数据分析侠 2018-03-29
这段时间,我对 reportgen 进行了大工程量的修改和更新。将之前在各个文章中出现的函数进行了封装,同时也对现有工具包的一些逻辑进行了调整。
reportgen 的底层是 pptx 文件生成接口,它能非常方便的将DataFrame等数据导出为pptx上的图表。你可以自定义图表的类型(条形图、饼图、折线图等),也可以全部交给工具包来自动化。另外不排除后期会增加其他文件形式(如可交互的 html 等)接口的可能性,但短期内估计比较难。
在这些接口上是一些辅助函数,包括特征类型的判断、sklearn中缺少的预处理函数、一些特殊的度量函数、模型评估报告函数、关联分析函数等。工具包的愿景是对数据的自动分析,自动出报告,这期间缺乏的函数我都可能加进去。这次更新,主要就是完善了这一层。
工具包的最外层就是各类数据的分析报告生成。目前已经完成的是问卷型数据和通用性数据。其中问卷型数据已经很完善,基本只需要修bug了,单独作为一个子包放在 reportgen中,大家可以 import reportgen.questionnaire as ques
来使用。至于通用性数据,目前已经完成了第一步,即描述统计型的分析报告,大家可以用rpt.AnalysisReport
来实现。第二步准备实现给定目标变量后的分析,包含交叉分析、各特征的重要性、监督学习模型等。
另外,这次我放了一些案例在github上,用于大家下载后的测试和学习用,网址是 https://github.com/gasongjian/reportgen/tree/master/example
在这个分析报告中,我会对DataFrame数据的每一个字段进行分析,判断它们的类型,然后画出合适的图表。对于因子变量,自动绘制柱状图或条形图;对于数值型变量,自动绘制出拟合的分布图;对于一般的文本,自动绘制词云。同时也会给出一个统计表格,内含各个变量的场景统计数据,如最大值、最小值、均值、标准差、唯一数个数、缺失率等。下面是一个例子,代码和数据可在我的github中寻找。
import pandas as pd import reportgen as rpt # 数据导入 # 数据的网址:https://github.com/gasongjian/reportgen/tree/master/example/datasets/LendingClub_Sample.xlsx data=pd.read_excel('.\\datasets\\LendingClub_Sample.xlsx') # 数据预览 rpt.AnalysisReport(data.copy(),filename='LendingClub 数据预览');
它会生成如下 pptx 文件
另外这里有一些过程函数也推荐给大家
# 返回各个特征的数据类型 var_type=rpt.type_of_var(data) #返回一个统计表格,内含数据各个特征的一些统计值 summary=rpt.describe(data)
# 只作工具包测试,所以不区分训练集和测试集 y=data['target'] X=data.drop(['target'],axis=1) categorical_var=list(set(X.columns[X.apply(pd.Series.nunique)<30])|set(X.select_dtypes(include=['O']).columns)) continuous_var=list(set(X.columns)-set(categorical_var)) # ===========【WOE 编码】============= woe=rpt.preprocessing.WeightOfEvidence(categorical_features=categorical_var,encoder_na=False) X=woe.fit_transform(X,y) # ===========【离散:卡方分箱】============= dis=rpt.preprocessing.Discretization(continous_features=continuous_var) X2=dis.fit_transform(X,y)
# 离散因子变量的熵 rpt.metrics.entropy.entropy(p) # 连续数值变量的熵(基于k近邻算法的近似估计) rpt.metrics.entropyc.kl_div(p,q)
clfs={'LogisticRegression':LogisticRegressionCV(),\ 'RandomForest':RandomForestClassifier(),'GradientBoosting':GradientBoostingClassifier()} y_preds,y_probas={},{} for clf in clfs: clfs[clf].fit(X, y) y_preds[clf] =clfs[clf].predict(X) y_probas[clf] = clfs[clf].predict_proba(X)[:,] # 函数会输出一个或多个二分类模型的性能评估结果,包含ROC曲线、PR曲线、密度函数、auc等统计指标、混淆矩阵等 models_report,conf_matrix=rpt.ClassifierReport(y,y_preds,y_probas) print(models_report)
问卷数据涉及到各种题型,包括单选题、多选题、填空题、矩阵多选题、排序题等等。不管是
频数统计还是交叉分析,单选题都很好处理, 但其他题目就相对复杂的多,比如单选题和多选题
之间的交叉统计,多选题和多选题之间的交叉统计等。
为了能使用统一的函数进行常规分析,本工具包使用专门针对问卷设计的数据类型(或者说编码方式)。在这种类型中,每一份问卷都有两个文件,data 和 code ,它们的含义如下:
1). data
:按选项序号编码的数据(csv、xlsx等都可以)。具体的示例如下:
|Q1|Q2|Q3_A1|Q3_A2|Q3_A3|Q3_A4| |:----:|:---:|:----:|:----:|:---:|:----:| |1|1|1|0|1|0| |1|2|0|0|1|0| |1|1|1|0|0|1| |2|3|0|1|1|0| |1|2|1|0|1|0| |1|4|0|1|0|1| |2|2|1|0|1|0| |1|1|0|1|0|1| |2|2|1|0|1|0|
其中 Q1、Q2是单选题,在Q1中,1代表男,2代表女。Q3是多选题,一共有四个选项,分别代表 Q3_A1:'旅游',Q3_A2:'健身',Q3_A3:'艺术',Q3_A4:'养生'. 多选题常用这种01矩阵存储。
2). code
:编码文件( json格式,就是 python中的字典类型), 给定每道题的题号、选项编码等信息。
每一个题目都有如下字段:
content
: 题目内容code
: 题目对应的编码code_r
: 题目对应的编码(矩阵单选题专有)qtype
: 题目类型,单选题、多选题、矩阵单选题、排序题、填空题等qlist
: 该题的索引,如多选题的 ['Q1_A1','Q1_A2',..]code_order
: 非必须,题目类别的顺序,用于PPT报告的生成[一般后期添加]name
: 非必须,特殊题型的标注weight
: 非必须,dict,每个选项的权重,用于如月收入等的平均数统计具体示例如下:
code={'Q1':{ 'content':'性别', 'code':{ :'男', :'女' } 'qtype':'单选题', 'qlist':['Q1'] }, 'Q2':{ 'content':'年龄', 'code':{ :'17岁以下', :'18-25岁', :'26-35岁', :'36-46岁' }, 'qtype':'单选题', 'qlist':['Q2'] }, 'Q3':{ 'content':'爱好', 'code':{ 'Q3_A1':'旅游', 'Q3_A2':'健身', 'Q3_A3':'艺术', 'Q3_A4':'养生' }, 'qtype':'多选题', 'qlist':['Q3_A1','Q3_A2','Q3_A3','Q3_A4'] } }
该工具包包含如下函数:
read_code
, 从本地读取code数据,支持excel文件和json文件save_code
, 将code 保存为 xlsx 或json数据load_data
, 支持打开文件窗口来选择问卷数据read_data
, 读取本地的数据,自适应xlsx、csv等save_data
, 将问卷数据(data和code)保存到本地wenjuanwang
, 编码问卷网平台的问卷数据,输入为问卷网上下载的三个文件wenjuanxing
, 编码问卷星平台的问卷数据,输入为问卷星网站上下载的两个xls文件(按选项序号和按选项文本)spec_rcode
: 对问卷中的一些特殊题型进行处理,如将城市题分类成省份、城市、城市级别等dataText_to_code
:dataCode_to_text
:var_combine
: 见data_mergedata_merge
: 合并两份问卷数据,常见于多个推动渠道的问卷合并clean_ftime
: 根据用户填写时间来筛选问卷,会根据填问卷累计时间曲线的拐点来给出剔除的时间点data_auto_code
:qdata_flatten
: 将问卷数据展平,便于将多份问卷数据存储在同一个数据库中sample_size_cal
: 样本量计算公式confidence_interval
: 置信区间计算公式gof_test
: 拟合优度检验chi2_test
: 卡方检验fisher_exact
: 卡方检验,适用于观察频数过少的情形anova
: 方差分析mca
: 对应分析,目前只支持两个变量cluster
: 态度题的聚类分析,会根据轮廓系数自动选择最佳类别数association_rules
: 关联分析,用于多选题的进一步分析contingency
: 列联表分析,统一给出列联表的各种数据,包含fo、fop、TGI等qtable
: 单个题目的统计分析和两个题目的交叉分析,给出频数表和频率表summary_chart
: 整体统计报告,针对每一道题,选择合适的图表进行展示,并输出为pptx文件cross_chart
: 交叉分析报告,如能将年龄与每一道题目进行交叉分析,并输出为pptx文件onekey_gen
: 综合上两个,一键生成scorpion
: 生成一个表格,内含每个题目的相关统计信息scatter
: 散点图绘制,不同于matplotlib的是,其能给每个点加文字标签sankey
: 桑基图绘制,不画图,只提供 R 需要的数据import reportgen.questionnaire as ques # 导入问卷星数据 datapath=['.\\datasets\\[问卷星数据]800_800_0.xls','.\\datasets\\[问卷星数据]800_800_2.xls'] data,code=ques.wenjuanxing(datapath) # 导出 ques.save_data(data,filename='data.xlsx') ques.save_data(data,filename='data.xlsx',code=code)# 会将选项编码替换成文本 ques.save_code(code,filename='code.xlsx') # 对单变量进行统计分析 result=ques.qtable(data,code,'Q1') print(result['fo']) # 两个变量的交叉分析 result=ques.qtable(data,code,'Q1','Q2') print(result['fop']) # 聚类分析,会在原数据上添加一列,类别题 #ques.cluster(data,code,'态度题') # 在.\\out\\下 生成 pptx文件 ques.summary_chart(data,code,filename='整体统计报告'); ques.cross_chart(data,code,cross_class='Q4',filename='交叉分析报告_年龄'); ques.scorpion(data,code,filename='详细分析数据') ques.onekey_gen(data,code,filename='reportgen 自动生成报告');
最新信息发布见我的个人公众号: