【机器学习】kaggle实战：6大回归模型预测航班票价

公众号：尤而小屋
作者：Peter
编辑：Peter

今天给大家带来一篇新的kaggle案例文章：基于6大回归模型预测航空公司机票的价格。

这篇文章涉及到的知识点会比较多，关键是数据预处理和特征工程部分：

原notebook的学习地址为：

https://www.kaggle.com/anshigupta01/flight-price-prediction/notebook

kaggle文章

基于LSTM模型实现共享自行车需求预测

6大监督学习模型：毒蘑菇分类

基于随机森林模型的心脏病患者预测分类

从统计和数据角度出发，如何看待房价？

Plotly+Seaborn+Folium可视化探索爱彼迎租房数据

Plotly+Pandas+Sklearn：实现用户聚类分群！

7000字，利用Python分析泰坦尼克数据！

导入库

数据基本信息

先把数据导进来：

df = pd.read_excel("data_air.xlsx")
df.head()

查看数据的基本信息，包含：数据形状、字段类型等

# 字段类型
df.dtypes

Airline            object
Date_of_Journey    object
Source             object
Destination        object
Route              object
Dep_Time           object
Arrival_Time       object
Duration           object
Total_Stops        object
Additional_Info    object
Price               int64
dtype: object
  
# 全部字段
columns = df.columns.tolist()
columns

['Airline',
 'Date_of_Journey',
 'Source',
 'Destination',
 'Route',
 'Dep_Time',
 'Arrival_Time',
 'Duration',
 'Total_Stops',
 'Additional_Info',
 'Price']

数值型字段的描述统计信息，这里主要是针对Price字段：

缺失值处理

通过上面的缺失值检查，我们看到有两个字段是存在缺失值的，进行可视化。

missingno是一个可视化缺失值的库，方便使用，我们可以用pip install missingno 即可下载该库

import missingno as mso
mso.bar(df,color="blue")
plt.show()

缺失值删除

正常的字段是10683条，其中两个字段是10682条；缺失值的占比很小，考虑直接删除的数据

时间相关字段处理

时间处理

1. 通过pd.to_datetime()直接将字符型的数据转成时间类型的数据
2. 通过dt.day或者df.month 直接获取天或者月的信息

# 将字段类型转成时间相关类型

def change_to_datetime(col):
    df[col] = pd.to_datetime(df[col])

对3个字段实施转换：

# 3个字段的转换

for col in ['Date_of_Journey','Dep_Time', 'Arrival_Time']:
    change_to_datetime(col)

查看转换之后的字段类型：

df.dtypes

Airline                    object
Date_of_Journey    datetime64[ns]
Source                     object
Destination                object
Route                      object
Dep_Time           datetime64[ns]
Arrival_Time       datetime64[ns]
Duration                   object
Total_Stops                object
Additional_Info            object
Price                       int64
dtype: object

提取天和月

乘客旅程日期中（Date_of_Journey）单独提取天和月，作为两个字段

df["day"] = df["Date_of_Journey"].dt.day
df["month"] = df["Date_of_Journey"].dt.month
df.head()

最终生成了两个新的字段：

# 删除字段
df.drop('Date_of_Journey', axis=1, inplace=True)

起飞时间和抵达时间处理

主要提取两个时间中的“小时”和“分钟”信息；同时删除原字段：

分别调用函数来提取信息：

extract_hour(df,'Dep_Time')
extract_minute(df,'Dep_Time')
drop_col(df,'Dep_Time')  # 删除原字段

extract_hour(df,'Arrival_Time')
extract_minute(df,'Arrival_Time')
drop_col(df,'Arrival_Time')

df.head()

航班持续时间duration

1、将持续时间规范化处理，统一变成0h 1m

# # 原文方法

# duration=list(df['Duration'])

# for i in range(len(duration)):
#     if len(duration[i].split(' '))==2:
#         pass
#     else:
#         if 'h' in duration[i]: 
#              duration[i]=duration[i] + ' 0m' 
#         else:
#              duration[i]='0h '+ duration[i]

下面是个人版本写法：

2、从Duration字段中提取小时和分钟：

df.drop("Duration",inplace=True,axis=1)

3、字段类型转化：查看dur_hour和dur_minute的字段类型变化

字段编码

字段类型区分

主要是区分object和非object类型的字段信息。

1、针对字符型的字段

column = [column for column in df.columns if df[column].dtype == "object"]
column

['Airline', 'Source', 'Destination', 'Route', 'Total_Stops', 'Additional_Info']

2、数值型（连续型）字段

continuous_col = [column for column in df.columns if df[column].dtype != "object"]
continuous_col

['Price',
 'day',
 'month',
 'Dep_Time_hour',
 'Dep_Time_minute',
 'Arrival_Time_hour',
 'Arrival_Time_minute',



    
 'dur_hour',
 'dur_minute']

2种编码技术

Nominal data -- Data that are not in any order -->one hot encoding
ordinal data -- Data are in order --> labelEncoder

• 标称数据：没有任何顺序，使用独热编码oneot encoding
• 有序数据：存在一定的顺序，使用类型编码labelEncoder

生成标称型字段组成的数据

不同字段编码处理

航空公司-Airline

1、不同航空公司的数量统计：

2、查看航空公司与价格关系

plt.figure(figsize=(15,8))

sns.boxplot(x="Airline",
            y="Price",
            data=df.sort_values('Price',ascending=False)
           )

plt.show()

3、2个明显的结论

从上面的图形中看出来：

• Jet Airways Business公司的机票价格是最高的
• 其他公司的价格中位数是比较接近的

4、实现独热编码

由于航空公司属性是一个标称数据的字段，我们进行独热编码，通过哑变量的方式来实现：

停留地-Total_Stops

旅行期间的总共停留地，实施上面的同样操作：

1、和价格的关系

plt.figure(figsize=(15,8))

sns.boxplot(x='Total_Stops',
            y='Price',
            data=df.sort_values('Price',ascending=False))
plt.show()

2、实施硬编码；区别于航空公司的独热编码

出发地source

出发地和价格的关系：

plt.figure(figsize=(18,12))

sns.catplot(x='Source',
            y='Price',
            data=df.sort_values('Price',ascending=False),kind='boxen')

plt.show()

独热编码的过程：

目的地-destination

目的地的数量统计：

目的地和价格的关系：

独热编码的实现：

路线Route

1、不同路线的数量统计：

2、路线名称提取

从上面的结果中看出来，最长的路线中有5个地名，我们一次提取。

没有出现的数据则用NaN来表示：

categorical['Route1']=categorical['Route'].str.split('→').str[0]
categorical['Route2']=categorical['Route'].str.split('→').str[1]
categorical['Route3']=categorical['Route'].str.split('→').str[2]
categorical['Route4']=categorical['Route'].str.split('→').str[3]
categorical['Route5']=categorical['Route'].str.split('→').str[4]
categorical.head()

3、缺失值字段

for


    
 i in ['Route3', 'Route4', 'Route5']:
    categorical[i].fillna('None',inplace=True)

4、类型编码LabelEncoder

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()

for i in ['Route1', 'Route2', 'Route3', 'Route4', 'Route5']:
    categorical[i]=le.fit_transform(categorical[i])
    
categorical.head()

抵达时间/小时-Arrival_Time_hour

抵达目的地时间和价格的关系：

df.plot.hexbin(x='Arrival_Time_hour',
               y='Price',
               gridsize=15)
plt.show()

建模数据

删除无效字段

生成的全部字段信息：

categorical.columns

Index(['Airline', 'Source', 'Destination', 'Total_Stops', 'Additional_Info',
       'Route1', 'Route2', 'Route3', 'Route4', 'Route5'],
      dtype='object')

将原始的无效字段直接删除：

drop_col(categorical,'Airline')
drop_col(categorical,'Source')
drop_col(categorical,'Destination')
drop_col(categorical,'Additional_Info')

最终数据

将多个DataFrame进行拼接，组成最终的建模，其中Price进行最终的输出特征

final_df=pd.concat([categorical,Airline,source,destination,df[continuous_col]],axis=1)

final_df.head()

离群点检测

对上面生成的最终数据进行离群点检测：

对离群点填充均值，查看填充后的效果：

final_df['Price']=np.where(final_df['Price']>=40000,  # 替换部分
                           final_df['Price'].median(), # 替换数据
                           final_df['Price']) # 替换字段
plot(final_df, "Price")

数据切分

X=final_df.drop('Price',axis=1)
y=final_df['Price']

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X,y,
                                                 test_size=0.20,
                                                 random_state=123)

特征选择

本文中特征选择使用的是 mutual_info_classif 库：

from sklearn.feature_selection import mutual_info_classif
imp = pd.DataFrame(mutual_info_classif(X,y),
                  index=X.columns)

imp.columns=['importance']
imp.sort_values(by='importance',ascending=False)

评价指标

本次建模中引入3个评价指标：

• r2_score（重点关注）
• mean_absolute_error
• mean_squared_error

from sklearn.metrics import r2_score,mean_absolute_error,mean_squared_error

def predict(ml_model):
    print("Model is: ", ml_model)
    
    model = ml_model.fit(X_train, y_train)
    
    print("Training score: ", model.score(X_train,y_train))
    
    predictions = model.predict(X_test)
    print("Predictions: ", predictions)
    print('-----------------')
    r2score = r2_score(y_test, predictions)
    print("r2 score is: ", r2score)
    
    print('MAE:{}', mean_absolute_error(y_test,predictions))
    print('MSE:{}', mean_squared_error(y_test,predictions))
    print('RMSE:{}', np.sqrt(mean_squared_error(y_test,predictions)))
    
    # 真实值和预测值的差值
    sns.distplot(y_test - predictions)

建模

导入多种模型：

    
# 逻辑回归
from sklearn.linear_model import LogisticRegression   
# k近邻回归
from sklearn.neighbors import KNeighborsRegressor  
# 决策树回归
from sklearn.tree import DecisionTreeRegressor  
# 梯度提升回归，随机森林回归
from sklearn.ensemble import GradientBoostingRegressor,RandomForestRegressor  

随机森林回归树-RandomForestRegressor

逻辑回归-LogisticRegression

K近邻回归-KNeighborsRegressor

决策树回归DecisionTreeRegressor

支持向量机回归-SVR

梯度提升回归-GradientBoostingRegressor

模型调优-Hypertunning the model

调优寻参

# 采用随机搜索调优
from sklearn.model_selection import RandomizedSearchCV

# 待调优的参数
random_grid = {
    'n_estimators' : [100, 120, 150, 180, 200,220],
    'max_features':['auto','sqrt'],
    'max_depth':[5,10,15,20],
    }

# 建模拟合
rf=RandomForestRegressor()
rf_random=RandomizedSearchCV(
  estimator=rf,
  param_distributions=random_grid,
  cv=3,
  verbose=2,
  n_jobs=-1)

rf_random.fit(X_train,y_train)

多次运行调优后找到最佳的参数组合：

调优后结果

通过r2_score指标发现：进行参数调优后，模型的效果得到提升~

补充：如何理解回归模型的r2_score指标

假设我们用表示数据真实的观测值，用表示真实观测值的平均值，用表示通过模型得到的预测值，则：

回归平方和：SSR

SSR可以表示为；

即估计值与平均值的误差，反映自变量与因变量之间的相关程度的偏差平方和

残差平方和：SSE

SSE可以表示为：

即估计值与真实值的误差，反映的是整个模型拟合程度

总离差平方和：SST

R2_score计算公式

R^2 score，即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例。计算公式：

也可以写成：

进一步可以转成：

此时分子就变成了我们常用的评价指标均方误差MSE，分母就变成了方差Var。r2_score在0-1之间，越接近1越好。

两种常见的求解r2的方式：

# 1、利用python间接求解
from sklearn.metrics import mean_squared_error
1 - mean_squared_error(y_test, y_pred)/ np.var(y_test)

# 2、sklearn直接求解
from sklearn.metrics import r2_score
y_test = [1, 2, 3]
y_pred = [1.3, 2.1, 3.5]
r2_score(y_test,y_pred)