Python制作數(shù)據(jù)預(yù)測(cè)集成工具（值得收藏）
更新時(shí)間：2020年08月21日 11:17:04 作者：李秋鍵
這篇文章主要介紹了Python如何制作數(shù)據(jù)預(yù)測(cè)集成工具，幫助大家進(jìn)行大數(shù)據(jù)預(yù)測(cè)，感興趣的朋友可以了解下
大數(shù)據(jù)預(yù)測(cè)是大數(shù)據(jù)最核心的應(yīng)用，是它將傳統(tǒng)意義的預(yù)測(cè)拓展到“現(xiàn)測(cè)”。大數(shù)據(jù)預(yù)測(cè)的優(yōu)勢(shì)體現(xiàn)在，它把一個(gè)非常困難的預(yù)測(cè)問(wèn)題，轉(zhuǎn)化為一個(gè)相對(duì)簡(jiǎn)單的描述問(wèn)題，而這是傳統(tǒng)小數(shù)據(jù)集根本無(wú)法企及的。從預(yù)測(cè)的角度看，大數(shù)據(jù)預(yù)測(cè)所得出的結(jié)果不僅僅是用于處理現(xiàn)實(shí)業(yè)務(wù)的簡(jiǎn)單、客觀的結(jié)論，更是能用于幫助企業(yè)經(jīng)營(yíng)的決策。
在過(guò)去，人們的決策主要是依賴 20% 的結(jié)構(gòu)化數(shù)據(jù)，而大數(shù)據(jù)預(yù)測(cè)則可以利用另外 80% 的非結(jié)構(gòu)化數(shù)據(jù)來(lái)做決策。大數(shù)據(jù)預(yù)測(cè)具有更多的數(shù)據(jù)維度，更快的數(shù)據(jù)頻度和更廣的數(shù)據(jù)寬度。與小數(shù)據(jù)時(shí)代相比，大數(shù)據(jù)預(yù)測(cè)的思維具有 3 大改變：實(shí)樣而非抽樣;預(yù)測(cè)效率而非精確;相關(guān)關(guān)系而非因果關(guān)系。
而今天我們就將利用python制作可視化的大數(shù)據(jù)預(yù)測(cè)部分集成工具，其中數(shù)據(jù)在這里使用一個(gè)實(shí)驗(yàn)中的數(shù)據(jù)。普遍性的應(yīng)用則直接從文件讀取即可。其中的效果圖如下：
實(shí)驗(yàn)前的準(zhǔn)備
首先我們使用的python版本是3.6.5所用到的模塊如下：
- sklearn模塊用來(lái)創(chuàng)建整個(gè)模型訓(xùn)練和保存調(diào)用以及算法的搭建框架等等。
- numpy模塊用來(lái)處理數(shù)據(jù)矩陣運(yùn)算。
- matplotlib模塊用來(lái)可視化擬合模型效果。
- Pillow庫(kù)用來(lái)加載圖片至GUI界面。
- Pandas模塊用來(lái)讀取csv數(shù)據(jù)文件。
- Tkinter用來(lái)創(chuàng)建GUI窗口程序。
數(shù)據(jù)的訓(xùn)練和訓(xùn)練的GUI窗口
經(jīng)過(guò)算法比較，發(fā)現(xiàn)這里我們選擇使用sklearn簡(jiǎn)單的多元回歸進(jìn)行擬合數(shù)據(jù)可以達(dá)到比較好的效果。
(1)首先是是數(shù)據(jù)的讀取，通過(guò)設(shè)定選定文件夾函數(shù)來(lái)讀取文件，加載數(shù)據(jù)的效果：
'''選擇文件功能'''
def selectPath():
# 選擇文件path_接收文件地址
path_ =tkinter.filedialog.askopenfilename()
# 通過(guò)replace函數(shù)替換絕對(duì)文件地址中的/來(lái)使文件可被程序讀取
# 注意：\\轉(zhuǎn)義后為\，所以\\\\轉(zhuǎn)義后為\\
path_ =path_.replace("/", "\\\\")
# path設(shè)置path_的值
path.set(path_)
return path
# 得到的DataFrame讀入所有數(shù)據(jù)
data = pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H,I")
# DataFrame轉(zhuǎn)化為array
DataArray = data.values
# 讀取已使用年限作為標(biāo)簽
Y = DataArray[:, 8]
# 讀取其他參數(shù)作為自變量，影響因素
X = DataArray[:, 0:8]
# 字符串轉(zhuǎn)變?yōu)檎麛?shù)
for i in range(len(Y)):
Y[i] = int(Y[i].replace("年", ""))
X = np.array(X) # 轉(zhuǎn)化為array
Y = np.array(Y) # 轉(zhuǎn)化為array
root = Tk()
root.geometry("+500+260")
# 背景圖設(shè)置
canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0)
imgpath = '1.jpg'
img = Image.open(imgpath)
photo = ImageTk.PhotoImage(img)
#背景圖大小設(shè)置
canvas.create_image(700, 400, image=photo)
canvas.pack()
path = StringVar()
#標(biāo)簽名稱位置
label1=tk.Label(text = "目標(biāo)路徑:")
label1.pack()
e1=tk.Entry( textvariable = path)
e1.pack()
bn1=tk.Button(text = "路徑選擇", command = selectPath)
bn1.pack()
bn2=tk.Button(text = "模型訓(xùn)練", command = train)
bn2.pack()
bn3=tk.Button(text = "模型預(yù)測(cè)", command = test)
bn3.pack()
#標(biāo)簽按鈕等放在背景圖上
canvas.create_window(50, 50, width=150, height=30,
window=label1)
canvas.create_window(280, 50, width=300, height=30,
window=e1)
canvas.create_window(510, 50, width=150, height=30,
window=bn1)
canvas.create_window(50, 100, width=150, height=30,
window=bn2)
canvas.create_window(510, 100, width=150, height=30,
window=bn3)
root.mainloop()
效果如下可見(jiàn)：
(2)然后是數(shù)據(jù)的擬合和可視化模型效果：
# 模型擬合
reg = LinearRegression()
reg.fit(X, Y)
# 預(yù)測(cè)效果
predict = reg.predict(np.array([X[0]]))
Y_predict = reg.predict(X)
print(Y_predict)
# 橫坐標(biāo)
x_label = []
for i in range(len(Y)):
x_label.append(i)
# 繪圖
fig, ax = plt.subplots()
# 真實(shí)值分布散點(diǎn)圖
plt.scatter(x_label, Y)
# 預(yù)測(cè)值分布散點(diǎn)圖
plt.scatter(x_label, Y_predict)
# 預(yù)測(cè)值擬合直線圖
plt.plot(x_label, Y_predict)
# 橫縱坐標(biāo)
ax.set_xlabel('預(yù)測(cè)值與真實(shí)值模型擬合效果圖')
ax.set_ylabel('藍(lán)色為真實(shí)值，黃色為預(yù)測(cè)值')
# 將繪制的圖形顯示到tkinter:創(chuàng)建屬于root的canvas畫(huà)布,并將圖f置于畫(huà)布上
canvas = FigureCanvasTkAgg(fig, master=root)
canvas.draw() # 注意show方法已經(jīng)過(guò)時(shí)了,這里改用draw
canvas.get_tk_widget().pack()
# matplotlib的導(dǎo)航工具欄顯示上來(lái)(默認(rèn)是不會(huì)顯示它的)
toolbar = NavigationToolbar2Tk(canvas, root)
toolbar.update()
canvas._tkcanvas.pack()
#彈窗顯示
messagebox.showinfo(title='模型情況', message="模型訓(xùn)練完成！")
其中的效果如下可見(jiàn)：
其中的效果如下可見(jiàn)：
模型的預(yù)測(cè)和使用
其中模型的預(yù)測(cè)主要通過(guò)兩種方式進(jìn)行預(yù)測(cè)，分別是：手動(dòng)輸入單個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)和讀取文件進(jìn)行預(yù)測(cè)。
其中手動(dòng)輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)需要設(shè)置更多的GUI按鈕，其中代碼如下：
#子窗口
LOVE = Toplevel(root)
LOVE.geometry("+100+260")
LOVE.title = "模型測(cè)試"
#子窗口各標(biāo)簽名
label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態(tài)電平（mv）", "低電平方差（mv2)x10-3", "高狀態(tài)電平（v）", "高電平方差(v2)", "信號(hào)質(zhì)量因子"]
Label(LOVE, text="1、輸入?yún)?shù)預(yù)測(cè)", font=("微軟雅黑", 20)).grid(row=0, column=0)
#標(biāo)簽名稱，字體位置
Label(LOVE, text=label[0], font=("微軟雅黑",10)).grid(row=1, column=0)
Label(LOVE, text=label[1], font=("微軟雅黑", 10)).grid(row=1, column=1)
Label(LOVE, text=label[2], font=("微軟雅黑", 10)).grid(row=1, column=2)
Label(LOVE, text=label[3], font=("微軟雅黑", 10)).grid(row=1, column=3)
Label(LOVE, text=label[4], font=("微軟雅黑", 10)).grid(row=1, column=4)
Label(LOVE, text=label[5], font=("微軟雅黑", 10)).grid(row=1, column=5)
Label(LOVE, text=label[6], font=("微軟雅黑", 10)).grid(row=1, column=6)
Label(LOVE, text=label[7], font=("微軟雅黑", 10)).grid(row=1, column=7)
#編輯框位置和字體
en1=tk.Entry(LOVE, font=("微軟雅黑", 8))
en1.grid(row=2, column=0)
en2=tk.Entry(LOVE, font=("微軟雅黑", 8))
en2.grid(row=2, column=1)
en3=tk.Entry(LOVE, font=("微軟雅黑", 8))
en3.grid(row=2, column=2)
en4=tk.Entry(LOVE, font=("微軟雅黑", 8))
en4.grid(row=2, column=3)
en5=tk.Entry(LOVE, font=("微軟雅黑", 8))
en5.grid(row=2, column=4)
en6=tk.Entry(LOVE, font=("微軟雅黑", 8))
en6.grid(row=2, column=5)
en7=tk.Entry(LOVE, font=("微軟雅黑", 8))
en7.grid(row=2, column=6)
en8=tk.Entry(LOVE, font=("微軟雅黑", 8))
en8.grid(row=2, column=7)
Label(LOVE, text="", font=("微軟雅黑", 10)).grid(row=3, column=0)
#測(cè)試輸入框預(yù)測(cè)
def pp():
x=np.array([int(en1.get()),int(en2.get()),int(en3.get()),int(en4.get()),int(en5.get()),int(en6.get()),int(en7.get()),int(en8.get())])
# 預(yù)測(cè)效果
predict = reg.predict(np.array([x]))
Label(LOVE, text="預(yù)測(cè)結(jié)果已使用年數(shù)為："+str(predict[0])+"年", font=("微軟雅黑", 10)).grid(row=4, column=3)
print(predict)
Button(LOVE, text="預(yù)測(cè)：", font=("微軟雅黑", 15),command=pp).grid(row=4, column=0)
Label(LOVE, text="2、選擇文件預(yù)測(cè)", font=("微軟雅黑", 20)).grid(row=5, column=0)
path1 = StringVar()
label1 = tk.Label(LOVE,text="目標(biāo)路徑:", font=("微軟雅黑", 10))
label1.grid(row=6, column=0)
e1 = tk.Entry(LOVE,textvariable=path1, font=("微軟雅黑", 10))
e1.grid(row=6, column=2)
label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態(tài)電平（mv）", "低電平方差（mv2)x10-3", "高狀態(tài)電平（v）", "高電平方差(v2)",
"信號(hào)質(zhì)量因子"]
n = 0
for i in predict_value:
print(str(label) + "分別為" + str(X[n]) + "預(yù)測(cè)出來(lái)的結(jié)果為：" + str(i) + "年" + "\n")
f = open("預(yù)測(cè)結(jié)果.txt", "a")
f.write(str(label) + "分別為" + str(X[n]) + "預(yù)測(cè)出來(lái)的結(jié)果為：" + str(i) + "年" + "\n")
f.close()
f = open("result.txt", "a")
f.write(str(i) + "\n")
f.close()
n += 1
messagebox.showinfo(title='模型情況', message="預(yù)測(cè)結(jié)果保存在當(dāng)前文件夾下的TXT文件中！")
os.system("result.txt")
os.system("預(yù)測(cè)結(jié)果.txt")
Button(LOVE, text="預(yù)測(cè)：", font=("微軟雅黑", 15), command=ppt).grid(row=7, column=0)
效果如下可見(jiàn)：
選擇文件進(jìn)行讀取預(yù)測(cè)和模型訓(xùn)練數(shù)據(jù)的讀取類似，代碼如下：
#選擇文件預(yù)測(cè)
def selectPath1():
# 選擇文件path_接收文件地址
path_ =tkinter.filedialog.askopenfilename()
# 通過(guò)replace函數(shù)替換絕對(duì)文件地址中的/來(lái)使文件可被程序讀取
# 注意：\\轉(zhuǎn)義后為\，所以\\\\轉(zhuǎn)義后為\\
path_ =path_.replace("/", "\\\\")
# path設(shè)置path_的值
path1.set(path_)
return path
bn1 = tk.Button(LOVE,text="路徑選擇", font=("微軟雅黑", 10), command=selectPath1)
bn1.grid(row=6, column=6)
def ppt():
try:
os.remove("預(yù)測(cè)結(jié)果.txt")
os.remove("result.txt")
except:
pass
# 文件的名字
FILENAME =path1.get()
# 禁用科學(xué)計(jì)數(shù)法
pd.set_option('float_format', lambda x: '%.3f' % x)
np.set_printoptions(threshold=np.inf)
# 得到的DataFrame讀入所有數(shù)據(jù)
data =pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H")
# DataFrame轉(zhuǎn)化為array
DataArray =data.values
# 讀取其他參數(shù)作為自變量，影響因素
X = DataArray[:,0:8]
predict_value = reg.predict(X)
print(predict_value)
效果如下：
由于讀取文件進(jìn)行預(yù)測(cè)的話，數(shù)據(jù)較多故直接存儲(chǔ)在TXT中方便查看
以上就是Python制作數(shù)據(jù)預(yù)測(cè)集成工具（值得收藏）的詳細(xì)內(nèi)容，更多關(guān)于python 數(shù)據(jù)預(yù)測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
PyPDF2是一個(gè)用于處理PDF文件的Python庫(kù)，它提供了許多用于讀取和操作PDF文件的功能，對(duì)于需要處理PDF文件的Python應(yīng)用程序，PyPDF2是一個(gè)非常實(shí)用的工具庫(kù)，本文將給大家詳細(xì)介紹一下如何通過(guò)Python的PyPDF2庫(kù)提取pdf中的文字,需要的朋友可以參考下2023-05-05
這篇文章主要介紹了python字符串拼接和列表拼接方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02
Python時(shí)間處理模塊time和datetime詳解
本文詳細(xì)介紹了Python中常用的時(shí)間處理模塊time和datetime,time模塊提供多種時(shí)間獲取和轉(zhuǎn)換功能,datetime模塊則在time的基礎(chǔ)上增加了日期和時(shí)間的組合處理,如datetime.now()獲取當(dāng)前日期時(shí)間,兩個(gè)模塊在日常編程中非常有用,尤其是在需要時(shí)間日期計(jì)算和轉(zhuǎn)換的場(chǎng)景下2024-10-10
這篇文章主要介紹了Python基礎(chǔ)之hashlib模塊詳解,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-05-05
使用Cython中prange函數(shù)實(shí)現(xiàn)for循環(huán)的并行
Cython中提供了一個(gè)prange函數(shù)，專門用于循環(huán)的并行執(zhí)行。這個(gè) prange的特殊功能是Cython獨(dú)一無(wú)二的，并且prange只能與for循環(huán)搭配使用，不能獨(dú)立存在。本文就將使用 prange 實(shí)現(xiàn) for 循環(huán)的并行，感興趣的可以了解一下2022-08-08
python 使用xlsxwriter循環(huán)向excel中插入數(shù)據(jù)和圖片的操作
這篇文章主要介紹了python 使用xlsxwriter循環(huán)向excel中插入數(shù)據(jù)和圖片的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-01-01
Python局部函數(shù)及用法詳解(含nonlocal關(guān)鍵字)
局部函數(shù)有哪些特征，在使用時(shí)需要注意什么呢？接下來(lái)就給讀者詳細(xì)介紹?Python?局部函數(shù)的用法,對(duì)Python局部函數(shù)相關(guān)知識(shí)感興趣的朋友跟隨小編一起看看吧2022-12-12
這篇文章主要介紹了Python中暫存上傳圖片的方法,本文使用cStringIO模塊實(shí)現(xiàn)暫存功能,本文給出簡(jiǎn)單使用示例,需要的朋友可以參考下2015-02-02
對(duì)Python w和w+權(quán)限的區(qū)別詳解
今天小編就為大家分享一篇對(duì)Python w和w+權(quán)限的區(qū)別詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-01-01
pandas創(chuàng)建DataFrame的7種方法小結(jié)
這篇文章主要介紹了pandas創(chuàng)建DataFrame的7種方法小結(jié)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-06-06