[PYTHON] Prix des maisons Kaggle ① ～ Ingénierie des fonctionnalités ～

La compétition Kaggle suivante présente l'ingénierie de la quantité. House Prices: Advanced Regression Techniques

Je fais référence à ce qui suit. Essayez de résoudre les prix des maisons de kaggle [kaggle: Tutoriel sur les prix des logements (prévisions des prix des logements)](https://data-bunseki.com/2019/08/15/kaggle%EF%BC%9Ahouse-price-%E3%83%81%E3%83 % A5% E3% 83% BC% E3% 83% 88% E3% 83% AA% E3% 82% A2% E3% 83% AB% E4% BD% 8F% E5% AE% 85% E4% BE% A1 % E6% A0% BC% E3% 81% AE% E4% BA% 88% E6% B8% AC /)

Charger la bibliothèque

import numpy as np
import pandas as pd
from sklearn.externals import joblib

Lire les données

train = pd.read_csv('train.csv')
test_x = pd.read_csv('test.csv')

Exclure les valeurs aberrantes

#Créer une variable qui totalise la taille de la propriété
train["TotalSF"] = train["1stFlrSF"] + train["2ndFlrSF"] + train["TotalBsmtSF"]
test_x["TotalSF"] = test_x["1stFlrSF"] + test_x["2ndFlrSF"] + test_x["TotalBsmtSF"]
#Exclure les valeurs aberrantes
train = train.drop(train[(train['TotalSF']>7500) & (train['SalePrice']<300000)].index)
train = train.drop(train[(train['YearBuilt']<2000) & (train['SalePrice']>600000)].index)
train = train.drop(train[(train['OverallQual']<5) & (train['SalePrice']>200000)].index)
train = train.drop(train[(train['OverallQual']<10) & (train['SalePrice']>500000)].index)

Divisez les données d'entraînement en variables objectives et autres

train_x = train.drop('SalePrice',axis=1)
train_y = train["SalePrice"]

Intégrez les données d'entraînement et les données de test

all_data = pd.concat([train_x,test_x],axis=0,sort=True)

La colonne ID n'est pas nécessaire, stockez-la dans une autre variable

train_ID = train_x['Id']
test_ID = test_x['Id']

all_data.drop("Id", axis = 1, inplace = True)

Correspondance de valeur manquante

#Répertorier les colonnes avec des valeurs manquantes
na_col_list = all_data.isnull().sum()[all_data.isnull().sum()>0].index.tolist()

#Compléter les valeurs manquantes pour la longueur de route adjacente (LotFrontage)
all_data['LotFrontage'] = all_data.groupby('Neighborhood')['LotFrontage'].transform(lambda x: x.fillna(x.median()))

#Créer une liste de types flottants avec des valeurs manquantes
float_list = all_data[na_col_list].dtypes[all_data[na_col_list].dtypes == "float64"].index.tolist()

#Créer une liste de valeurs manquantes et de type objet
obj_list = all_data[na_col_list].dtypes[all_data[na_col_list].dtypes == "object"].index.tolist()

#Pour le type float, remplacez la valeur manquante par 0
all_data[float_list] = all_data[float_list].fillna(0)

#Valeur manquante pour le type d'objet"None"Remplacer par
all_data[obj_list] = all_data[obj_list].fillna("None")

Convertir des variables numériques en variables catégorielles

all_data['MSSubClass'] = all_data['MSSubClass'].apply(str)
all_data['YrSold'] = all_data['YrSold'].astype(str)
all_data['MoSold'] = all_data['MoSold'].astype(str)

Ajout de nouvelles fonctionnalités

#Créer une variable qui totalise la taille de la propriété
all_data["TotalSF"] = all_data["1stFlrSF"] + all_data["2ndFlrSF"] + all_data["TotalBsmtSF"]

#Zone ajoutée par pièce pour afficher la quantité
all_data["FeetPerRoom"] =  all_data["TotalSF"]/all_data["TotRmsAbvGrd"]

#Total de l'année de construction et de l'année de rénovation
all_data['YearBuiltAndRemod']=all_data['YearBuilt']+all_data['YearRemodAdd']

#Superficie totale de la salle de bain
all_data['Total_Bathrooms'] = (all_data['FullBath'] + (0.5 * all_data['HalfBath']) +
                               all_data['BsmtFullBath'] + (0.5 * all_data['BsmtHalfBath']))

#Superficie totale côté bord
all_data['Total_porch_sf'] = (all_data['OpenPorchSF'] + all_data['3SsnPorch'] +
                              all_data['EnclosedPorch'] + all_data['ScreenPorch'] +
                              all_data['WoodDeckSF'])

#Présence ou absence de piscine
all_data['haspool'] = all_data['PoolArea'].apply(lambda x: 1 if x > 0 else 0)

#Présence ou absence du deuxième étage
all_data['has2ndfloor'] = all_data['2ndFlrSF'].apply(lambda x: 1 if x > 0 else 0)

#Avec ou sans garage
all_data['hasgarage'] = all_data['GarageArea'].apply(lambda x: 1 if x > 0 else 0)

#Présence ou absence de sous-sol
all_data['hasbsmt'] = all_data['TotalBsmtSF'].apply(lambda x: 1 if x > 0 else 0)

#Avec ou sans cheminée
all_data['hasfireplace'] = all_data['Fireplaces'].apply(lambda x: 1 if x > 0 else 0)

Effectuer un encodage à chaud sur des variables catégorielles

#Extraire des colonnes qui sont des variables catégorielles
cal_list = all_data.dtypes[all_data.dtypes=="object"].index.tolist()

#Obtenir des variables catégorielles_un par des nuls-hot-Encoder
all_data = pd.get_dummies(all_data,columns=cal_list)

Subdivisé en données d'entraînement et données de test

train_x = all_data.iloc[:train_x.shape[0],:].reset_index(drop=True)
test_x = all_data.iloc[train_x.shape[0]:,:].reset_index(drop=True)

Enregistrer les fonctionnalités

joblib.dump(train_x, 'train_x.pkl')
joblib.dump(test_x, 'test_x.pkl')
joblib.dump(train_y, 'train_y.pkl')