【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task2数据分析
生活随笔
收集整理的這篇文章主要介紹了
【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task2数据分析
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
智慧海洋建設-Task2 數據分析
此部分為智慧海洋建設競賽的數據分析模塊，通過數據分析，可以熟悉數據，為后面的特征工程做準備，歡迎大家后續多多交流。
賽題：智慧海洋建設
數據分析的目的:
-
EDA的主要價值在于熟悉整個數據集的基本情況(缺失值、異常值)，來確定所獲得數據集可以用于接下來的機器學習或者深度學習使用。
-
了解特征之間的相關性、分布，以及特征與預測值之間的關系。
-
為進行特征工程提供理論依據。
項目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/wisdomOcean
比賽地址：https://tianchi.aliyun.com/competition/entrance/231768/introduction?spm=5176.12281957.1004.8.4ac63eafE1rwsY
2.1 學習目標
學習如何對數據集整體概況進行分析，包括數據集的基本情況(缺失值、異常值)
學習了解變量之間的相互關系、變量與預測值之間的存在關系。
完成相應學習打卡任務
2.2 內容介紹
- 讀取數據集并了解數據集的大小，原始特征維度；
- 通過info了解數據類型；
- 粗略查看數據集中各特征的基本統計量
- 查看數據缺失值情況
- 查看唯一值情況
- 三類漁船軌跡的可視化
- 坐標序列可視化
- 三類漁船速度和方向序列可視化
- 三類漁船速度和方向的數據分布
2.3 代碼示例
2.3.1 載入各種數據科學以及可視化庫
以下庫都是pip install安裝，有特殊情況我會單獨說明 例如 pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
#coding:utf-8 #導入warnings包，利用過濾器來實現忽略警告語句。 import warnings warnings.filterwarnings('ignore')import numpy as np import pandas as pd from matplotlib import pyplot as plt import seaborn as sns df=pd.read_csv(r'D:\WORK_DATA_F\jupyter_notebook\2020數字中國創新大賽-智慧海洋建設\代碼練習\數據\DF.csv')2.3.2 載入其它相關的包
from tqdm import tqdm import multiprocessing as mp import os import pickle import random # 把讀取所有數據的函數放在單獨的python文件中，是為了解決多線程問題在jupyter notebook無法運行的問題 import read_all_data說明：
本次數據分析探索，尤其可視化部分均選取某些特定變量進行了舉例，所以它只是一個方法的展示而不是整個賽題數據分析的解決方案。
2.3.3 定義加載和存儲數據的函數
class Load_Save_Data():def __init__(self,file_name=None):self.filename = file_namedef load_data(self,Path=None):if Path is None:assert self.filename is not None,"Invalid Path...."else:self.filename = Pathwith open(self.filename,"wb") as f:data = pickle.load(f)return datadef save_data(self,data,path):if path is None:assert self.filename is not None,"Invalid path...."else:self.filename = pathwith open(self.filename,"wb") as f:pickle.dump(data,f)2.3.4 讀取數據
# 定義讀取數據的函數 def read_data(Path,Kind=""):""":param Path:待讀取數據的存放路徑:param Kind:'train' of 'test'"""# 替換成數據存放的路徑filenames = os.listdir(Path)print("\n@Read Data From"+Path+".........................")with mp.Pool(processes=mp.cpu_count()) as pool:data_total = list(tqdm(pool.map(read_all_data.read_train_file if Kind == "train" else read_all_data.read_test_file,filenames),total=len(filenames)))print("\n@End Read total Data............................")load_save = Load_Save_Data()if Kind == "train":load_save.save_data(data_total,"./data_tmp/total_data.pkl")return data_total # 訓練數據讀取# 存放數據的絕對路徑 train_path = "D:/code_sea/data/train/hy_round1_train_20200102/" data_train = read_data(train_path,Kind="train") data_train = pd.concat(data_train)# 測試數據讀取# 存放數據的絕對路徑 test_path = "D:/code_sea/data/test/hy_round1_testA_20200102/" data_test = read_data(test_path,Kind="test") data_test = pd.concat(data_test) @Read Data FromD:/code_sea/data/train/hy_round1_train_20200102/.........................100%|█████████████████████████████████████████████████████████████████████████| 7000/7000 [00:00<00:00, 3527165.79it/s]@End Read total Data............................@Read Data FromD:/code_sea/data/test/hy_round1_testA_20200102/.........................100%|██████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [00:00<?, ?it/s]@End Read total Data............................2.3.5 總體了解數據
查看數據集的樣本個數和原始特征維度
data_test.shape (782378, 6) data_train.shape (2699638, 7) data_train.columns Index(['漁船ID', 'x', 'y', '速度', '方向', 'time', 'type'], dtype='object')查看一下具體的列名，賽題理解部分已經給出具體的特征含義，這里方便閱讀再給一下
- 漁船ID：漁船的唯一識別，結果文件以此ID為標識
- x：漁船在平面坐標系下的x軸坐標
- y：漁船在平面坐標系下的y軸坐標
- 速度：漁船當前時刻的航速，單位節
- 方向：漁船當前時刻的航首向，單位度
- time：數據上報時刻，單位月日 時:分
- type：漁船label，作業類型
| 2.699638e+06 | 2.699638e+06 | 2.699638e+06 | 2.699638e+06 | 2.699638e+06 |
| 3.496035e+03 | 6.277243e+06 | 5.271190e+06 | 1.784449e+00 | 1.151533e+02 |
| 2.020781e+03 | 2.698065e+05 | 2.544160e+05 | 2.478862e+00 | 1.168515e+02 |
| 0.000000e+00 | 5.000250e+06 | 3.345433e+06 | 0.000000e+00 | 0.000000e+00 |
| 6.900000e+01 | 5.258862e+06 | 4.618927e+06 | 0.000000e+00 | 0.000000e+00 |
| 1.710000e+02 | 5.817836e+06 | 4.920685e+06 | 0.000000e+00 | 0.000000e+00 |
| 3.470000e+02 | 6.024286e+06 | 4.985102e+06 | 0.000000e+00 | 0.000000e+00 |
| 3.502000e+03 | 6.246522e+06 | 5.229463e+06 | 3.200000e-01 | 8.100000e+01 |
| 5.243000e+03 | 6.365916e+06 | 5.379267e+06 | 3.290000e+00 | 2.170000e+02 |
| 6.290000e+03 | 6.592496e+06 | 5.602273e+06 | 4.910000e+00 | 2.930000e+02 |
| 6.928000e+03 | 7.056209e+06 | 6.111650e+06 | 1.009000e+01 | 3.560000e+02 |
| 6.999000e+03 | 7.133785e+06 | 7.667581e+06 | 1.001600e+02 | 3.600000e+02 |
| 0 | 6.152038e+06 | 5.124873e+06 | 2.59 | 102 | 1110 11:58:19 | 拖網 |
| 0 | 6.151230e+06 | 5.125218e+06 | 2.70 | 113 | 1110 11:48:19 | 拖網 |
| 0 | 6.150421e+06 | 5.125563e+06 | 2.70 | 116 | 1110 11:38:19 | 拖網 |
| 999 | 6.138413e+06 | 5.162715e+06 | 0.32 | 0 | 1031 12:28:01 | 拖網 |
| 999 | 6.138413e+06 | 5.162715e+06 | 0.32 | 0 | 1031 12:18:00 | 拖網 |
| 999 | 6.138413e+06 | 5.162715e+06 | 0.11 | 294 | 1031 12:07:59 | 拖網 |
2.3.6查看數據集中特征缺失值、唯一值等
查看缺失值
print(f'There are {data_train.isnull().any().sum()} columns in train dataset with missing values.') There are 0 columns in train dataset with missing values.查看訓練集測試集中特征屬性只有一值的特征
one_value_fea = [col for col in data_train.columns if data_train[col].nunique() <= 1] one_value_fea_test = [col for col in data_test.columns if data_test[col].nunique() <= 1] one_value_fea [] one_value_fea_test [] print(f'There are {len(one_value_fea)} columns in train dataset with one unique value.') print(f'There are {len(one_value_fea_test)} columns in test dataset with one unique value.') There are 0 columns in train dataset with one unique value. There are 0 columns in test dataset with one unique value.總結:
6列特征中0列有缺少數據，不存在有唯一值的列，有連續特征和分類特征
2.4 數據特性和特征分布
2.4.1 三類漁船軌跡可視化
# 把訓練集的所有數據,根據類別存放到不同的數據文件中 def get_diff_data():Path = "./data_tmp/total_data.pkl"with open(Path,"rb") as f:total_data = pickle.load(f)load_save = Load_Save_Data()kind_data = ["刺網","圍網","拖網"]file_names = ["ciwang_data.pkl","weiwang_data.pkl","tuowang_data.pkl"]for i,datax in enumerate(kind_data):data_type = [data for data in total_data if data["type"].unique()[0] == datax]load_save.save_data(data_type,"./data_tmp/" + file_names[i]) get_diff_data() # 從存放某個軌跡類別的數據文件中，隨機讀取某個漁船的數據 def get_random_one_traj(type=None):""":param type:"ciwang","weiwang" or "tuowang""""np.random.seed(10)path = "./data_tmp/"with open(path + type + ".pkl","rb") as f1:data = pickle.load(f1)length = len(data)index = np.random.choice(length)return data[index] # 分別從三個類別的數據文件中，隨機讀取某三個漁船的數據 def get_random_three_traj(type=None):""":param type:"ciwang","weiwang" or "tuowang""""random.seed(10)path = "./data_tmp/"with open(path + type + ".pkl", "rb") as f:data = pickle.load(f)data_arrange = np.arange(len(data)).tolist()index = random.sample(data_arrange,3)return data[index[0]],data[index[1]],data[index[2]] # 每個類別中隨機三個漁船的軌跡進行可視化 def visualize_three_traj():fig,axes = plt.subplots(nrows=3,ncols=3,figsize=(20,15))plt.subplots_adjust(wspace=0.2,hspace=0.2)# 對于每一個類別，隨機選出刺網的三條軌跡進行可視化lables = ["ciwang","weiwang","tuowang"]for i,file_type in tqdm(enumerate(["ciwang_data","weiwang_data","tuowang_data"])):data1, data2, data3 = get_random_three_traj(type=file_type)for j, datax in enumerate([data1, data2, data3]):x_data = datax["x"].loc[-1:].valuesy_data = datax["y"].loc[-1:].valuesaxes[i][j - 1].scatter(x_data[0], y_data[0], label="start", c="red", s=10, marker="8")axes[i][j - 1].plot(x_data, y_data, label=lables[i])axes[i][j - 1].scatter(x_data[len(x_data) - 1], y_data[len(y_data) - 1], label="end", c="green", s=10,marker="v")axes[i][j - 1].grid(alpha=2)axes[i][j - 1].legend(loc="best")plt.show() visualize_three_traj() 3it [00:02, 1.03it/s][外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-jMZTCAwt-1644978306946)(Task2_files/Task2_50_1.png)]
總結:
可以看到不同軌跡雖然有不同的變化，但是仍然不具有很強的區分性。
- 刺網的軌跡偏向于具有規則多邊形的情形。
- 圍網的部分軌跡偏向于圍城一個圈的情形。
- 拖網的軌跡偏向于點到點，沒有拐角的情形。
- 整體上來說，不同類別的軌跡仍然不具有很強的區別分性。
通過取不同的隨機數，發現存在異常軌跡，軌跡中只存在幾個點。
2.4.2 坐標序列可視化
# 隨機選取某條數據，觀察x坐標序列和y坐標序列的變化情況 def visualize_one_traj_x_y():fig,axes = plt.subplots(nrows=2,ncols=1,figsize=(10,8))plt.subplots_adjust(wspace=0.5,hspace=0.5)data1 = get_random_one_traj(type="weiwang_data")x = data1["x"].loc[-1:]x = x / 10000y = data1["y"].loc[-1:]y = y / 10000arr1 = np.arange(len(x))arr2 = np.arange(len(y))axes[0].plot(arr1,x,label="x")axes[1].plot(arr2,y,label="y")axes[0].grid(alpha=3)axes[0].legend(loc="best")axes[1].grid(alpha=3)axes[1].legend(loc="best")plt.show() visualize_one_traj_x_y()[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-PQQXXnSo-1644978306947)(Task2_files/Task2_56_0.png)]
總結:
2.4.3 三類漁船速度和方向可視化
# 每類軌跡，隨機選取某個漁船，可視化速度序列和方向序列 def visualize_three_traj_speed_direction():fig,axes = plt.subplots(nrows=3,ncols=2,figsize=(20,15))plt.subplots_adjust(wspace=0.3,hspace=0.3)# 隨機選出刺網的三條軌跡進行可視化file_types = ["ciwang_data","weiwang_data","tuowang_data"]speed_types = ["ciwang_speed","weiwang_speed","tuowang_speed"]doirections = ["ciwang_direction","weiwang_direction","tuowang_direction"]colors = ['pink', 'lightblue', 'lightgreen']for i,file_name in tqdm(enumerate(file_types)):datax = get_random_one_traj(type=file_name)x_data = datax["速度"].loc[-1:].valuesy_data = datax["方向"].loc[-1:].valuesaxes[i][0].plot(range(len(x_data)), x_data, label=speed_types[i], color=colors[i])axes[i][0].grid(alpha=2)axes[i][0].legend(loc="best")axes[i][1].plot(range(len(y_data)), y_data, label=doirections[i], color=colors[i])axes[i][1].grid(alpha=2)axes[i][1].legend(loc="best")plt.show() visualize_three_traj_speed_direction() 3it [00:02, 1.03it/s]總結:
不同軌跡速度的數據分布，均存在連續的低值，因此強化了對POI點存在的判斷。
每個類別的漁船方向變化很快，可以判定為漁船在海上漂泊造成，因此此特征對于類別的判斷不具有很強的區分性。
2.4.4 三類漁船速度和方向的數據分布
# 對某一特征進行數據統計 def get_data_cummulation(type=None,path=None,kind=None,columns=None):""":param type:"ciwang","weiwang" or "tuowang":param path:存放數據路徑:param kind: '速度' or '方向':param columns:與kind對應，'speed' or 'direction'"""data_dict = dict()with open(path + type+".pkl","rb") as file:data_list = pickle.load(file)for datax in tqdm(data_list):data = datax[kind].valuesfor speed in data:data_dict.setdefault(speed,0)data_dict[speed] += 1data_dict = dict(sorted(data_dict.items(),key=lambda x:x[0],reverse=False))data_df = pd.DataFrame.from_dict(data_dict,columns=[columns],orient="index")return data_df # 分別得到速度和方向的分布數據 def get_speed_and_direction_distribution_data(type=None):""":param type:"ciwang","weiwang" or "tuowang""""path = "./data_tmp/"data_speed_df = get_data_cummulation(type=type, path=path,kind="速度",columns="speed")data_direction_df = get_data_cummulation(type=type,path=path,kind="方向",columns="direction")return data_speed_df,data_direction_df # 可視化速度和方向的數據分布 df_speeds = [] df_directions = []def plot_speed_direction1_distribution():plt.subplots(nrows=1, ncols=2, figsize=(15, 6))plt.subplots_adjust(wspace=0.3, hspace=0.5)file_types = ["ciwang_data", "weiwang_data", "tuowang_data"]lables = ["target==cw", "target==ww", "target==tw"]colors = ["red", "green", "blue"]for i, filenames in enumerate(file_types):df11, df21 = get_speed_and_direction_distribution_data(file_types[i])plt.subplot(1,2,1)ax1 = sns.kdeplot(df11["speed"].values / 1000000, color=colors[i],shade=True)plt.subplot(1,2,2)ax3 = sns.kdeplot(df21["direction"].values / 1000000, color=colors[i],shade=True)df_speeds.append(df11)df_directions.append(df21)ax1.legend(lables)ax1.set_xlabel("Speed")ax3.set_xlabel("Direction")ax3.legend(lables)plt.show() plot_speed_direction1_distribution() 100%|████████████████████████████████████████████████████████████████████████████| 1018/1018 [00:00<00:00, 6898.08it/s] 100%|████████████████████████████████████████████████████████████████████████████| 1018/1018 [00:00<00:00, 7912.51it/s] 100%|████████████████████████████████████████████████████████████████████████████| 1621/1621 [00:00<00:00, 6744.18it/s] 100%|████████████████████████████████████████████████████████████████████████████| 1621/1621 [00:00<00:00, 7929.84it/s] 100%|████████████████████████████████████████████████████████████████████████████| 4361/4361 [00:00<00:00, 6107.10it/s] 100%|████████████████████████████████████████████████████████████████████████████| 4361/4361 [00:00<00:00, 7133.23it/s] # 使用分位圖對速度和方向的數據分布進行可視化 def plot_speed_direction2_distribution():fig,axes = plt.subplots(nrows=1, ncols=2, figsize=(15, 6))plt.subplots_adjust(wspace=0.3, hspace=0.5)colors_box = ['pink', 'lightblue', 'lightgreen']bplot1 = axes[0].boxplot([df_speeds[0]["speed"].values,df_speeds[1]["speed"].values,df_speeds[2]["speed"].values], vert=True, patch_artist=True, labels=["cw", "ww", "tw"])bplot2 = axes[1].boxplot([df_directions[0]["direction"].values, df_directions[1]["direction"].values, df_directions[2]["direction"].values], vert=True, patch_artist=True, labels=["cw", "ww", "tw"])for blpot in (bplot1,bplot2):for patch,color in zip(blpot["boxes"],colors_box):patch.set_facecolor(color)axes[0].set_title("speed")axes[1].set_title("direction")plt.show() plot_speed_direction2_distribution()總結
總結
通過以上的數據分析，我們可以得到以下結論
每個特征中不存在缺失值和唯一值。
存在異常軌跡，該軌跡只含有幾個點。
雖然不同類別的軌跡有不同的變化傾向，但是整體來說，不具有很強的區分性。
通過對坐標序列的分析，發現存在POI點。
通過對不同類別的速度數據分布可視化，發現速度具有很強的區分性。
通過對不同類別的方向數據分布可視化，發現方向的區分性不是特別強。
作業:
2.在前面我們已經進行了繪制速度和方向的數據分布圖。由Task1的keperl.gl可知，不同地理位置和船舶類型的相關性較大。請嘗試將相同類型船舶的軌跡給拼接起來并繪制經度和緯度的總體分布特征。之前由liu123的航空母艦隊伍繪制的分布圖如下所示。
參考文獻
總結
以上是生活随笔為你收集整理的【算法竞赛学习】数字中国创新大赛智慧海洋建设-Task2数据分析的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Minisforum 公布新款 NUCG
- 下一篇： 宁德时代：公司正致力推进钠离子电池在 2