数据分析之原料企业工艺优化(天池津南数字制造算法挑战赛)

背景:天津市津南区坚持以绿色经济驱动传统经济向数字化经济转型以实现津南高质量发展,正依托物联网、云计算、三网融合等新一代信息技术,加快全区智能工业全面发展,推动产业转型升级,培育新兴产业,实现“津南制造”向“津南智造”转变。
2019津南数字制造聚焦智能制造,以原料企业工艺优化为课题,要求以异烟酸生产过程中的各参数,设计精确智能的优秀算法,提升异烟酸的收率,助力企业实现转型升级,提升行业竞争力。大赛数据提供方天津汉德威药业有限公司,为大赛提供真实生产数据,提供工艺专家的专业指导,从软硬件环境诸多方面提供大赛支撑。
使用工具是Jupyter Notebook
项目目前提供了两份数据,分别是jinnan_round1_train_20181227(训练集,用来构建模型)和jinnan_round1_testA_20181227(测试集,用来对模型准确度进行测试)

读取并观察数据

import os 
import re
import time
import datetime
import warnings
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import lightgbm as lgb
import xgboost as xgb
from scipy import sparse
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error
from sklearn.metrics import log_loss
from sklearn.ensemble import RandomForestRegressor
from sklearn.neighbors import KNeighborsClassifier
from sklearn.feature_selection import SelectKBest, f_classif, f_regression
from sklearn.linear_model import BayesianRidge,Lasso,LinearRegression 
from sklearn.model_selection import KFold, RepeatedKFold,train_test_split,cross_val_score
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
warnings.filterwarnings("ignore")
pd.set_option('max_columns',1000) 
pd.set_option('max_row',300)


#显示所有列
# pd.set_option('display.max_columns', None)
#显示所有行
# pd.set_option('display.max_rows', None)
#设置value的显示长度为100,默认为50
pd.set_option('max_colwidth',100)

train = pd.read_csv("data/jinnan_round1_train_20181227.csv",encoding="gb18030")
test = pd.read_csv("data/jinnan_round1_testA_20181227.csv",encoding="gb18030")
train.head()
# 查询列值类别较少的特征
cols = list(train.columns)
# del cols[-1]
# del cols[0]
values_cols = []
name_cols = []
for i in cols:
    if len(train[i].unique()) <= 4:
        values_cols.append(train[i].unique())
        name_cols.append(i)
print(values_cols)
print(name_cols)

[array([300, 250, 200], dtype=int64), array([ nan, 125.]), array([405., 340., nan, 270.]), array([700, 590, 980, 470], dtype=int64), array([100, 101, 102, 103], dtype=int64), array([0.2 , 0.15, 0.12]), array([0.2, 0.1]), array([ 9. , 10. , 8. , 3.5]), array([ 5., 4., nan, 10.]), array([3.5 , 0.15, nan, 3.6 ]), array([3.5, nan, 3.6]), array([0.15, 0.03, 0.06, nan])]
['A1', 'A2', 'A3', 'A4', 'A10', 'A13', 'A18', 'A22', 'A23', 'B2', 'B3', 'B13']

# 查询缺失率超过90%的列(列中某一的值占有率达90%以上)
cols = []
good_cols = list(train.columns)
for i in train.columns:
    rate =train[i].value_counts(normalize=True, dropna=False).values[0]
    if rate > 0.9:
        cols.append(i)
        good_cols.remove(i)
print(cols)

# 将缺失率超过90%特征的删除
for i in cols:
    if i in good_cols:
        good_cols.remove(i)
print(good_cols)

['A1', 'A2', 'A3', 'A4', 'A13', 'A18', 'A23', 'B2', 'B3', 'B13']
['样本id', 'A5', 'A6', 'A7', 'A8', 'A9', 'A10', 'A11', 'A12', 'A14', 'A15', 'A16', 'A17', 'A19', 'A20', 'A21', 'A22', 'A24', 'A25', 'A26', 'A27', 'A28', 'B1', 'B4', 'B5', 'B6', 'B7', 'B8', 'B9', 'B10', 'B11', 'B12', 'B14', '收率']

# 将收率过低的异常值删除

train_edit = train[train['收率']>=0.85]

train = train_edit[good_cols]
good_cols.remove('收率')
good_cols.remove('样本id')
test = test[good_cols]
target_train = train['收率']
train = train[good_cols]
# 将训练集和测试集合并
data = pd.concat([train,test],axis=0,ignore_index=True)
time_cols = ['A5','A7','A9','A11',
             'A14','A16','A24',
             'A26','B5','B7']
time_d_cols = ['A20','A28','B4','B9','B10','B11']


# 查看时间列是否有异常值
def time_check(t):
    if pd.isnull(t):
        pass
    else:
        try:
            t,m,s=t.split(":")
        except:
            print(t)
            
            
def time_check_d(t):  
    if pd.isnull(t):
        pass
    else:
        try:
            sh,sm,eh,em=re.findall(r"\d+\.?\d*",t)
        except:
            print(t)
        
for i in time_cols:
    data_one = data[i].apply(time_check)
print('---------')
for i in time_d_cols:
    data_two = data[i].apply(time_check_d)

1900/1/21 0:00
1900/1/29 0:00
1900/1/21 0:00
1900/1/22 0:00
1900/1/9 7:00
700
1900/1/1 2:30
1900/1/12 0:00
1900/3/13 0:00


15:00-1600
19:-20:05

# 可以看出时间列类型分为上述两种,固定时间和间隔时间
# 异常值诸如:1900/1/21 0:00 默认时间为0,并将空值均赋为时间为0,上述700值认为是7个小时
# 分别对时间列进行处理,转化为具体数值(小时)

def time_edit_second(t):
    try:
        t,m,s=t.split(":")
    except:
        if t=='1990/1/9 7:00':
            return 7
        elif t=='1990/1/1 2:30':
            return (2*3600+30*60)/3600
        elif t=='700':
            return 7
        else:
            return 0 
    try:
        time = (int(t)*3600+int(m)*60+int(s))/3600
        return time
    except:
        return 0


for i in time_cols:
    data[i] = data[i].apply(time_edit_second)


def time_d_edit_second(t):
    try:
        sh,sm,eh,em = re.findall(r"\d+\.?\d*",t)
    except:
        if t=='15:00-1600' or t=='19:-20:05':
            return 1
        else:
            return 0
    try:    
        if int(sh)>int(eh):
            time_d = (int(eh)*3600+int(em)*60-int(sm)*60-int(sh)*3600)/3600 + 24
        else:
            time_d = (int(eh)*3600+int(em)*60-int(sm)*60-int(sh)*3600)/3600
        return time_d
    except:
        return 0
    
#     return time_d


for i in time_d_cols:
    data[i] = data[i].apply(time_d_edit_second)
# 观察转换后的时间值有无异常值
# 观察修改后的数据,讲缺失值补足
# A8列的空值均用0代替,其他列值缺失1-3个值,可以用列的平均值进行代替
data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1540 entries, 0 to 1539
Data columns (total 32 columns):
A5 1540 non-null float64
A6 1540 non-null float64
A7 1540 non-null float64
A8 167 non-null float64
A9 1540 non-null float64
A10 1540 non-null int64
A11 1540 non-null float64
A12 1540 non-null float64
A14 1540 non-null float64
A15 1540 non-null float64
A16 1540 non-null float64
A17 1540 non-null float64
A19 1540 non-null int64
A20 1540 non-null float64
A21 1537 non-null float64
A22 1540 non-null float64
A24 1540 non-null float64
A25 1539 non-null object
A26 1540 non-null float64
A27 1539 non-null float64
A28 1540 non-null float64
B1 1529 non-null float64
B4 1540 non-null float64
B5 1540 non-null float64
B6 1540 non-null int64
B7 1540 non-null float64
B8 1539 non-null float64
B9 1540 non-null float64
B10 1540 non-null float64
B11 1540 non-null float64
B12 1539 non-null float64
B14 1540 non-null int64
dtypes: float64(27), int64(4), object(1)
memory usage: 385.1+ KB

data['A8'] = data['A8'].fillna(0)
list_edit = ['A21','A27','B1','B8','B12']
for i in list_edit:
    data[i] = data[i].fillna(data[i].mean())

# 报错,因为A25是object类型并且有一单元值为1900/3/10 0:00,无法转换
data.loc[list(data['A25'].values).index('1900/3/10 0:00'),'A25']=0

data=pd.DataFrame(data,dtype=np.float)
data['A25'] = data['A25'].fillna(data['A25'].mean())

# 将清理后的数据进行分配
train = data[0:train.shape[0]] # 取前1390行
test  = data[train.shape[0]:]  # 取1390行之后的所有行
# 对特征进行分析,验证特征与目标值的相关性
figsize = 15,8
figure = plt.subplots(figsize=figsize)
selector = SelectKBest(f_classif,k=15)
selector.fit(train,target)
score = -np.log10(selector.pvalues_)
plt.bar(range(len(train.columns)), score)
plt.xticks(range(len(train.columns)), train.columns)

plt.show()
# 对特征进行筛选,去除 A6,A24,A28特征
# 观察训练集和测试集的特征值分布情况
fig = plt.subplots(figsize=(30,20))
j = 1
for cols in data.columns:
    plt.subplot(4,8,j)
    sns.distplot(train[cols])
    sns.distplot(test[cols])
    j+=1
# 去除 A6,A24,A28特征
good_columns = list(train.columns)
remove_col = ['A6','A24','A28']
for i in remove_col:
    good_columns.remove(i)
train = train[good_columns]
test = test[good_columns]


x_train,x_test,y_train,y_test = train_test_split(train,target,
                                                 test_size = 0.3,random_state=0)
#封装,并对结果进行k折交叉验证
def kfold_score(alg):
    kf = KFold(n_splits=5,random_state=1,shuffle=False)
    alg.fit(x_train, y_train)
    score = cross_val_score(alg, x_train, y_train, cv=kf)
    print(score.mean())
    print(alg.score(x_test, y_test))
    y_pred = alg.predict(test)
    return y_pred

近日略忙! 后续继续更新!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,222评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,455评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,720评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,568评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,696评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,879评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,028评论 3 409
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,773评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,220评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,550评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,697评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,360评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,002评论 3 315
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,782评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,010评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,433评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,587评论 2 350

推荐阅读更多精彩内容