首页 > 专利信息

【Python】实训9：家用热水器用户行为分析与事件识别（所谓的神经网络，BP）

【Python】实训9：家⽤热⽔器⽤户⾏为分析与事件识别（所谓的神经⽹

络，BP）

实训1清洗运营商客户数据

1.训练要点

(1)掌握去重的原理与⽅法。

(2)掌握缺失值与异常值的识别与处理。

2.需求说明

某运营商提供了不同⽤户3个⽉的使⽤信息，共900000条数据，共34个特征列、1个标签列，其中存在- -定的重复值、缺失值与异常值。其字段说明如表9-17所⽰。

3.实现步骤

(1)识别与处理数据中的重复值。

(2)识别与处理数据中的缺失值。

(3)识别与处理数据中的异常值。

实训2筛选客户运营商数据

1.训练要点

(1)掌握类别型特征内部类别合并的⽅法。

(2)掌握哑变量处理⽅法。

2.需求说明

在原始的数据中，每个⽤户有3⾏的数据，对应着同⼀个ID的3个⽉信息。原始数据的特征有35个，其中与⽤户⼿机情况相关的数据均为类别型，例如⼿机品牌有633种,⼿机型号有5973种，操作系统描述有47种。

3.实现思路及步骤

(1)将数据处理为⼀个⽤户⼀条记录，保留每位⽤户每⽉的费⽤、通话时长等信息，并求出对应特征3个⽉的⽅差、中位数。

(2)合并⽤户的⼿机品牌与操作系统特征内部数据，删除⼿机型号特征。

(3)对⼿机型号与操作系统特征做哑变量处理。

实训3构建神经⽹络预测模型

1.训练要点

(1)掌握数据集划分⽅法。

(2)掌握数据标准化⽅法。

(3)掌握神经⽹络算法的使⽤。

2.需求说明

使⽤神经⽹络模型，构建客户流失模型，能够分析⽤户的历史数据和当前数据，提取辅助决策的关键性数据，并从中发现隐藏关系和模式，进⽽预测未来可能发⽣的⾏为。

3.实现思路及步骤

(1)标准差标准化数据。

(2)构建神经⽹络模型。

(3)评价神经⽹络模型。

吐槽

抱着做事情有始有终的原则，我写了这篇博客。

当然，寒假的学习效率，且没有对应课程督促下的状态，⼤家应该都是⽐较清楚的

可毕竟在草稿箱⾥待了⼀个⽉了，随便写写，发表得了…

代码

完整代码？不存在的。

⽽且就我查资料的经验⽽⾔，真正意义上的参考代码，⽹上应该还是没有的

学生证制作以下是实训1部分的所谓参考代码

#第九章实训

import pandas as pd

import numpy as np

detail = pd.read_csv('./第九章实验数据/实训数据/USER_INFO_M.csv',

index_col=0,encoding ='gbk')

#(1)识别与处理数据中的重复值。

print('进⾏去重操作前订单详情表的形状为：',detail.shape)

detail.drop_duplicates(inplace =True)

print('进⾏去重操作后订单详情表的形状为：',detail.shape)

#(2)识别与处理数据中的缺失值。

水火箭制作方法

#print('参看数据具体信息：',detail.info())

naRate =(detail.isnull().sum()/detail.shape[0]*100).astype('str')+'%'

瓦斯抽放系统

print('detail每个特征缺失的率为：\n',naRate)

#删除⼿机品牌类有缺失的两个数据

#（在90万数据⾯前删除两个影响不明显，当然这⾥也可以随便给这两个⽤户写个⼿机品牌，处理⽅法不唯⼀）

detail.dropna(axis =0,how ='any',subset=['MANU_NAME'],inplace =True)

#此时可以考虑直接删除其他有缺失的项⽬（这时的特征缺失率⾜够⼤，可以直接删除了）

detail.dropna(axis =1,how ='any',inplace =True)

print('处理完缺失值后订单详情表的形状为：',detail.shape)

#(3)识别与处理数据中的异常值。

##定义异常值识别与处理函数

print("处理前：")

print('INNET_MONTH最⼩值为：', detail['INNET_MONTH'].min())

print('INNET_MONTH最⼤值为：', detail['INNET_MONTH'].max())

def outRange(Ser1):

QL = Ser1.quantile(0.25)

QU = Ser1.quantile(0.75)

IQR = QU-QL

Ser1.loc[Ser1>(QU+1.5*IQR)]= QU

Ser1.loc[Ser1<(QL-1.5*IQR)]= QL

return Ser1

## 处理销售量和售价的异常值

detail['INNET_MONTH']= outRange(detail['INNET_MONTH'])

##查看处理后的销售量和售价的最⼩值，最⼤值发热体

print("处理后：")

print('INNET_MONTH最⼩值为：', detail['INNET_MONTH'].min())

print('INNET_MONTH最⼤值为：', detail['INNET_MONTH'].max())

当时写代码时候，正值期末，做这种细致活颇⽆耐⼼，本想假期有空再来补充，怎想寒假的⾃⼰，毫⽆兴致呀~诺，结果

进⾏去重操作前订单详情表的形状为： (900000, 34)

进⾏去重操作后订单详情表的形状为： (899904, 34)

detail每个特征缺失的率为：

USER_ID 0.0%

INNET_MONTH 0.0%

IS_AGREE 0.0%

AGREE_EXP_DATE 48.96066691558211%

CREDIT_LEVEL 0.0%

u盘制造VIP_LVL 34.58268882014082%

ACCT_FEE 0.0%

CALL_DURA 0.0%

NO_ROAM_LOCAL_CALL_DURA 0.0%

NO_ROAM_GN_LONG_CALL_DURA 0.0%

GN_ROAM_CALL_DURA 0.0%

CDR_NUM 0.0%

NO_ROAM_CDR_NUM 0.0%

NO_ROAM_LOCAL_CDR_NUM 0.0%

NO_ROAM_GN_LONG_CDR_NUM 0.0%

GN_ROAM_CDR_NUM 0.0%

P2P_SMS_CNT_UP 0.0%

TOTAL_FLUX 0.0%

LOCAL_FLUX 0.0%

GN_ROAM_FLUX 0.0%

CALL_DAYS 0.0%

CALLING_DAYS 0.0%

CALLED_DAYS 0.0%

CALL_RING 0.0%

CALLING_RING 0.0%

CALLED_RING 0.0%

CUST_SEX 3.810073074461276%

CERT_AGE 3.886081181992746%

CONSTELLATION_DESC 3.886081181992746%

MANU_NAME 0.00022224592845459073%

MODEL_NAME 0.0%

OS_DESC 4.243230389019273%

TERM_TYPE 0.0%

IS_LOST 66.63633009743262%

htc a310dtype: object

处理完缺失值后订单详情表的形状为： (899902, 27)

处理前：

INNET_MONTH最⼩值为： -251

INNET_MONTH最⼤值为： 249

处理后：

INNET_MONTH最⼩值为： 1.0

INNET_MONTH最⼤值为： 107.0

也不长篇⼤论吐槽些什么了，就是有这么⼀句话⾮常想放到这⾥：⼈的记忆不可靠！

本文发布于:2024-09-22 13:33:07，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/2/182310.html

上一篇：推荐系统_推荐系统（2）：基于用户行为数据的推荐系统方法

下一篇：基于用户行为分析的私家车合乘系统设计(全文)

标签：数据处理特征识别缺失代码

留言与评论（共有 0 条评论）