X-Data数据工程基础实践（二）

前言

  首先测试下环境是否安装成功：

import xgboost as xgb
import lightgbm as lgb

print("Hello world")

  没想到第一步就出了问题，一开始安装的numpy 1.13.1在运行时找不到DLL，升级到1.14.1就好了。

正文

  今天来完成任务一的前三个实验，都是基于**课后作业（二）**的，位于实验指导书的P55页。

实验一

实验题目及内容:

  用Python实现F1-score，并自己构建一个简易数据集进行测试

实验过程步骤:
  F1-score的概念在P25页。

真实情况	预测：正例	预测：反例
正例	TP(真正例)	FN(假反例)
反例	FP(假正例)	TN(真反例)

  查准率P(Precision)：
$$P=\frac{TP}{TP+FP}$$

  查全率R(Recall)：
$$R=\frac{TP}{TP+FN}$$

  F1-score定义：
$$F1=\frac{2PR}{P+R}=\frac{2TP}{TP+FN+FP}$$

  数据集我准备使用随机函数生成类似实验报告癌症预测的数据。

import numpy as np
import pandas as pd

DATASIZE=20

d={"1_白细胞量":pd.Series(np.random.rand(DATASIZE)*10,index=list(range(1,DATASIZE+1))),
   "2_红细胞量":pd.Series(np.random.rand(DATASIZE)*10,index=list(range(1,DATASIZE+1))),
   "3_血小板量":pd.Series(np.random.rand(DATASIZE)*10,index=list(range(1,DATASIZE+1))),
   "4_是否患癌":pd.Series(np.random.randint(0,2,size=DATASIZE),index=list(range(1,DATASIZE+1))),
   "5_预测标签":pd.Series(np.random.randint(0,2,size=DATASIZE),index=list(range(1,DATASIZE+1)))
   }

df=pd.DataFrame(d)

print(df)

# 混淆矩阵:TP([1][1])、FN([1][0])、FP([0][1])、TN([0][0])
CM=[[0,0],[0,0]]

for i in range(0,DATASIZE):
   CM[df.iloc[i,3]][df.iloc[i,4]]+=1

print("\nTP:%d \t FN:%d \nFP:%d \t TN:%d\n"%(CM[1][1],CM[1][0],CM[0][1],CM[0][0]))

# 查准率
P=(CM[1][1])/(CM[1][1]+CM[0][1])

# 查全率
R=(CM[1][1])/(CM[1][1]+CM[1][0])

print("查准率:%.3f \t 查全率:%.3f \n"%(P,R))

# F1-score
F1=(2*P*R)/(P+R)

print("F1-score:%.3f"%(F1))

输出：

      1_白细胞量    2_红细胞量    3_血小板量  4_是否患癌  5_预测标签
1   7.649695  9.285674  9.834568       0       0
2   6.678823  4.570600  8.031230       1       0
3   8.106651  0.641709  8.839308       1       1
4   2.662931  4.981598  8.283962       1       1
5   3.826887  2.935298  3.343045       1       1
6   1.697953  3.633140  4.559995       1       1
7   9.824869  5.350851  4.582822       0       0
8   9.177900  9.932356  8.004274       1       1
9   9.195569  3.364753  4.098847       1       0
10  9.733827  8.082343  8.249549       1       1
11  9.751459  7.786028  0.001038       1       1
12  1.701704  5.761951  6.612469       1       0
13  1.206795  3.815986  7.174067       0       1
14  0.253945  2.245216  5.939660       0       1
15  9.703584  0.880870  5.699083       0       1
16  0.911601  5.552524  1.718022       1       0
17  1.784459  0.933187  1.385436       1       0
18  2.670773  8.680685  9.337132       1       0
19  4.451888  6.281710  8.538366       1       1
20  7.270346  7.042375  6.282610       1       0

TP:8 	 FN:7 
FP:3 	 TN:2

查准率:0.727 	 查全率:0.533 

F1-score:0.615

2020.2.4更新

0117第一次评测：
掌握了F1-score的定义,并使用代码实现；数据集规模太小。

  按照1月17号提交结果的评测来看需要加大数据集。

实验二

实验题目及内容:

  用python中的for循环和列表推导式，分别实现计算：1+2+3+…+1000

实验过程步骤:
  这个实验比较简单，几行代码就搞定了。

# for 循环

s = 0

for i in range(1,1001):
    s += i

print("for 循环:",s)

# 列表推导式

print("列表推导式:",sum([ x for x in range(1,1001)]))

运行结果：

for 循环: 500500
列表推导式: 500500

  不过要注意的是，如果第一个变量s取名为sum，那么下面再调用sum函数的时候就会产生歧义而导致报错。

实验三

实验题目及内容:

  随机生成一个五列十行的dataframe的数据类型，行列索引自定义，绘制出对应的柱状图、散点图，以及在查询官网学习绘制一个课程未讲解（即除柱状图、饼图、散点图、箱线图以外的图形）的数据分析的图形

实验过程步骤:
  正好继续使用第一个实验的数据集，然后随便取两个字段来绘制图形。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

DATASIZE=10

d={"A":pd.Series(np.random.randint(0,100,size=DATASIZE),index=list(range(1,DATASIZE+1))),
   "B":pd.Series(np.random.randint(0,100,size=DATASIZE),index=list(range(1,DATASIZE+1))),
   "C":pd.Series(np.random.randint(0,100,size=DATASIZE),index=list(range(1,DATASIZE+1))),
   "D":pd.Series(np.random.randint(0,100,size=DATASIZE),index=list(range(1,DATASIZE+1))),
   "E":pd.Series(np.random.randint(0,100,size=DATASIZE),index=list(range(1,DATASIZE+1)))
   }

df=pd.DataFrame(d)

print(df)

# 柱状图
df.plot(kind='bar')
plt.show()

# 散点图
df.plot(kind='scatter',x='A',y='B')
plt.show()

# 面积图
df.plot(kind='area')
plt.show()

输出数据：

     A   B   C   D   E
1   34  46  21   5  57
2   47   1  70  11  42
3   28  84  29  19  33
4   20  47  92  40  25
5   80   6  57  25  49
6   68  70  18  60  21
7   64   3  55  26  43
8   64  67  86  77  11
9   67  50  26  53  23
10  82  53  58  93  23

绘制图形：