卡狗项目学习记录 - Churning Customers Prediction

原链接及数据集：Bank Churn Data Exploration And Churn Prediction

1. 数据预处理

1.1 导入需要的包

import numpy as np  # linear algebra
import pandas as pd  # data processing, CSV file I/O (e.g. pd.read_csv)
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as ex
import plotly.graph_objs as go
import plotly.figure_factory as ff
from plotly.subplots import make_subplots
from plotly.offline import plot
# 导入offline时只导入plot，不然会报iplot的错
# init_notebook_mode() 用这个会报错，注释掉了

sns.set_style('darkgrid')

from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier
from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import f1_score as f1
from sklearn.metrics import confusion_matrix
import scikitplot as skplt

plt.rc('figure', figsize=(18, 9))
from imblearn.over_sampling import SMOTE

其中有几行设置代码：

sns.set_style('darkgrid')
# 这个是用来设置seaborn主题的代码

seaborn主题：

• darkgrid 黑色网格（默认）
• whitegrid 白色网格
• dark 黑色背景
• white 白色背景
• ticks 有刻度线的白色背景

plt.rc('figure', figsize=(18, 9))
# 这是设置输出图的宽高

1.2 读取数据集

c_data = pd.read_csv('./input/data/BankChurners.csv')
c_data = c_data[c_data.columns[:-2]]
# the author of this dataset says do not use the last tow columns
print(c_data)

用pandas.csv_read()读取csv文件为Dataframe(数据帧)
数据集的提供者说最好忽略最后两列数据，所以只取到[:-2]

1.3 数据分析

然后就可以开始分析各个特征值了，Attrition_Flag是我们要预测的标签，所以从他后面的第一个特征Customer_Age往后分析

1.3.1 Customer_Age

1) matplotlib.pyplot柱状图

import matplotlib.pyplot as plt

plt.hist(c_data['Customer_Age'], bins

最后

以上就是动人蛋挞为你收集整理的卡狗项目学习记录 - Churning Customers Prediction的全部内容，希望文章能够帮你解决卡狗项目学习记录 - Churning Customers Prediction所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。