Pandas + sklearn線性回歸失敗

Question

我正在嘗試在Python中實現一些線性回歸模型。 請參閱下面的代碼，我使用它進行了線性回歸。

import pandas
salesPandas = pandas.DataFrame.from_csv('home_data.csv')

# check the shape of the DataFrame (rows, columns)
salesPandas.shape
(21613, 20)

from sklearn.cross_validation import train_test_split

train_dataPandas, test_dataPandas = train_test_split(salesPandas, train_size=0.8, random_state=1)

from sklearn.linear_model import LinearRegression

reg_model_Pandas = LinearRegression()

print type(train_dataPandas)
print train_dataPandas.shape
<class 'pandas.core.frame.DataFrame'>
(17290, 20)

print type(train_dataPandas['price'])
print train_dataPandas['price'].shape
<class 'pandas.core.series.Series'>
(17290L,)

X = train_dataPandas
y = train_dataPandas['price']
reg_model_Pandas.fit(X, y)

執行完上面的python代碼后，出現以下錯誤：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-11-dc363e199032> in <module>()
      3 X = train_dataPandas
      4 y = train_dataPandas['price']
----> 5 reg_model_Pandas.fit(X, y)

C:\Users\...\AppData\Local\Continuum\Anaconda2\lib\site-packages\sklearn\linear_model\base.py in fit(self, X, y, n_jobs)
    374             n_jobs_ = self.n_jobs
    375         X, y = check_X_y(X, y, accept_sparse=['csr', 'csc', 'coo'],
--> 376                          y_numeric=True, multi_output=True)
    377 
    378         X, y, X_mean, y_mean, X_std = self._center_data(

C:\Users\...\AppData\Local\Continuum\Anaconda2\lib\site-packages\sklearn\utils\validation.py in check_X_y(X, y, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric)
    442     X = check_array(X, accept_sparse, dtype, order, copy, force_all_finite,
    443                     ensure_2d, allow_nd, ensure_min_samples,
--> 444                     ensure_min_features)
    445     if multi_output:
    446         y = check_array(y, 'csr', force_all_finite=True, ensure_2d=False,

C:\Users\...\AppData\Local\Continuum\Anaconda2\lib\site-packages\sklearn\utils\validation.py in check_array(array, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features)
    342             else:
    343                 dtype = None
--> 344         array = np.array(array, dtype=dtype, order=order, copy=copy)
    345         # make sure we actually converted to numeric:
    346         if dtype_numeric and array.dtype.kind == "O":

ValueError: invalid literal for float(): 20140610T000000

來自train_dataPandas.info（）的輸出

<class 'pandas.core.frame.DataFrame'>
Int64Index: 17290 entries, 4058200630 to 1762600320
Data columns (total 20 columns):
date             17290 non-null object
price            17290 non-null int64
bedrooms         17290 non-null int64
bathrooms        17290 non-null float64
sqft_living      17290 non-null int64
sqft_lot         17290 non-null int64
floors           17290 non-null float64
waterfront       17290 non-null int64
view             17290 non-null int64
condition        17290 non-null int64
grade            17290 non-null int64
sqft_above       17290 non-null int64
sqft_basement    17290 non-null int64
yr_built         17290 non-null int64
yr_renovated     17290 non-null int64
zipcode          17290 non-null int64
lat              17290 non-null float64
long             17290 non-null float64
sqft_living15    17290 non-null int64
sqft_lot15       17290 non-null int64
dtypes: float64(4), int64(15), object(1)
memory usage: 2.8+ MB

Answer 1

因此，感謝EdChum，到目前為止的解決方案是：

1. 首先，我上傳了數據
2. salesPandas.info（）向我顯示，

 Int64Index: 21613 entries, 7129300520 to 1523300157 Data columns (total 20 columns): date 21613 non-null object 

這不是很好，因為sklearn無法將日期用作對象

3. 如果我執行salesPandas.head（），則第一個Tupel的日期為

20141013T000000

你看到T了嗎？ ...壞

4. sklearn.linear_model.LinearRegression（）。fit（）要具有npy數組（Pandas建立在numpy上，因此DataFrame也是numpy數組）

5. 因此，首先將對象轉換為日期時間，然后將其轉換為數字

salesPandas ['date'] = pandas.to_datetime（salesPandas ['date']，format ='％Y％m％dT％H％M％S'）

salesPandas ['date'] = pandas.to_numeric（salesPandas ['date']）

6. 如果你那么

   reg_model_Pandas.fit（X，y）

有用

Answer 2

根據您的數據的另一種可能的解決方案可能是從文件中讀取日期時指定parse_dates ，例如：

import pandas
salesPandas = pandas.read_csv('home_data.csv', parse_dates=['date'])

之所以有用，是因為當您傳遞要擬合的數據時，可以將其分解為月，小時，天。 這是假設您的大多數數據都集中在前面提到的數據上，而不是年份（即，您的唯一時間總數約為3-4）

在這里，您可以使用Datetimelike屬性，並通過執行salesPandas['date'].dt.month調用月份，然后按日和小時將其替換。