第一次参加天池新人赛,主要目的还是想考察下自己对机器学习上的成果,以及系统化的实现一下所学的东西。看看自己的掌握度如何,能否顺利的完成一个分析工作。为之后的学习奠定基础。

  这次成绩并不好,只是把整个机器学习的流程熟悉了下。我本人总结如下:

  步骤一:读懂题目含义,分析赛题的数据

  步骤二:特征工程的设计,这部分非常重要,好的特征工程能大大提高模型的准确率

  步骤三:训练算法。区分训练集、测试集等。

  步骤四:测试模型,看效果如何。

  赛题可以去天池的官网查看,里面有赛题说明,赛题数据等等

  https://tianchi.aliyun.com/getStart/introduction.htm?spm=5176.11165418.333.1.3c2e613cd1CCDk&raceId=231593

  以下是代码部分:

  

 import numpy as np
import pandas as pd #导入数据
train_online = pd.read_csv('ccf_online_stage1_train.csv')
train_offline = pd.read_csv('ccf_offline_stage1_train.csv')
test = pd.read_csv('ccf_offline_stage1_test_revised.csv')
 #将数据合并,以便统一对数据进行处理。都是线下数据
all_offline = pd.concat([train_offline,test])
 #查看每一列的异常值
f = lambda x:sum(x.isnull())
all_offline.apply(f)

  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

 #Data的空值 赋值为null,统一空值的格式
all_offline['Date'] = all_offline['Date'].fillna('null') #将online与offline的数据合并
pd.merge(all_offline,train_online,on=['Merchant_id','User_id']) #通过合并数据,发现两者并无交集,题目要求只用线下预测,故排除线上online数据,
#只用offline数据 #根据赛题的要求,把正负样本标注出来
def is_used(column):
if column['Date']!='null' and column['Coupon_id']!='null':
return 1
elif column['Date']=='null' and column['Coupon_id']!='null':
return -1
else:
return 0 all_offline['is_used'] = all_offline.apply(is_used,axis=1)
 #Coupon_id 优惠券ID的具体数值意义不大,因此我们把他转换成:是否有优惠券
def has_coup(x):
if x['Coupon_id'] != 'null':
return 1
else:
return 0 all_offline['has_coup']=all_offline.apply(has_coup,axis=1)
 #由于Discount_rate优惠率的特殊格式:"150:20",很难使用算法来计算使用
#根据实际情况,优惠力度是能够影响优惠券的使用频率的。因此需要对Discount_rate进行转化
#根据Discount_rate标识出折扣率
import re
regex=re.compile('^\d+:\d+$') def discount_percent(y):
if y['Discount_rate'] == 'null' and y['Date_received'] == 'null':
return 'null'
elif re.match(regex,y['Discount_rate']):
num_min,num_max=y['Discount_rate'].split(':')
return float(num_max)/float(num_min)
else:
return y['Discount_rate'] all_offline['discount_percent'] = all_offline.apply(discount_percent,axis=1)
 #在进一步想,优惠力度会影响优惠券使用的概率,x:y这种满减的类型,x具体是多少,势必也会影响优惠券使用率
#讲满x元的标出x元
def discount_limit(y):
if y['Discount_rate'] == 'null' and y['Date_received'] == 'null':
return 'null'
elif re.match(regex,y['Discount_rate']):
num_min,num_max=y['Discount_rate'].split(':')
return num_min
else:
return 0 all_offline['discount_limit'] = all_offline.apply(discount_limit,axis=1)
all_offline.head(10)

  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

 #由于赛题需要的是,优惠券领取后15天的使用概率
#因此,我们在is_used的基础上,在对领券时间 Date_received 和使用时间Date,进行比较,判断是否在15天内使用
#时间比较
import datetime
#标注15天内使用优惠券的情况
def used_in_15days(z):
if z['is_used'] == 1 and z['Date'] != 'null' and z['Date_received'] != 'null':
days= (datetime.datetime.strptime(z['Date'],"%Y%m%d")-datetime.datetime.strptime(z['Date_received'],"%Y%m%d"))
if days.days < 15:
return 1
else:
return 0
else:
return 0 all_offline['used_in_15days']=all_offline.apply(used_in_15days,axis=1)
 #再来观察discount_percent,discount_limit这2个特征,看数据的分布情况。
all_offline['discount_percent'].value_counts()

  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

 all_offline['discount_limit'].value_counts()

  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

#将discount_percent分段
def discount_percent_layer(columns):
if columns['discount_percent']=='null':
return 'null' columns['discount_percent']=float(columns['discount_percent'])
if columns['discount_percent'] <= 0.1:
return 0.1
elif columns['discount_percent'] <= 0.2:
return 0.2
elif columns['discount_percent'] <= 0.3:
return 0.3
elif columns['discount_percent'] <= 0.4:
return 0.4
else:
return 0.5 all_offline['discount_percent_layer']=all_offline.apply(discount_percent_layer,axis=1)
all_offline['discount_percent_layer'].value_counts()

·  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

 #将discount_limit分段
def discount_limit_layer(columns):
if columns =='null':
return 'null' columns=int(columns)
if columns <= 10:
return 10
elif columns <= 20:
return 20
elif columns <= 30:
return 30
elif columns <= 50:
return 50
elif columns <= 100:
return 100
elif columns <= 200:
return 200
else:
return 300 all_offline['discount_limit_layer']=all_offline['discount_limit'].apply(discount_limit_layer)
all_offline['discount_limit_layer'].value_counts()

  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

总结:
  此时 Coupon_id 被处理成 has_coup(1代表领取优惠券,0代表没有领取优惠券)
  Date,Date_received 被处理成 used_in_15days。表示是否在15天内使用过优惠券
  Discount_rate 被处理成 discount_percent(折扣率),discount_limit(满多少)
  Merchant_id,User_id 是unicode值,不需要进行处理

 #剩下Distance,看下Distance的分布情况
all_offline['Distance'].value_counts()

  天池新人赛-天池新人实战赛o2o优惠券使用预测(一)-LMLPHP

 #保存数据,以便后期使用起来方便
train_finall,test_finall = all_offline[:train_offline.shape[0]],all_offline[train_offline.shape[0]:]
all_offline.to_csv(r'output\all_offline.csv')
train_finall.to_csv(r'output\train_finall.csv')
test_finall.to_csv(r'output\test_finall.csv')
 #one_hot处理
all_offline_new=all_offline.drop(
['Coupon_id','Date','Date_received','Discount_rate','Merchant_id',
'User_id','discount_percent','discount_limit'],axis=1)
all_offline_new=pd.get_dummies(all_offline_new)
 #把测试集跟验证集分开
train01,test01=all_offline_new[:len(train_offline)],all_offline_new[len(train_offline):] #把没有领券的去掉
train02=train01[train01['has_coup']==1] #由于特征集 都是领券的人,故把 has_coup 字段删掉
train02=train02.drop(['has_coup'],axis=1)
test01=test01.drop(['has_coup'],axis=1) x_train=train02.drop(['used_in_15days'],axis=1)
y_train=pd.DataFrame({"used_in_15days":train02['used_in_15days']})
x_text=test01.drop(['used_in_15days'],axis=1)
 #建模
from sklearn.linear_model import LinearRegression clf=LinearRegression()
clf.fit(x_train,y_train) #用模型进行预测
predict=clf.predict(x_text) result=pd.read_csv('ccf_offline_stage1_test_revised.csv')
result['probability']=predict result=result.drop(['Merchant_id','Discount_rate','Distance'],axis=1) #发现最终预测有负值,直接归为0
result['probability']=result['probability'].apply(lambda x: 0 if x<0 else x) result.to_csv(r'output/sample_submission.csv',index=False)
05-16 20:06