Python-创建具有相关数值变量的数据集

我想创建一个数据集，其中我有1到10年的工作经验，工资从3万到10万。我希望这些工资是随机的，并遵循多年的经验。有时，经验丰富的人可能比经验较少的人赚得少

例如：

years of experience | Salary
1                   | 30050
2                   | 28500
3                   | 36000
...
10                  | 100,500

以下是我迄今为止所做的工作：

import numpy as np
import random
import pandas as pd
years = np.linspace(1.0, 10.0, num=10)
salary = np.linspace(30000.0, 100000.0, num=10) + random.uniform(-1,1)*5000#plus/minus 5k
data = pd.DataFrame({'experience' : years, 'salary': salary})
print (data)

这给了我：

   experience         salary
0         1.0   31060.903965
1         2.0   38838.681742
2         3.0   46616.459520
3         4.0   54394.237298
4         5.0   62172.015076
5         6.0   69949.792853
6         7.0   77727.570631
7         8.0   85505.348409
8         9.0   93283.126187
9        10.0  101060.903965

我们可以看到，我们没有得到一些记录，其中一个具有较高经验的人比一个具有较低经验的人赚得少。我怎样才能解决这个问题？当然，我想按比例给我1000行随机的。统一（-1,1）*5000意味着你的工资值将在-5k到+5k之间变化，但由于统一在其输出中是连续的，工资很可能会发生非常小的变化。 看看没有随机因素的工资是如何变化的7777.77。。。经验的每一步提升，都不太可能获得更高经验的低工资。我建议你增加随机元素背后的因子。

---

例如，尝试

random.uniform（-1,1）*10000

。随机性的程度取决于你自己，这取决于一个没有经验的人获得高薪的可能性有多大。

scikit learn提供了一些有用的函数来生成相关数据，例如

例如，您可以执行以下操作：

import numpy as np
import pandas as pd
from sklearn.datasets import make_regression

np.random.seed(0)
n_samples = 1000

X, y = make_regression(n_samples=n_samples, n_features=1, n_informative=1, 
noise=80, random_state=0)

# Scale X (years of experience) to 0..10 range
X = np.interp(X, (X.min(), X.max()), (0, 10))

# Scale y (salary) to 30000..100000 range
y = np.interp(y, (y.min(), y.max()), (30000, 100000))

# To dataframe
df = pd.DataFrame({'experience': X.flatten(), 'salary': y}
print(df.head(10))

从您描述的情况来看，似乎您希望在响应中添加一些差异。这可以通过调整

noise

参数来实现。让我们把它画出来，让它更明显：

from matplotlib import pyplot as plt

plt.scatter(X, y, color='blue', marker='.', label='Salary')
plt.xlabel("Years of Experience")
plt.ylabel("Salary")
plt.show()

例如，使用

noise=80

：

或者使用

噪音=250

：

---

作为旁注：这会为“多年经验”产生持续的价值。如果您希望将它们四舍五入为整数，可以使用

X=np.rint（X）

在这种情况下，我将更改行：

salary = np.linspace(30000.0, 100000.0, num=10) + random.uniform(-1,1)*5000#plus/minus 5k

我认为最好将随机部分分开，这样您就可以轻松地更改它，并根据您想要达到的值进行所有修改

以下是我做的一些事情：

import numpy as np
import random
import pandas as pd
years = np.linspace(1.0, 10.0, num=10)
random_list = [random.random()*1000*_*5 for _ in range(10)]
print(random_list)
salary = np.linspace(30000.0, 100000.0, num=10)- random_list
data = pd.DataFrame({'experience' : years, 'salary': salary})
print (data)

---

当薪资增长时，随机成分的方差更大。

您可以将薪资定义为年数乘以某个系数，再加上某个常量值，再加上某个随机值

import numpy as np
import random
import pandas as pd
N = 1000
intercept = 30000
coeff = 7000
years = np.random.uniform(low=1, high=10, size=N)
salary = intercept + years*coeff + np.random.normal(loc=0, scale=10000, size=N)
data = pd.DataFrame({'experience' : years, 'salary': salary})
data.plot.scatter(x='experience', y='salary', alpha=0.3)

---

您可以将正负5k增加到一个更大的值（可能是15k），并使用random.normal而不是uniform，这样大多数人最终还是会得到更多的钱和更多的经验，但有些人不会。您只需使用random.randint函数即可。我希望它对你有用这不适用于制作相关数据。它给了我30k到100k之间的随机数。例如，在你的例子中，一个有1年工作经验的人可以挣10万英镑，一个有10年工作经验的人可以挣3万英镑。工资一般应该随着经验的增加而增加

import numpy as np
import random
import pandas as pd
years = np.linspace(1.0, 10.0, num=10)
salary = np.random.randint(30000.0, 100000.0, 10)
data = pd.DataFrame({'experience' : years, 'salary': salary})
print (data)