python机器学习-sklearn挖掘乳腺癌细胞( 博主亲自录制)
网易云观看地址
原文网址
https://www.jianshu.com/p/ee285911d9c3
reportgen v0.1.8 更新
这段时间，我对 reportgen 进行了大工程量的修改和更新。将之前在各个文章中出现的函数进行了封装，同时也对现有工具包的一些逻辑进行了调整。
1、reportgen 简介
reportgen 的底层是 pptx 文件生成接口，它能非常方便的将DataFrame等数据导出为pptx上的图表。你可以自定义图表的类型（条形图、饼图、折线图等），也可以全部交给工具包来自动化。另外不排除后期会增加其他文件形式（如可交互的 html 等）接口的可能性，但短期内估计比较难。
在这些接口上是一些辅助函数，包括特征类型的判断、sklearn中缺少的预处理函数、一些特殊的度量函数、模型评估报告函数、关联分析函数等。工具包的愿景是对数据的自动分析，自动出报告，这期间缺乏的函数我都可能加进去。这次更新，主要就是完善了这一层。
工具包的最外层就是各类数据的分析报告生成。目前已经完成的是问卷型数据和通用性数据。其中问卷型数据已经很完善，基本只需要修bug了,单独作为一个子包放在 reportgen中，大家可以 import reportgen.questionnaire as ques 来使用。至于通用性数据，目前已经完成了第一步，即描述统计型的分析报告，大家可以用rpt.AnalysisReport 来实现。第二步准备实现给定目标变量后的分析，包含交叉分析、各特征的重要性、监督学习模型等。
另外，这次我放了一些案例在github上，用于大家下载后的测试和学习用，网址是 https://github.com/gasongjian/reportgen/tree/master/example
2、通用数据的分析
在这个分析报告中，我会对DataFrame数据的每一个字段进行分析，判断它们的类型，然后画出合适的图表。对于因子变量，自动绘制柱状图或条形图；对于数值型变量，自动绘制出拟合的分布图；对于一般的文本，自动绘制词云。同时也会给出一个统计表格，内含各个变量的场景统计数据，如最大值、最小值、均值、标准差、唯一数个数、缺失率等。下面是一个例子，代码和数据可在我的github中寻找。
import pandas as pd
import reportgen as rpt
# 数据导入
# 数据的网址：https://github.com/gasongjian/reportgen/tree/master/example/datasets/LendingClub_Sample.xlsx
data=pd.read_excel('.\\datasets\\LendingClub_Sample.xlsx')
# 数据预览
rpt.AnalysisReport(data,filename='LendingClub 数据预览');
它会生成如下 pptx 文件
另外这里有一些过程函数也推荐给大家
特征统计分析
# 返回各个特征的数据类型
var_type=rpt.type_of_var(data)
#返回一个统计表格，内含数据各个特征的一些统计值
summary=rpt.describe(data)
数据预处理
# 只作工具包测试，所以不区分训练集和测试集
y=data['target']
X=data.drop(['target'],axis=1)
categorical_var=list(set(X.columns[X.apply(pd.Series.nunique)<30])|set(X.select_dtypes(include=['O']).columns))
continuous_var=list(set(X.columns)-set(categorical_var))
# ===========【WOE 编码】=============
woe=rpt.preprocessing.WeightOfEvidence(categorical_features=categorical_var,encoder_na=False)
X=woe.fit_transform(X,y)
# ===========【离散：卡方分箱】=============
dis=rpt.preprocessing.Discretization(continous_features=continuous_var)
X2=dis.fit_transform(X,y)
信息论相关度量函数
# 离散因子变量的熵
rpt.metrics.entropy.entropy(p)
# 连续数值变量的熵（基于k近邻算法的近似估计）
rpt.metrics.entropyc.kl_div(p,q)
机器学习模型辅助建模函数
clfs={'LogisticRegression':LogisticRegressionCV(),\
'RandomForest':RandomForestClassifier(),'GradientBoosting':GradientBoostingClassifier()}
y_preds,y_probas={},{}
for clf in clfs:
clfs[clf].fit(X, y)
y_preds[clf] =clfs[clf].predict(X)
y_probas[clf] = clfs[clf].predict_proba(X)[:,1]
# 函数会输出一个或多个二分类模型的性能评估结果，包含ROC曲线、PR曲线、密度函数、auc等统计指标、混淆矩阵等
models_report,conf_matrix=rpt.ClassifierReport(y,y_preds,y_probas)
print(models_report)
3、问卷型数据分析
问卷数据涉及到各种题型，包括单选题、多选题、填空题、矩阵多选题、排序题等等。不管是
频数统计还是交叉分析，单选题都很好处理, 但其他题目就相对复杂的多，比如单选题和多选题
之间的交叉统计，多选题和多选题之间的交叉统计等。
为了能使用统一的函数进行常规分析，本工具包使用专门针对问卷设计的数据类型（或者说编码方式）。在这种类型中，每一份问卷都有两个文件，data 和 code ,它们的含义如下：
1). data：按选项序号编码的数据(csv、xlsx等都可以)。具体的示例如下：
| Q1 | Q2 | Q3_A1 | Q3_A2 | Q3_A3 | Q3_A4 |
|---|---|---|---|---|---|
| 1 | 1 | 1 | 0 | 1 | 0 |
| 1 | 2 | 0 | 0 | 1 | 0 |
| 1 | 1 | 1 | 0 | 0 | 1 |
| 2 | 3 | 0 | 1 | 1 | 0 |
| 1 | 2 | 1 | 0 | 1 | 0 |
| 1 | 4 | 0 | 1 | 0 | 1 |
| 2 | 2 | 1 | 0 | 1 | 0 |
| 1 | 1 | 0 | 1 | 0 | 1 |
| 2 | 2 | 1 | 0 | 1 | 0 |
其中 Q1、Q2是单选题，在Q1中，1代表男，2代表女。Q3是多选题，一共有四个选项，分别代表 Q3_A1:'旅游',Q3_A2:'健身',Q3_A3:'艺术',Q3_A4:'养生'. 多选题常用这种01矩阵存储。
2). code：编码文件（ json格式，就是 python中的字典类型）, 给定每道题的题号、选项编码等信息。
每一个题目都有如下字段：
-
content: 题目内容 -
code: 题目对应的编码 -
code_r: 题目对应的编码(矩阵单选题专有) -
qtype: 题目类型，单选题、多选题、矩阵单选题、排序题、填空题等 -
qlist: 该题的索引，如多选题的 ['Q1_A1','Q1_A2',..] -
code_order: 非必须，题目类别的顺序，用于PPT报告的生成[一般后期添加] -
name: 非必须，特殊题型的标注 -
weight: 非必须，dict,每个选项的权重，用于如月收入等的平均数统计
具体示例如下：
code={'Q1':{
'content':'性别',
'code':{
1:'男',
2:'女'
}
'qtype':'单选题',
'qlist':['Q1']
},
'Q2':{
'content':'年龄',
'code':{
1:'17岁以下',
2:'18-25岁',
3:'26-35岁',
4:'36-46岁'
},
'qtype':'单选题',
'qlist':['Q2']
},
'Q3':{
'content':'爱好',
'code':{
'Q3_A1':'旅游',
'Q3_A2':'健身',
'Q3_A3':'艺术',
'Q3_A4':'养生'
},
'qtype':'多选题',
'qlist':['Q3_A1','Q3_A2','Q3_A3','Q3_A4']
}
}
该工具包包含如下函数：
文件 IO
-
read_code, 从本地读取code数据，支持excel文件和json文件 -
save_code, 将code 保存为 xlsx 或json数据 -
load_data, 支持打开文件窗口来选择问卷数据 -
read_data, 读取本地的数据,自适应xlsx、csv等 -
save_data, 将问卷数据（data和code）保存到本地 -
wenjuanwang, 编码问卷网平台的问卷数据，输入为问卷网上下载的三个文件 -
wenjuanxing, 编码问卷星平台的问卷数据，输入为问卷星网站上下载的两个xls文件（按选项序号和按选项文本）
数据处理
-
spec_rcode: 对问卷中的一些特殊题型进行处理，如将城市题分类成省份、城市、城市级别等 -
dataText_to_code: -
dataCode_to_text: -
var_combine: 见data_merge -
data_merge: 合并两份问卷数据，常见于多个推动渠道的问卷合并 -
clean_ftime: 根据用户填写时间来筛选问卷，会根据填问卷累计时间曲线的拐点来给出剔除的时间点 -
data_auto_code: -
qdata_flatten: 将问卷数据展平，便于将多份问卷数据存储在同一个数据库中
统计检验等
-
sample_size_cal: 样本量计算公式 -
confidence_interval: 置信区间计算公式 -
gof_test: 拟合优度检验 -
chi2_test: 卡方检验 -
fisher_exact: 卡方检验，适用于观察频数过少的情形 -
anova: 方差分析
数据分析
-
mca: 对应分析，目前只支持两个变量 -
cluster: 态度题的聚类分析，会根据轮廓系数自动选择最佳类别数 -
association_rules: 关联分析，用于多选题的进一步分析
统计
-
contingency: 列联表分析，统一给出列联表的各种数据，包含fo、fop、TGI等 -
qtable: 单个题目的统计分析和两个题目的交叉分析，给出频数表和频率表
可视化
-
summary_chart: 整体统计报告，针对每一道题，选择合适的图表进行展示，并输出为pptx文件 -
cross_chart: 交叉分析报告，如能将年龄与每一道题目进行交叉分析，并输出为pptx文件 -
onekey_gen: 综合上两个，一键生成 -
scorpion: 生成一个表格，内含每个题目的相关统计信息 -
scatter: 散点图绘制，不同于matplotlib的是，其能给每个点加文字标签 -
sankey: 桑基图绘制，不画图，只提供 R 需要的数据
python实践
import reportgen.questionnaire as ques
# 导入问卷星数据
datapath=['.\\datasets\\[问卷星数据]800_800_0.xls','.\\datasets\\[问卷星数据]800_800_2.xls']
data,code=ques.wenjuanxing(datapath)
# 导出
ques.save_data(data,filename='data.xlsx')
ques.save_data(data,filename='data.xlsx',code=code)# 会将选项编码替换成文本
ques.save_code(code,filename='code.xlsx')
# 对单变量进行统计分析
result=ques.qtable(data,code,'Q1')
print(result['fo'])
# 两个变量的交叉分析
result=ques.qtable(data,code,'Q1','Q2')
print(result['fop'])
# 聚类分析，会在原数据上添加一列，类别题
#ques.cluster(data,code,'态度题')
# 在.\\out\\下 生成 pptx文件
ques.summary_chart(data,code,filename='整体统计报告');
ques.cross_chart(data,code,cross_class='Q4',filename='交叉分析报告_年龄');
ques.scorpion(data,code,filename='详细分析数据')
ques.onekey_gen(data,code,filename='reportgen 自动生成报告');
4、pptx 文件生成接口 Report
在 reportgen 中，一个分析报告被拆解成四个部分：title、summary、footnote和body data，
-
title: slide 的标题 -
summary: slide的副标题或一些简要结论 -
data: slide的可视化数据 -
footnote: slide的脚注，如数据来源、样本量等说明
它们的位置见下图。其中body data 可以是一个或多个chart/表格/文本框/图片的组合。抛弃latex和pptx自带那种精细的排版，Report 只需你提供这四个部分的数据，剩下的排版你就不用管啦，函数会帮你来完成。
Report 是一个类，可以打开 pptx文件从中获取信息并新建 slide.
首先是初始化，
import reportgen as rpt
# 导入分析报告
prs=rpt.Report()
#prs = rpt.Report(filename='分析报告.pptx')
函数默认会打开reportgen自带的模板文件（路径是 ~\reportgen\template\template.pptx）， 大家也可以自己指定其他文件。
对于存在内容的 pptx，Report能轻松实现获取所有的文本和图片
#获取分析报告中所有的文本
prs.get_texts()
#获取分析报告中所有的图片
prs.get_images()
同时你也能很简单的创建一页新的 slide
data=pd.DataFrame(np.random.randint(100,1000,size=(3,4)),index=['品牌A','品牌B','品牌C'],columns=['Q1','Q2','Q3','Q4'])
slide_data={'data':data,'slide_type':'chart','type':'COLUMN_CLUSTERED'}
prs.add_slide(data=slide_data,title='品牌销量',summary='品牌销量',footnote='')
在上面的脚本中，我们添加了一张各品牌的销量分布图，图表类型是柱状图。
slide_type 目前支持的类型有四种：
- chart: office 软件自带的图表，详细的类型由 type 指定
- table: 表格，表格数据由 data 给定
- picture: 图片，图片的路径由 data 给定
- textbox: 文本框，文字内容由 data 给定
当slide_type是非 table 类型时，函数参数也可以直接给定 data ，如
prs.add_slide(data=data,title='品牌销量',summary='品牌销量')
另外，如前文所介绍，一张slide可以添加多个图表：
slide_data1={'data':data,'slide_type':'chart','type':'COLUMN_CLUSTERED'}
slide_data2={'data':data,'slide_type':'table'}
slide_data3={'data':'测试\n测试','slide_type':'textbox'}
prs.add_slide(data=[slide_data1,slide_data2,slide_data3],title='品牌销量',summary='品牌销量')
当所有slide都建好了后，用 prs.save(filename='text.pptx') 保存就可以
另外Report还提供了两个有用的函数：
-
prs.add_cover(): 利用三角剖分算法提供了一种很极客的封面版式，详细可参见上面第二节的图片 -
prs.add_slides(): 根据一组数据，给分析报告快速添加一系列的slides.
最后说下reportgen的安装方法，很简单，工具包已经上传到pypi上了，直接 pip install reportgen 即可，当然也可以到作者的github官网上下载使用 https://github.com/gasongjian/reportgen
