 案例研究：“南瓜市场”

你将在 `data` 文件夹中找到一个名为 [US-pumpkins.csv](../data/US-pumpkins.csv) 的 .csv 文件，其中包含有关南瓜市场的 1757 行数据，已按城市排序分组。这是从美国农业部分发的[特种作物终端市场标准报告](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice)中提取的原始数据。

### 准备数据

这些数据属于公共领域。它可以从美国农业部网站下载，每个城市有许多不同的文件。为了避免太多单独的文件，我们将所有城市数据合并到一个电子表格中，因此我们已经准备了一些数据。接下来，让我们仔细看看数据。

### 南瓜数据 - 早期结论

你对这些数据有什么看法？你已经看到了无法理解的字符串、数字、空格和奇怪值的混合体。

你可以使用回归技术对这些数据提出什么问题？“预测给定月份内待售南瓜的价格”怎么样？再次查看数据，你需要进行一些更改才能创建任务所需的数据结构。

## 练习 - 分析南瓜数据

让我们使用 [Pandas](https://pandas.pydata.org/)，（“Python 数据分析” Python Data Analysis 的意思）一个非常有用的工具，用于分析和准备南瓜数据。

### 首先，检查遗漏的日期

你首先需要采取以下步骤来检查缺少的日期：

1. 将日期转换为月份格式（这些是美国日期，因此格式为 `MM/DD/YYYY`）。

2. 将月份提取到新列。

在 Visual Studio Code 中打开 notebook.ipynb 文件，并将电子表格导入到新的 Pandas dataframe 中。

1. 使用 `head()` 函数查看前五行。

    ```python
    import pandas as pd
    pumpkins = pd.read_csv('../../data/US-pumpkins.csv')
    pumpkins.head()
    ```

    ✅ 使用什么函数来查看最后五行？

2. 检查当前 dataframe 中是否缺少数据：

    ```python
    pumpkins.isnull().sum()
    ```

    有数据丢失，但可能对手头的任务来说无关紧要。

3. 为了让你的 dataframe 更容易使用，使用 `drop()` 删除它的几个列，只保留你需要的列：

    ```python
    new_columns = ['Package', 'Month', 'Low Price', 'High Price', 'Date']
    pumpkins = pumpkins.drop([c for c in pumpkins.columns if c not in new_columns], axis=1)
    ```

### 然后，确定南瓜的平均价格

考虑如何确定给定月份南瓜的平均价格。你会为此任务选择哪些列？提示：你需要 3 列。

解决方案：取 `Low Price` 和 `High Price` 列的平均值来填充新的 Price 列，将 Date 列转换成只显示月份。幸运的是，根据上面的检查，没有丢失日期或价格的数据。

1. 要计算平均值，请添加以下代码：

    ```python
    price = (pumpkins['Low Price'] + pumpkins['High Price']) / 2
    
    month = pd.DatetimeIndex(pumpkins['Date']).month
    
    ```

   ✅ 请随意使用 `print(month)` 打印你想检查的任何数据。

2. 现在，将转换后的数据复制到新的 Pandas dataframe 中：

    ```python
    new_pumpkins = pd.DataFrame({'Month': month, 'Package': pumpkins['Package'], 'Low Price': pumpkins['Low Price'],'High Price': pumpkins['High Price'], 'Price': price})
    ```

    打印出的 dataframe 将向你展示一个干净整洁的数据集，你可以在此数据集上构建新的回归模型。

### 但是等等！这里有点奇怪

如果你看看 `Package`(包装)一栏，南瓜有很多不同的配置。有的以 1 1/9 蒲式耳的尺寸出售，有的以 1/2 蒲式耳的尺寸出售，有的以每只南瓜出售，有的以每磅出售，有的以不同宽度的大盒子出售。

> 南瓜似乎很难统一称重方式

深入研究原始数据，有趣的是，任何 `Unit of Sale` 等于“EACH”或“PER BIN”的东西也具有每英寸、每箱或“每个”的 `Package` 类型。南瓜似乎很难采用统一称重方式，因此让我们通过仅选择 `Package` 列中带有字符串“蒲式耳”的南瓜来过滤它们。

1. 在初始 .csv 导入下添加过滤器：

    ```python
    pumpkins = pumpkins[pumpkins['Package'].str.contains('bushel', case=True, regex=True)]
    ```

    如果你现在打印数据，你可以看到你只获得了 415 行左右包含按蒲式耳计算的南瓜的数据。

### 可是等等！ 还有一件事要做

你是否注意到每行的蒲式耳数量不同？你需要对定价进行标准化，以便显示每蒲式耳的定价，因此请进行一些数学计算以对其进行标准化。

1. 在创建 new_pumpkins dataframe 的代码块之后添加这些行：

    ```python
    new_pumpkins.loc[new_pumpkins['Package'].str.contains('1 1/9'), 'Price'] = price/(1 + 1/9)
    
    new_pumpkins.loc[new_pumpkins['Package'].str.contains('1/2'), 'Price'] = price/(1/2)
    ```

✅ 根据 [The Spruce Eats](https://www.thespruceeats.com/how-much-is-a-bushel-1389308)，蒲式耳的重量取决于产品的类型，因为它是一种体积测量。“例如，一蒲式耳西红柿应该重56 磅……叶子和蔬菜占据更多空间，重量更轻，所以一蒲式耳菠菜只有20磅。” 这一切都相当复杂！让我们不要费心进行蒲式耳到磅的转换，而是按蒲式耳定价。然而，所有这些对蒲式耳南瓜的研究表明，了解数据的性质是多么重要！

现在，你可以根据蒲式耳测量来分析每单位的定价。如果你再打印一次数据，你可以看到它是如何标准化的。

✅ 你有没有注意到半蒲式耳卖的南瓜很贵？你能弄清楚为什么吗？提示：小南瓜比大南瓜贵得多，这可能是因为考虑到一个大的空心馅饼南瓜占用的未使用空间，每蒲式耳的南瓜要多得多。

## 可视化策略

数据科学家的部分职责是展示他们使用的数据的质量和性质。为此，他们通常会创建有趣的可视化或绘图、图形和图表，以显示数据的不同方面。通过这种方式，他们能够直观地展示难以发现的关系和差距。

可视化还可以帮助确定最适合数据的机器学习技术。例如，似乎沿着一条线的散点图表明该数据是线性回归练习的良好候选者。

一个在 Jupyter notebooks 中运行良好的数据可视化库是 [Matplotlib](https://matplotlib.org/)（你在上一课中也看到过）。

> 在[这些教程](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-77952-leestott)中获得更多数据可视化经验。

## 练习 - 使用 Matplotlib 进行实验

尝试创建一些基本图形来显示你刚刚创建的新 dataframe。基本线图会显示什么？

1. 在文件顶部导入 Matplotlib：

    ```python
    import matplotlib.pyplot as plt
    ```

2. 重新刷新以运行整个 notebook。

3. 在 notebook 底部，添加一个单元格以绘制数据：

    ```python
    price = new_pumpkins.Price
    month = new_pumpkins.Month
    plt.scatter(price, month)
    plt.show()
    ```

    ![显示价格与月份关系的散点图](../images/scatterplot.png)

    这是一个有用的图吗？有什么让你吃惊的吗？

    它并不是特别有用，因为它所做的只是在你的数据中显示为给定月份的点数分布。

### 让它有用

为了让图表显示有用的数据，你通常需要以某种方式对数据进行分组。让我们尝试创建一个图，其中 y 轴显示月份，数据显示数据的分布。

1. 添加单元格以创建分组柱状图：

    ```python
    new_pumpkins.groupby(['Month'])['Price'].mean().plot(kind='bar')
    plt.ylabel("Pumpkin Price")
    ```

    ![显示价格与月份关系的柱状图](../images/barchart.png)

    这是一个更有用的数据可视化！似乎表明南瓜的最高价格出现在 9 月和 10 月。这符合你的期望吗？为什么？为什么不？

---

## 🚀挑战

探索 Matplotlib 提供的不同类型的可视化。哪种类型最适合回归问题？

## [课后测](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/12/)

## 复习与自学

请看一下可视化数据的多种方法。列出各种可用的库，并注意哪些库最适合给定类型的任务，例如 2D 可视化与 3D 可视化。你发现了什么？

## 任务

[探索可视化](./assignment.zh-cn.md)