案件回顾

杂货店屡遭贼

1，杂货店遭小偷情况严重

2，现有8个月内，每天的失窃纪录

3，偷窃者有老顾客家属和学生，店主希望能防患于未然（问题：失窃是否有规律？怎样运用规律堤防盗贼？）

时间序列分析

将数据存储为csv格式，导入python，查看前10行数据。

import pandas as pd

xiaotailang = pd.read_csv('xiaotailang.csv')

xiaotailang.head(10)

按照时间顺序，画出失窃数额的线形图。

xiaotailang.date = pd.to_datetime(xiaotailang.date)

import matplotlib.pyplot as plt

import pylab

plt.rcParams['font.sans-serif'] = ['SimHei']

xiaotailang.index = xiaotailang.iloc[:,2]

xiaotailang.iloc[:,0].plot()

plt.ylabel("数额")

plt.title("失窃数据")

pylab.show()

从图显示，可以看出一月和四月，即寒假和春假期间出现了失窃数额大幅减少的情况。但是数据太多无法看清，因此将14年10月份的单独拿出来做线形图。

xiaotailang.iloc[0:30,0].plot()

plt.ylabel("数额")

plt.title("10月份失窃数据")

pylab.show()

从10月份的失窃图可以看出，失窃数额呈现似有似无的周期性波动：1号，15号，29号失窃数额激增，相隔皆为14天，且都是周三，但是10号和23号也出现失窃小高峰。结合周围情况发现，周围有一所学校学生每2周的周三下午不上课，还有一所学校在出现失窃小高峰的日子为学校活动日，下午也不上课，且学校的学生家比较远，寒假春假的时候很难出现在杂货店，因此，初步怀疑两所学校的学生与杂货店失窃有关。

逻辑回归分析

再从其他方面进行分析。现在把数据按照损失多和损失少分开，通过计算，失窃数额均值为1000左右，标准差为450左右，根据正态分布性质，平均值左右一个标准差的范围内应包含约68%的数据，因此这里选取1500（1000+450后上取整）当作区分损失多少的标准。下面用周几与活动日的数据进行逻辑回归分析，查看周三和活动日与损失多少是否有关。

逻辑回归只能对数值型变量进行处理，在我们的这个问题中，“活动日”和“周几”均为类型变量，所以要先对数据进行转化。pandas库中的get_dummies函数，可以将列虚拟化。

import pandas as pd

xiaotailang.iloc[:,3] = xiaotailang.iloc[:,3].replace(['no', 'yes'], [1, 0])

day = pd.get_dummies(xiaotailang['周几']) #列虚拟化,将类型变量转为数值变量

xiaotailang = xiaotailang.iloc[:,0:4].join(day)#数据整合

xiaotailang.iloc[:,4:] = xiaotailang.iloc[:,4:].replace([0, 1], [1, 0])

xiaotailang.head()

将虚拟化的数据与原数据中要用的列进行整合，得到如下结果：

数额损失date活动日周一周三周二周五周六周四周日

023621111011111

113150211111101

28090311110111

38160411111011

44000511111110

接下来使用statesmodels库中的Logit函数执行逻辑回归，其中“损失”为要预测的变量，“活动日”及周一到周六的数据作为解释变量，为了避免多重共线性，这里不使用“周日”列。

import statsmodels.api as sm

#xiaotailang['intercept'] = 1.0

logit = sm.Logit(xiaotailang.iloc[:,1], xiaotailang.iloc[:,3:10])

# 拟合模型

result = logit.fit()

result.summary()

得到的结果如下：

Optimization terminated successfully.

Current function value: 0.313466

Iterations 8

coefstd errzP>|z|[0.0250.975]

活动日-2.10620.698-3.0170.003-3.475-0.738

周一1.43160.9941.4400.150-0.5163.379

周三-2.23140.430-5.1890.000-3.074-1.389

周二0.48720.6890.7070.480-0.8641.838

周五-0.28700.558-0.5150.607-1.3800.806

周六0.51950.7130.7290.466-0.8781.916

周四-0.28700.558-0.5150.607-1.3800.806

从结果显示，周三和活动日的P值<0.005，否定原假设，即认为与要预测的变量“损失”有关。从对已有数据进行分析的结果显示，两所学校的学生与杂货店失窃有关，但这个判断结果只是根据手头数据得到的，可能存在某盗窃团伙专门在隔周的周三作案但是我们不知道，也就是说解释变量一开始就选错了，因此解释变量的选择对结果有很大影响。