Python 数据分析方法

我有一个刚毕业的员工的数据集，包括他们的GPA分数，以及他们在试用期后是被雇佣还是被解雇。老板让我分析大学的平均绩点对被录用或解雇是否有重大影响。有时，还可以包括其他功能，如大学排名等。Boss现在对数据科学和机器学习感兴趣。但我之前在数据分析方面没有任何经验，所以请告诉我如何处理这个问题，以及我应该学会做什么？我有编程背景（懂python），所以欢迎使用技术术语。

考虑到毕业生的GPA、大学排名等特点，您正在尝试预测他们的就业状况

您的问题可以被视为“二进制分类问题”，因为您的输出应该作为（0或1）被激发/雇佣

培训集：首先，您需要创建一个包含功能及其实际输出的培训集

功能分析：尝试使用以下方法分析数据如何影响输出：

train = pd.read_csv('../input/train.csv')
print (train[["GPA", "Employment_status"]].groupby(['GPA'], as_index=False).mean())

训练算法：有许多机器学习算法可用于解决二元分类问题，如SVM、决策树、KNN。 您还可以进行异常检测，在该检测中，您可以使用其中一个输出匹配分布。 使用sklearn库，因为它们易于使用，并且还提供了多种算法

查看以了解有关sklearn的更多信息

测试：最后使用测试集测试您的模型，并计算精度，以查看模型与数据的拟合情况

检查安得烈NG的讲座，因为对于任何开始机器学习的人来说都是很容易理解的。 数据可视化：

Kaggle是学习新方法和算法Check link的最佳平台之一，因为它提供了有关如何在Iris数据集上使用不同数据可视化工具的信息

查看MOOC以了解有关数据可视化的更多信息

---

因此，数据可视化将帮助您了解您的特征是如何相互关联的。

您正试图预测即将毕业的毕业生的就业状况，因为他们的GPA、大学排名等都是特征

您的问题可以被视为“二进制分类问题”，因为您的输出应该作为（0或1）被激发/雇佣

培训集：首先，您需要创建一个包含功能及其实际输出的培训集

功能分析：尝试使用以下方法分析数据如何影响输出：

train = pd.read_csv('../input/train.csv')
print (train[["GPA", "Employment_status"]].groupby(['GPA'], as_index=False).mean())

训练算法：有许多机器学习算法可用于解决二元分类问题，如SVM、决策树、KNN。 您还可以进行异常检测，在该检测中，您可以使用其中一个输出匹配分布。 使用sklearn库，因为它们易于使用，并且还提供了多种算法

查看以了解有关sklearn的更多信息

测试：最后使用测试集测试您的模型，并计算精度，以查看模型与数据的拟合情况

检查安得烈NG的讲座，因为对于任何开始机器学习的人来说都是很容易理解的。 数据可视化：

Kaggle是学习新方法和算法Check link的最佳平台之一，因为它提供了有关如何在Iris数据集上使用不同数据可视化工具的信息

查看MOOC以了解有关数据可视化的更多信息

---

因此，数据可视化将帮助您了解您的特征是如何相互关联的。

在这些方面，您基本上是在尝试预测大学GPA、大学排名等是否对试用期后的聘用或解雇有任何重大影响。基本上它是二进制分类问题（关于这些问题的完整教程）。 @janu777给出的方法是正确的，我想在其中添加一些额外的信息。 解决这些问题的步骤是,

Data Exploration(include variable identifications)
Data Cleaning
Feature Engineering(Watching correlations kind of property among features)
Model Building and Training 
Doing Predictions

基本上，在python方面，您将使用这些库

Pandas
Scikit Learn
Matplotlib
numpy
Sklearn
Statsmodelapi

数据探索： 首先，您应该将前几年的数据（无论前一位员工是被雇佣还是被解雇）作为培训集

import pandas as pd
import numpy as np
import matplotlib as plt

df = pd.read_csv("../trainset.csv") #Reading the dataset in a dataframe 
df.describe()

数据清理

现在在这个阶段，你应该看到缺失值和数据中的所有数据，你可以根据自己的选择进行处理，最著名的是删除所有缺失值，因此你可以使用这些

df.dropna(axis=0, how='all')

我假设你的训练集有3个变量，其中大学GPA和大学排名是特征变量。并且您的目标变量为雇佣/解雇（1或0）。您应该使用预测值和目标变量之间的相关性，可视化也会有所帮助

trainingdata['GPA'].astype('float64').corr(trainingdata['target'].astype('float64'))

或

模型构建、预测和拟合 这是一个非常重要的阶段，现在你需要为你的问题创建模型，你可以使用这些算法（你应该应用各种算法，如Randomforest、LinearDiscrimate、decisiontree、knn、svm等，并只选择能给出好分数的算法） 这些的示例代码是

from sklearn.ensemble import RandomForestClassifier
#Building random forest classifier model
def random_forest_classifier(features, target):
    """
    To train the random forest classifier with features and target data
    :param features:
    :param target:
    :return: trained random forest classifier
    """
    clf = RandomForestClassifier()
    clf.fit(features, target)
    return clf

做预测 现在您可以对测试数据进行预测，同样的示例代码是

   predictions = randomforestmodelis.predict(test_x)
    for i in range(0, 5):
        print("Actual outcome :: {} and Predicted outcome :: {}".format(list(test_y)[i], predictions[i]))
        #print("Train Accuracy :: ", accuracy_score(train_y, randomforestmodelis.predict(train_x)))
    print("Test Accuracy  :: ", accuracy_score(test_y, predictions))

---

这应该可以解决你的问题。

在这些问题中，你基本上是在试图预测大学平均成绩、大学排名等是否会对试用期后被录用或解雇产生重大影响。基本上它是二进制分类问题（关于这些问题的完整教程）。 @janu777给出的方法是正确的，我想在其中添加一些额外的信息。 解决这些问题的步骤是,

Data Exploration(include variable identifications)
Data Cleaning
Feature Engineering(Watching correlations kind of property among features)
Model Building and Training 
Doing Predictions

基本上，在python方面，您将使用这些库

Pandas
Scikit Learn
Matplotlib
numpy
Sklearn
Statsmodelapi

数据探索： 首先你应该