大數(shù)據(jù)預(yù)測(cè)是大數(shù)據(jù)最核心的應(yīng)用，是它將傳統(tǒng)意義的預(yù)測(cè)拓展到“現(xiàn)測(cè)”。大數(shù)據(jù)預(yù)測(cè)的優(yōu)勢(shì)體現(xiàn)在，它把一個(gè)非常困難的預(yù)測(cè)問題，轉(zhuǎn)化為一個(gè)相對(duì)簡單的描述問題，而這是傳統(tǒng)小數(shù)據(jù)集根本無法企及的。從預(yù)測(cè)的角度看，大數(shù)據(jù)預(yù)測(cè)所得出的結(jié)果不僅僅是用于處理現(xiàn)實(shí)業(yè)務(wù)的簡單、客觀的結(jié)論，更是能用于幫助企業(yè)經(jīng)營的決策。
在過去，人們的決策主要是依賴 20% 的結(jié)構(gòu)化數(shù)據(jù)，而大數(shù)據(jù)預(yù)測(cè)則可以利用另外 80% 的非結(jié)構(gòu)化數(shù)據(jù)來做決策。大數(shù)據(jù)預(yù)測(cè)具有更多的數(shù)據(jù)維度，更快的數(shù)據(jù)頻度和更廣的數(shù)據(jù)寬度。與小數(shù)據(jù)時(shí)代相比，大數(shù)據(jù)預(yù)測(cè)的思維具有 3 大改變：實(shí)樣而非抽樣;預(yù)測(cè)效率而非精確;相關(guān)關(guān)系而非因果關(guān)系。
而今天我們就將利用python制作可視化的大數(shù)據(jù)預(yù)測(cè)部分集成工具，其中數(shù)據(jù)在這里使用一個(gè)實(shí)驗(yàn)中的數(shù)據(jù)。普遍性的應(yīng)用則直接從文件讀取即可。其中的效果圖如下：
實(shí)驗(yàn)前的準(zhǔn)備
首先我們使用的python版本是3.6.5所用到的模塊如下：
- sklearn模塊用來創(chuàng)建整個(gè)模型訓(xùn)練和保存調(diào)用以及算法的搭建框架等等。
- numpy模塊用來處理數(shù)據(jù)矩陣運(yùn)算。
- matplotlib模塊用來可視化擬合模型效果。
- Pillow庫用來加載圖片至GUI界面。
- Pandas模塊用來讀取csv數(shù)據(jù)文件。
- Tkinter用來創(chuàng)建GUI窗口程序。
數(shù)據(jù)的訓(xùn)練和訓(xùn)練的GUI窗口
經(jīng)過算法比較，發(fā)現(xiàn)這里我們選擇使用sklearn簡單的多元回歸進(jìn)行擬合數(shù)據(jù)可以達(dá)到比較好的效果。
(1)首先是是數(shù)據(jù)的讀取，通過設(shè)定選定文件夾函數(shù)來讀取文件，加載數(shù)據(jù)的效果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
|
'''選擇文件功能'''def selectPath(): # 選擇文件path_接收文件地址 path_ =tkinter.filedialog.askopenfilename() # 通過replace函數(shù)替換絕對(duì)文件地址中的/來使文件可被程序讀取 # 注意：\\轉(zhuǎn)義后為\，所以\\\\轉(zhuǎn)義后為\\ path_ =path_.replace("/", "\\\\") # path設(shè)置path_的值 path.set(path_) return path # 得到的DataFrame讀入所有數(shù)據(jù) data = pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H,I") # DataFrame轉(zhuǎn)化為array DataArray = data.values # 讀取已使用年限作為標(biāo)簽 Y = DataArray[:, 8] # 讀取其他參數(shù)作為自變量，影響因素 X = DataArray[:, 0:8] # 字符串轉(zhuǎn)變?yōu)檎麛?shù) for i in range(len(Y)): Y[i] = int(Y[i].replace("年", "")) X = np.array(X) # 轉(zhuǎn)化為array Y = np.array(Y) # 轉(zhuǎn)化為array root = Tk() root.geometry("+500+260") # 背景圖設(shè)置 canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0) imgpath = '1.jpg'img = Image.open(imgpath) photo = ImageTk.PhotoImage(img) #背景圖大小設(shè)置 canvas.create_image(700, 400, image=photo) canvas.pack() path = StringVar() #標(biāo)簽名稱位置 label1=tk.Label(text = "目標(biāo)路徑:") label1.pack() e1=tk.Entry( textvariable = path) e1.pack() bn1=tk.Button(text = "路徑選擇", command = selectPath) bn1.pack() bn2=tk.Button(text = "模型訓(xùn)練", command = train) bn2.pack() bn3=tk.Button(text = "模型預(yù)測(cè)", command = test) bn3.pack() #標(biāo)簽按鈕等放在背景圖上 canvas.create_window(50, 50, width=150, height=30, window=label1) canvas.create_window(280, 50, width=300, height=30, window=e1) canvas.create_window(510, 50, width=150, height=30, window=bn1) canvas.create_window(50, 100, width=150, height=30, window=bn2) canvas.create_window(510, 100, width=150, height=30, window=bn3) root.mainloop() |
效果如下可見：
(2)然后是數(shù)據(jù)的擬合和可視化模型效果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
# 模型擬合 reg = LinearRegression() reg.fit(X, Y) # 預(yù)測(cè)效果 predict = reg.predict(np.array([X[0]])) Y_predict = reg.predict(X) print(Y_predict) # 橫坐標(biāo) x_label = [] for i in range(len(Y)): x_label.append(i) # 繪圖 fig, ax = plt.subplots() # 真實(shí)值分布散點(diǎn)圖 plt.scatter(x_label, Y) # 預(yù)測(cè)值分布散點(diǎn)圖 plt.scatter(x_label, Y_predict) # 預(yù)測(cè)值擬合直線圖 plt.plot(x_label, Y_predict) # 橫縱坐標(biāo) ax.set_xlabel('預(yù)測(cè)值與真實(shí)值模型擬合效果圖') ax.set_ylabel('藍(lán)色為真實(shí)值，黃色為預(yù)測(cè)值') # 將繪制的圖形顯示到tkinter:創(chuàng)建屬于root的canvas畫布,并將圖f置于畫布上 canvas = FigureCanvasTkAgg(fig, master=root) canvas.draw() # 注意show方法已經(jīng)過時(shí)了,這里改用draw canvas.get_tk_widget().pack() # matplotlib的導(dǎo)航工具欄顯示上來(默認(rèn)是不會(huì)顯示它的) toolbar = NavigationToolbar2Tk(canvas, root) toolbar.update() canvas._tkcanvas.pack() #彈窗顯示 messagebox.showinfo(title='模型情況', message="模型訓(xùn)練完成！") 其中的效果如下可見： |
其中的效果如下可見：
模型的預(yù)測(cè)和使用
其中模型的預(yù)測(cè)主要通過兩種方式進(jìn)行預(yù)測(cè)，分別是：手動(dòng)輸入單個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)和讀取文件進(jìn)行預(yù)測(cè)。
其中手動(dòng)輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)需要設(shè)置更多的GUI按鈕，其中代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
|
#子窗口 LOVE = Toplevel(root) LOVE.geometry("+100+260") LOVE.title = "模型測(cè)試"#子窗口各標(biāo)簽名 label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態(tài)電平（mv）", "低電平方差（mv2)x10-3", "高狀態(tài)電平（v）", "高電平方差(v2)", "信號(hào)質(zhì)量因子"] Label(LOVE, text="1、輸入?yún)?shù)預(yù)測(cè)", font=("微軟雅黑", 20)).grid(row=0, column=0) #標(biāo)簽名稱，字體位置 Label(LOVE, text=label[0], font=("微軟雅黑",10)).grid(row=1, column=0) Label(LOVE, text=label[1], font=("微軟雅黑", 10)).grid(row=1, column=1) Label(LOVE, text=label[2], font=("微軟雅黑", 10)).grid(row=1, column=2) Label(LOVE, text=label[3], font=("微軟雅黑", 10)).grid(row=1, column=3) Label(LOVE, text=label[4], font=("微軟雅黑", 10)).grid(row=1, column=4) Label(LOVE, text=label[5], font=("微軟雅黑", 10)).grid(row=1, column=5) Label(LOVE, text=label[6], font=("微軟雅黑", 10)).grid(row=1, column=6) Label(LOVE, text=label[7], font=("微軟雅黑", 10)).grid(row=1, column=7) #編輯框位置和字體 en1=tk.Entry(LOVE, font=("微軟雅黑", 8)) en1.grid(row=2, column=0) en2=tk.Entry(LOVE, font=("微軟雅黑", 8)) en2.grid(row=2, column=1) en3=tk.Entry(LOVE, font=("微軟雅黑", 8)) en3.grid(row=2, column=2) en4=tk.Entry(LOVE, font=("微軟雅黑", 8)) en4.grid(row=2, column=3) en5=tk.Entry(LOVE, font=("微軟雅黑", 8)) en5.grid(row=2, column=4) en6=tk.Entry(LOVE, font=("微軟雅黑", 8)) en6.grid(row=2, column=5) en7=tk.Entry(LOVE, font=("微軟雅黑", 8)) en7.grid(row=2, column=6) en8=tk.Entry(LOVE, font=("微軟雅黑", 8)) en8.grid(row=2, column=7) Label(LOVE, text="", font=("微軟雅黑", 10)).grid(row=3, column=0) #測(cè)試輸入框預(yù)測(cè) def pp(): x=np.array([int(en1.get()),int(en2.get()),int(en3.get()),int(en4.get()),int(en5.get()),int(en6.get()),int(en7.get()),int(en8.get())]) # 預(yù)測(cè)效果 predict = reg.predict(np.array([x])) Label(LOVE, text="預(yù)測(cè)結(jié)果已使用年數(shù)為："+str(predict[0])+"年", font=("微軟雅黑", 10)).grid(row=4, column=3) print(predict) Button(LOVE, text="預(yù)測(cè)：", font=("微軟雅黑", 15),command=pp).grid(row=4, column=0) Label(LOVE, text="2、選擇文件預(yù)測(cè)", font=("微軟雅黑", 20)).grid(row=5, column=0) path1 = StringVar() label1 = tk.Label(LOVE,text="目標(biāo)路徑:", font=("微軟雅黑", 10)) label1.grid(row=6, column=0) e1 = tk.Entry(LOVE,textvariable=path1, font=("微軟雅黑", 10)) e1.grid(row=6, column=2) label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態(tài)電平（mv）", "低電平方差（mv2)x10-3", "高狀態(tài)電平（v）", "高電平方差(v2)", "信號(hào)質(zhì)量因子"] n = 0 for i in predict_value: print(str(label) + "分別為" + str(X[n]) + "預(yù)測(cè)出來的結(jié)果為：" + str(i) + "年" + "\n") f = open("預(yù)測(cè)結(jié)果.txt", "a") f.write(str(label) + "分別為" + str(X[n]) + "預(yù)測(cè)出來的結(jié)果為：" + str(i) + "年" + "\n") f.close() f = open("result.txt", "a") f.write(str(i) + "\n") f.close() n += 1 messagebox.showinfo(title='模型情況', message="預(yù)測(cè)結(jié)果保存在當(dāng)前文件夾下的TXT文件中！") os.system("result.txt") os.system("預(yù)測(cè)結(jié)果.txt") Button(LOVE, text="預(yù)測(cè)：", font=("微軟雅黑", 15), command=ppt).grid(row=7, column=0) |
效果如下可見：
選擇文件進(jìn)行讀取預(yù)測(cè)和模型訓(xùn)練數(shù)據(jù)的讀取類似，代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
#選擇文件預(yù)測(cè) def selectPath1(): # 選擇文件path_接收文件地址 path_ =tkinter.filedialog.askopenfilename() # 通過replace函數(shù)替換絕對(duì)文件地址中的/來使文件可被程序讀取 # 注意：\\轉(zhuǎn)義后為\，所以\\\\轉(zhuǎn)義后為\\ path_ =path_.replace("/", "\\\\") # path設(shè)置path_的值 path1.set(path_) return path bn1 = tk.Button(LOVE,text="路徑選擇", font=("微軟雅黑", 10), command=selectPath1) bn1.grid(row=6, column=6) def ppt(): try: os.remove("預(yù)測(cè)結(jié)果.txt") os.remove("result.txt") except: pass # 文件的名字 FILENAME =path1.get() # 禁用科學(xué)計(jì)數(shù)法 pd.set_option('float_format', lambda x: '%.3f' % x) np.set_printoptions(threshold=np.inf) # 得到的DataFrame讀入所有數(shù)據(jù) data =pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H") # DataFrame轉(zhuǎn)化為array DataArray =data.values # 讀取其他參數(shù)作為自變量，影響因素 X = DataArray[:,0:8] predict_value = reg.predict(X) print(predict_value) |
效果如下：
由于讀取文件進(jìn)行預(yù)測(cè)的話，數(shù)據(jù)較多故直接存儲(chǔ)在TXT中方便查看
以上就是Python制作數(shù)據(jù)預(yù)測(cè)集成工具（值得收藏）的詳細(xì)內(nèi)容，更多關(guān)于python 數(shù)據(jù)預(yù)測(cè)的資料請(qǐng)關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://developer.51cto.com/art/202008/624349.htm?utm_source=tuicool&utm_medium=referral
