本文源自MOOC南京大学《用Python玩转数据》张莉老师讲解，如有侵权会及时删除。
在老师的讲解上加入了更多的注释，希望方便大家理解。
首先附上数据集
数据集：http://archive.ics.uci.edu/ml/datasets/Wine+Quality
下面开始放代码
- 首先调用库
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
import warnings
warnings.filterwarnings('ignore')
- 导入数据
try:
wine = pd.read_csv('C:/Users/Desktop/winequality-red.csv',sep = ';')
except:
print('cannot find the file')#导入数据完毕
这里说明一点，如果数据集放在.spyder-py3文件夹下就可以直接调用，否则的话，需要写路径。如上，我就是写出了文件存放路径，可以通过右键文件查找路径。
下面看数据的基本情况，由于本数据集没有缺失值所以没有处理，但是查看了数据集的重复值并进行了删除。
print(wine.info())#看数据的基本情况，一共有1599条非空数据，有12个属性
print(wine.duplicated())#检查是否有重复记录，有的话是True，没有是False
print(wine.duplicated().sum())#sum显示有多少条重复记录
wine = wine.drop_duplicates()#删除重复记录
print(wine)
数据基本情况，一共有1599条非空数据，有12个属性
image.png
检查是否有重复记录，有的话是True，没有是False
image.png
- 看数据的基本属性值
print(wine.describe())#看数据的基本属性
print(wine.quality.value_counts())#qulity属性具体每一类有多少个值,可以看出符合正态分布
image.png
5.做饼状图
wine.quality.value_counts().plot(kind = 'pie', autopct = '%.2f')#绘制饼图
plt.show()
- 看quality与其他属性的相关性
print(wine.corr().quality)#检查quality与其他属性的皮尔逊相关指数
plt.subplot(121)#将区域划分为一行两列，选择左边区域
sns.barplot(x = 'quality', y = 'volatile acidity', data = wine)#每一个quality对应的volatile acidity的均值分布
plt.subplot(122)#将区域划分为一行两列，选择右边区域
sns.barplot(x = 'quality', y = 'alcohol', data = wine)#比如棕色的，quality值为8，对应的alcohol的均值。alcohol越高，quality越高
plt.show()
可以看出volatile acidity和alcohol的指数接近0.5，是相对较高的
image.png
进行可视化,可以看出alcogol越高，quality越高；volarile acidity越低，quality越高。
image.png
from sklearn.preprocessing import LabelEncoder
bins = (2,4,6,8)#bins构成左开右闭区间（2，4】，（4，6】，（6，8】，将quality分为三类
group_names = ('low','medium','high')#对三组建立组名
wine['quality_lb'] = pd.cut(wine['quality'],bins = bins, labels = group_names)#使用cut划分数据
print(wine)
lb_quality = LabelEncoder()
wine['label'] = lb_quality.fit_transform(wine['quality_lb'])
print(wine)#将quality等级分为0，1，2；增加了一个新列
df = wine
print(df.head(20))#通过展示前20行，我们可以看到1表示low，2表示medium，0表示high
print(wine.label.value_counts())#统计新类别的分类
wine_copy = wine.copy()
wine.drop(['quality','quality_lb'], axis = 1, inplace = True)#处理成11个特征属性和label列
x = wine.iloc[:,:11]#逗号左边表示行数，此处显示全部行数；逗号右边表示列数，此处表示11列，也可以写成：-1 11个都为特征属性，存入x
y = wine.label#label为目标属性，存入y
print(x,y)
from sklearn.model_selection import train_test_split#要将数据集划分为测试集和训练集
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size = 0.2)#随机选取比例，80%作为训练集，20%作为测试集
添加了quality_lb 和 label
image.png
展示前20行，注明，第4、11行缺失是由于是重复值，因此删除了
image.png
每个等级的数据数
image.png
from sklearn.preprocessing import scale#对训练集和测试集都进行标准化处理
x_train = scale(x_train)
x_test = scale(x_test)
from sklearn.metrics import confusion_matrix
rfc = RandomForestClassifier(n_estimators = 200)#使用随机森林函数构建一个分类器，利用最大投票数或者均值来预测前，想要建立子树的数量多的数量会有更好的效果，代码会变慢
rfc.fit(x_train, y_train)#使用fit进行训练
y_pred = rfc.predict(x_test)#使用predict进行预测
print(confusion_matrix(y_test,y_pred))#将实际y值与预测结果比较，判断模型预测效果，使用混淆矩阵
image.png
对混淆矩阵做说明
混淆矩阵每一列代表预测值，每一行代表实际的类别。对角线上的个数就是正确判断出类别的数据记录个数，其他位置是类别误判的个数，对角线上的占比越大表示分类效果越好。
15表示类别0判断正确的个数，总的类别0的个数是15+25
25表示本来应该是类别0的个数，误判成了类别2
类别2的精度最高，217个正确，只有6个被误判成了类别0
- 参数，GridSearchCV是暴力搜索，把参数输入进去，就能给出最优化的结果，适合于小数据集
param_rfc = {
"n_estimators":[10,20,30,40,50,60,70,80,90,100,150,200],#选取的参数
"criterion":["gini","entropy"]
}
grid_rfc = GridSearchCV(rfc, param_rfc, iid = False, cv = 5)
grid_rfc.fit(x_train, y_train)
best_param_rfc = grid_rfc.best_params_
print(best_param_rfc)#保存的是已经取得最佳结果的参数组合
- 重新预测
#重新预测
rfc = RandomForestClassifier(n_estimators = best_param_rfc['n_estimators'], criterion = best_param_rfc['criterion'],random_state=0)
rfc.fit(x_train, y_train)
y_pred = rfc.predict(x_test)
print(confusion_matrix(y_test,y_pred))
得到矩阵
image.png
以上是老师讲解的全部代码，本人也是初学者，后面的随机森林模型还有很多需要学习的地方，希望可以跟大家一起交流。
网友评论