如何进行数据科学竞赛？（EDA）

作者|Kemal Erdem
编译|VK
来源|Towards Data Science

本文基于我在Driventa平台上参加DengAI（登革热）竞赛的文章。我的排名在前0.2%（截至2020年6月2日为14/9069）。我在这里提出的一些想法是严格为这样的比赛设计的，可能在现实生活中不是特别有用。

在开始之前，我必须警告你，对于更高级的数据工程师来说，有些部分可能是显而易见的，这是一篇非常长的文章。你可以一节一节地读，只需选出你感兴趣的部分。

问题描述

首先，我们需要讨论竞赛本身。DengAI的目标是（目前是，因为Driventa管理局决定将其设为“持续的”比赛，因此你可以现在加入）根据天气数据和地点预测特定一周的登革热病例数。

每个参与者都得到了一个训练数据集和测试数据集（不是验证数据集）。MAE（平均绝对误差）是一种用于计算分数的指标，训练数据集涵盖了2个城市（1456周）28年的每周的数值。测试数据较小，有跨越5年和3年的（这取决于城市）。

登革热是一种蚊子传播的疾病，发生在世界热带和亚热带地区。因为它是由蚊子携带的，该疾病的传播与气候、天气变化有关。

训练数据集：https://github.com/burnpiro/dengai-predicting-disease-spread/blob/master/dengue_features_train.csv

测试数据集：https://github.com/burnpiro/dengai-predicting-disease-spread/blob/master/dengue_features_test.csv

数据集

如果我们看一下训练数据集，它有多个特征：

城市和日期指标：

• city ：sj代表San Juan（圣胡安），iq代表Iquitos
• week_start_date -以yyyy-mm-dd格式给出的日期

NOAA的GHCN每日气候数据气象站测量：

• station_max_temp_c-最高温度
• station_min_temp_c-最低温度
• station_avg_temp_c-平均温度
• station_precip_mm-总降水量
• station_diur_temp_rng_c-昼间温度范围

卫星降水测量（0.25x0.25度的标度）：

• precipitation_amt_mm-总降水量

NOAA的NCEP气候预报系统分析测量（0.5x0.5度的标度）：

• reanalysis_sat_precip_amt_mm-总降水量
• reanalysis_dew_point_temp_k-平均露点温度
• reanalysis_air_temp_k-平均气温
• reanalysis_relative_humidity_percent-平均相对湿度
• reanalysis_specific_humidity_g_per_kg-平均特定湿度
• reanalysis_precip_amt_kg_per_m2-总降水量
• reanalysis_max_air_temp_k=最大空气温度
• reanalysis_min_air_temp_k-最低空气温度
• reanalysis_avg_temp_k-平均气温
• reanalysis_tdtr_k-白天温度范围

NOAA的CDR归一化差异植被指数（NDVI）（0.5x0.5度的标度）：

• ndvi_se-城市质心东南的NVDI
• ndvi_sw-城市质心西南的NVDI
• ndvi_ne-城市质心东北的NVDI
• ndvi_nw-城市中心西北的NVDI

此外，我们还有每周总病例数的信息。

很容易发现，对于数据集中的每一行，我们都有多个描述类似数据的特征。有四类：

• 温度

• 降水

• 湿度

• ndvi（这四个特征指的是城市的不同点，因此它们不是完全相同的数据）

因此，我们应该能够从输入中删除一些冗余数据。

输入示例：

week_start_date 1994-05-07
total_cases 22
station_max_temp_c 33.3
station_avg_temp_c 27.7571428571
station_precip_mm 10.5
station_min_temp_c 22.8
station_diur_temp_rng_c 7.7
precipitation_amt_mm 68.0
reanalysis_sat_precip_amt_mm 68.0
reanalysis_dew_point_temp_k 295.235714286
reanalysis_air_temp_k 298.927142857
reanalysis_relative_humidity_percent 80.3528571429
reanalysis_specific_humidity_g_per_kg 16.6214285714
reanalysis_precip_amt_kg_per_m2 14.1
reanalysis_max_air_temp_k 301.1
reanalysis_min_air_temp_k 297.0
reanalysis_avg_temp_k 299.092857143
reanalysis_tdtr_k 2.67142857143
ndvi_location_1 0.1644143
ndvi_location_2 0.0652
ndvi_location_3 0.1321429
ndvi_location_4 0.08175

提交格式：

city,year,weekofyear,total_cases
sj,1990,18,4
sj,1990,19,5
...

评分评价：

数据分析

在开始设计模型之前，我们需要查看原始数据并加以修正。为了达到这个目的，我们将使用pandas库。通常，我们可以直接导入.csv文件并处理导入的数据帧，但有时（特别是当第一行没有列描述时），我们必须提供列列表。

import pandas as pd
pd.set_option("display.precision", 2)

df = pd.read_csv('./dengue_features_train_with_out.csv')
df.describe()

Pandas有一个名为describe的内置方法，它显示数据集中列的基本统计信息。

当然，这种方法只适用于数值数据。如果我们有非数值列，我们必须先做一些预处理。在我们的例子中，唯一的列是city。这个列只包含sj和iq两个值，我们稍后将处理它。

回到主表。每行包含不同类型的信息：

• count -描述非NaN值的个数
• mean -整列的平均值（用于标准化）
• std -标准差（也可用于标准化）
• min ->max -显示包含值的范围（用于缩放）

让我们从计数开始。知道数据集中有多少条记录丢失了（一个或多个）并决定如何处理这些数据是很重要的。如果你看ndvi_nw值，它在13.3%的情况下是空的。如果你决定用诸如0之类的任意值替换缺少的值，这可能是个性能问题。通常，有两种常见的解决方案：

• 设置平均值

• 插值法

插值（处理缺失数据）

当处理序列数据时（就像我们这个场景一样），从它的邻域中插值（仅从邻域中取平均值）值，而不是用整个集合中的平均值来代替它，这样比较合理。

通常，序列数据在序列中的值之间有一定的相关性，使用邻域可以得到更好的结果。我给你举个例子。

假设你正在处理温度数据，并且你的整个数据集由一月到十二月的值组成。全年的平均值将是一年中大部分时间缺失天数的无效替代值。

如果从7月开始计算，则可能会有[28，27，-，-，30]。如果在伦敦的话，年平均气温是11摄氏度（或52华氏度）。在这种情况下使用11作为温度填充就是错误的。这就是为什么我们应该使用插值而不是平均值。

有了插值（即使在有更大差距的情况下），我们应该能够获得更好的结果。如果你计算这些值，你应该得到（27+30）/2=28.5和（28.5+30）/2=29.25，所以最终我们的数据集看起来像是[28，27，28.5，29.25，30]，远远好于[28，27，11，11，30]。

将数据集拆分为城市

因为我们已经讨论了一些重要的事情，所以我们可以定义一种方法，该方法允许我们将分类列（city）重新定义为二进制列向量并对数据进行插值：

def extract_data(train_file_path, columns, categorical_columns=CATEGORICAL_COLUMNS, categories_desc=CATEGORIES,
                 interpolate=True):
    # 读取csv文件并返回
    all_data = pd.read_csv(train_file_path, usecols=columns)
    if categorical_columns is not None:
        # 将分类映射到列
        for feature_name in categorical_columns:
            mapping_dict = {categories_desc[feature_name][i]: categories_desc[feature_name][i] for i in
                            range(0, len(categories_desc[feature_name]))}
            all_data[feature_name] = all_data[feature_name].map(mapping_dict)

        # 将映射的分类数据更改为0/1列
        all_data = pd.get_dummies(all_data, prefix='', prefix_sep='')

    # 修复丢失的数据
    if interpolate:
        all_data = all_data.interpolate(method='linear', limit_direction='forward')

    return all_data

所有常量（如分类列）都在这个要点中定义：https://gist.github.com/burnpiro/30610b5cf9fd685905fe36a0572ab292

此函数返回一个数据集，其中包含两个名为sj和iq的二进制列，它们具有布尔值，其中city被设置为sj或iq。

绘制数据

绘制数据图以直观地了解值在序列中的分布是很重要的。我们将使用一个名为Seaborn的库来帮助我们绘制数据。

sns.pairplot(dataset[["precipitation_amt_mm", "reanalysis_sat_precip_amt_mm", "station_precip_mm"]], diag_kind="kde")

这里我们只有一个数据集的特征，我们可以清楚地区分季节和城市（平均值从_297下降到292）。

另一件有用的事情是不同特征之间的关联。这样我们就可以从数据集中删除一些冗余的特征。

正如你所注意到的，我们可以立即删除其中一个降水特征。一开始这可能是无意的，但因为我们有来自不同来源的数据，同一类数据（如降水量）并不总是完全相关的。这可能是由于不同的测量方法或其他原因造成的。

数据相关性

当我们使用很多特征时，我们不需要为每一对都绘制成对图。另一个选择就是计算所谓的相关性分数。不同类型的数据有不同类型的相关性。我们使用corr()的方法生成数据集的数值相关性。

如果有不应该被视为二进制的分类列，你可以计算Cramer的V关联度量来找出它们和其他数据之间的“相关性”。

import pandas as pd
import seaborn as sns

# 导入我们的提取函数
from helpers import extract_data
from data_info import *

train_data = extract_data(train_file, CSV_COLUMNS)

# 获取“sj”city的数据并删除两个二进制列
sj_train = train_data[train_data['sj'] == 1].drop(['sj', 'iq'], axis=1)

# 生成热图
corr = sj_train.corr()
mask = np.triu(np.ones_like(corr, dtype=np.bool))
plt.figure(figsize=(20, 10))
ax = sns.heatmap(
    corr, 
     mask=mask, 
    vmin=-1, vmax=1, center=0,
    cmap=sns.diverging_palette(20, 220, n=200),
    square=True
)
ax.set_title('Data correlation for city "sj"')
ax.set_xticklabels(
    ax.get_xticklabels(),
    rotation=45,
    horizontalalignment='right'
);

你可以对iq 城做同样的事情，并将两者进行比较（相关性是不同的）。

如果你看看这张热图，很明显可以看出哪些特征相互关联，哪些不相关。你应该知道有正相关和负相关（深蓝色和深红色）。没有相关性的特征是白色的。

有几组正相关的特征，毫不奇怪，它们指的是同一类型的测量(例如station_min_temp_c和station_avg_temp_c之间的相关性)。但在不同的特征之间也存在相关性(比如reanalysis_specific_humidity_g_per_kg和reanalysis_dew_point_temp_k)。我们还应该关注total_cases和其他特征之间的相关性，因为这是我们需要预测的。

这次我们走运了，因为没有什么东西和我们的目标有很强的相关性。但是我们仍然应该能够为我们的模型选择最重要的特征。现在看热图没什么用，让我切换到条形图。

sorted_y = corr.sort_values(by='total_cases', axis=0).drop('total_cases')
plt.figure(figsize=(20, 10))
ax = sns.barplot(x=sorted_y.total_cases, y=sorted_y.index, color="b")
ax.set_title('Correlation with total_cases in "sj"')

通常，在为模型选择特征时，我们选择的特征与目标的绝对相关值最高。这取决于你决定你选择多少特征，你甚至可以选择所有的特征，但这通常不是最好的主意。

观察目标值在数据集中是如何分布的也是很重要的。我们可以很容易地用pandas做到：

平均一周的病例数相当少。只是偶尔（一年一次），案件总数会跳到某个更高的数值。在设计我们的模型时，我们需要记住这一点，因为即使我们设法找到了“跳跃”，我们可能会在几周内得分损失惨重，因为跳跃这种情况几乎没有样本。

什么是NDVI值？

本文最后要讨论的是NDVI指数（归一化差异植被指数）。这个指数是植被的指标。高负值对应于水，接近0的值表示岩石/沙子/雪，值接近1热带森林。在给定的数据集中，每个城市有4个不同的NDVI值（每个值对应于地图上不同的角落）。

即使总体NDVI指数对于了解我们正在处理的地形类型非常有用。如果我们需要为多个城市设计一个模型，地形类型的特征可能会很有用，但在这种情况下，我们只已知两个城市的气候和位置。我们不需要训练我们的模型来判断我们所处的环境，相反，我们可以为每个城市训练不同的模型。

我花了一段时间尝试使用这些值（尤其是在这种情况下插值很困难，因为我们在这个过程中使用了大量的信息）。使用NDVI指数也可能产生误导，因为数值的变化并不一定与植被过程的变化相对应。

结论

现在，你应该知道我们的数据集是什么样子的。我们甚至还没有开始设计第一个模型，但已经知道有些特征不如其他特征重要，有些只是重复的数据。如果你需要从这整篇文章中得到一件事，那就是“首先试着理解你的数据！”.

参考文献：

DengAI: Predicting Disease Spread https://www.drivendata.org/competitions/44/dengai-predicting-disease-spread/

原文链接：https://towardsdatascience.com/dengai-how-to-approach-data-science-competitions-eda-22a34158908a

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/