如何加載，可視化和探索復雜的多變量多步時間序列預測數據集 · Machine Learning Mastery 博客文章翻譯

# 如何加載，可視化和探索復雜的多變量多步時間序列預測數據集 > 原文： [https://machinelearningmastery.com/how-to-load-visualize-and-explore-a-complex-multivariate-multistep-time-series-forecasting-dataset/](https://machinelearningmastery.com/how-to-load-visualize-and-explore-a-complex-multivariate-multistep-time-series-forecasting-dataset/) 實時世界時間序列預測具有挑戰性，其原因不僅限于問題特征，例如具有多個輸入變量，需要預測多個時間步驟，以及需要對多個物理站點執行相同類型的預測。 EMC Data Science Global Hackathon 數據集或簡稱“_ 空氣質量預測 _”數據集描述了多個站點的天氣狀況，需要預測隨后三天的空氣質量測量結果。在本教程中，您將發現并探索空氣質量預測數據集，該數據集代表具有挑戰性的多變量，多站點和多步驟時間序列預測問題。完成本教程后，您將了解： * 如何加載和探索數據集的塊結構。 * 如何探索和可視化數據集的輸入和目標變量。 * 如何使用新的理解來概述一系列方法來構建問題，準備數據和建模數據集。讓我們開始吧。 * **Update Apr / 2019** ：修正了計算總缺失值的錯誤（感謝 zhangzhe）。 ![How to Load, Visualize, and Explore a Complex Multivariate Multistep Time Series Forecasting Dataset](https://img.kancloud.cn/58/e3/58e3f2697b2cbb6bab5d3c2f775e4d6b_640x427.jpg) 如何加載，可視化和探索復雜的多變量多步時間序列預測數據集照片由 [H Matthew Howarth](https://www.flickr.com/photos/flatworldsedge/7874109806/) ，保留一些權利。 ## 教程概述本教程分為七個部分;他們是： 1. 問題描述 2. 加載數據集 3. 塊數據結構 4. 輸入變量 5. 目標變量 6. 與目標變量的皺痕 7. 關于建模的思考 ## 問題描述 EMC Data Science Global Hackathon 數據集或簡稱“_ 空氣質量預測 _”數據集描述了多個站點的天氣狀況，需要預測隨后三天的空氣質量測量結果。具體而言，對于多個站點，每小時提供 8 天的溫度，壓力，風速和風向等天氣觀測。目標是預測未來三天在多個地點的空氣質量測量。預測的提前期不是連續的;相反，必須在 72 小時預測期內預測具體的提前期;他們是： ```py +1, +2, +3, +4, +5, +10, +17, +24, +48, +72 ``` 此外，數據集被劃分為不相交但連續的數據塊，其中 8 天的數據隨后是需要預測的 3 天。并非所有站點或塊都可以獲得所有觀察結果，并且并非所有站點和塊都可以使用所有輸出變量。必須解決大部分缺失數據。該數據集被用作 2012 年 Kaggle 網站上[短期機器學習競賽](https://www.kaggle.com/c/dsg-hackathon)（或黑客馬拉松）的基礎。根據從參與者中扣留的真實觀察結果評估競賽的提交，并使用平均絕對誤差（MAE）進行評分。提交要求在由于缺少數據而無法預測的情況下指定-1,000,000 的值。實際上，提供了一個插入缺失值的模板，并且要求所有提交都采用（模糊的是什么）。獲勝者在滯留測試集（[私人排行榜](https://www.kaggle.com/c/dsg-hackathon/leaderboard)）上使用隨機森林在滯后觀察中獲得了 0.21058 的 MAE。該帖子中提供了此解決方案的說明： * [把所有東西都扔進隨機森林：Ben Hamner 贏得空氣質量預測黑客馬拉松](http://blog.kaggle.com/2012/05/01/chucking-everything-into-a-random-forest-ben-hamner-on-winning-the-air-quality-prediction-hackathon/)，2012。在本教程中，我們將探索此數據集，以便更好地了解預測問題的性質，并提出如何建模的方法。 ## 加載數據集第一步是下載數據集并將其加載到內存中。數據集可以從 Kaggle 網站免費下載。您可能必須創建一個帳戶并登錄才能下載數據集。下載整個數據集，例如“_ 將所有 _”下載到您的工作站并使用名為' _AirQualityPrediction_ '的文件夾解壓縮當前工作目錄中的存檔 * [EMC 數據科學全球黑客馬拉松（空氣質量預測）數據](https://www.kaggle.com/c/dsg-hackathon/data) 你應該在 _AirQualityPrediction /_ 文件夾中有五個文件;他們是： * SiteLocations.csv * SiteLocations_with_more_sites.csv * SubmissionZerosExceptNAs.csv * TrainingData.csv * sample_code.r 我們的重點將是包含訓練數據集的' _TrainingData.csv_ '，特別是塊中的數據，其中每個塊是八個連續的觀察日和目標變量。在撰寫本文時，測試數據集（每個塊的剩余三天）不可用于此數據集。打開' _TrainingData.csv_ '文件并查看內容。解壓縮的數據文件相對較小（21 兆字節），很容易適應 RAM。查看文件的內容，我們可以看到數據文件包含標題行。我們還可以看到丟失的數據標有' _NA_ '值，Pandas 將自動轉換為 _NumPy.NaN_ 。我們可以看到'_ 工作日 _'列包含作為字符串的日期，而所有其他數據都是數字。以下是數據文件的前幾行供參考。 ```py "rowID","chunkID","position_within_chunk","month_most_common","weekday","hour","Solar.radiation_64","WindDirection..Resultant_1","WindDirection..Resultant_1018","WindSpeed..Resultant_1","WindSpeed..Resultant_1018","Ambient.Max.Temperature_14","Ambient.Max.Temperature_22","Ambient.Max.Temperature_50","Ambient.Max.Temperature_52","Ambient.Max.Temperature_57","Ambient.Max.Temperature_76","Ambient.Max.Temperature_2001","Ambient.Max.Temperature_3301","Ambient.Max.Temperature_6005","Ambient.Min.Temperature_14","Ambient.Min.Temperature_22","Ambient.Min.Temperature_50","Ambient.Min.Temperature_52","Ambient.Min.Temperature_57","Ambient.Min.Temperature_76","Ambient.Min.Temperature_2001","Ambient.Min.Temperature_3301","Ambient.Min.Temperature_6005","Sample.Baro.Pressure_14","Sample.Baro.Pressure_22","Sample.Baro.Pressure_50","Sample.Baro.Pressure_52","Sample.Baro.Pressure_57","Sample.Baro.Pressure_76","Sample.Baro.Pressure_2001","Sample.Baro.Pressure_3301","Sample.Baro.Pressure_6005","Sample.Max.Baro.Pressure_14","Sample.Max.Baro.Pressure_22","Sample.Max.Baro.Pressure_50","Sample.Max.Baro.Pressure_52","Sample.Max.Baro.Pressure_57","Sample.Max.Baro.Pressure_76","Sample.Max.Baro.Pressure_2001","Sample.Max.Baro.Pressure_3301","Sample.Max.Baro.Pressure_6005","Sample.Min.Baro.Pressure_14","Sample.Min.Baro.Pressure_22","Sample.Min.Baro.Pressure_50","Sample.Min.Baro.Pressure_52","Sample.Min.Baro.Pressure_57","Sample.Min.Baro.Pressure_76","Sample.Min.Baro.Pressure_2001","Sample.Min.Baro.Pressure_3301","Sample.Min.Baro.Pressure_6005","target_1_57","target_10_4002","target_10_8003","target_11_1","target_11_32","target_11_50","target_11_64","target_11_1003","target_11_1601","target_11_4002","target_11_8003","target_14_4002","target_14_8003","target_15_57","target_2_57","target_3_1","target_3_50","target_3_57","target_3_1601","target_3_4002","target_3_6006","target_4_1","target_4_50","target_4_57","target_4_1018","target_4_1601","target_4_2001","target_4_4002","target_4_4101","target_4_6006","target_4_8003","target_5_6006","target_7_57","target_8_57","target_8_4002","target_8_6004","target_8_8003","target_9_4002","target_9_8003" 1,1,1,10,"Saturday",21,0.01,117,187,0.3,0.3,NA,NA,NA,14.9,NA,NA,NA,NA,NA,NA,NA,NA,5.8,NA,NA,NA,NA,NA,NA,NA,NA,747,NA,NA,NA,NA,NA,NA,NA,NA,750,NA,NA,NA,NA,NA,NA,NA,NA,743,NA,NA,NA,NA,NA,2.67923294292042,6.1816228132982,NA,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,NA,2.38965627997991,NA,5.56815355612325,0.690015329704154,NA,NA,NA,NA,NA,NA,2.84349016287551,0.0920223353681394,1.69321097077376,0.368089341472558,0.184044670736279,0.368089341472558,0.276067006104418,0.892616653070952,1.74842437199465,NA,NA,5.1306307034019,1.34160578423204,2.13879182993514,3.01375212399952,NA,5.67928016629218,NA 2,1,2,10,"Saturday",22,0.01,231,202,0.5,0.6,NA,NA,NA,14.9,NA,NA,NA,NA,NA,NA,NA,NA,5.8,NA,NA,NA,NA,NA,NA,NA,NA,747,NA,NA,NA,NA,NA,NA,NA,NA,750,NA,NA,NA,NA,NA,NA,NA,NA,743,NA,NA,NA,NA,NA,2.67923294292042,8.47583334194495,NA,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,NA,1.99138023331659,NA,5.56815355612325,0.923259948195698,NA,NA,NA,NA,NA,NA,3.1011527019063,0.0920223353681394,1.94167127626774,0.368089341472558,0.184044670736279,0.368089341472558,0.368089341472558,1.73922213845783,2.14412041407765,NA,NA,5.1306307034019,1.19577906855465,2.72209869264472,3.88871241806389,NA,7.42675098668978,NA 3,1,3,10,"Saturday",23,0.01,247,227,0.5,1.5,NA,NA,NA,14.9,NA,NA,NA,NA,NA,NA,NA,NA,5.8,NA,NA,NA,NA,NA,NA,NA,NA,747,NA,NA,NA,NA,NA,NA,NA,NA,750,NA,NA,NA,NA,NA,NA,NA,NA,743,NA,NA,NA,NA,NA,2.67923294292042,8.92192983362627,NA,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,NA,1.7524146053186,NA,5.56815355612325,0.680296803933673,NA,NA,NA,NA,NA,NA,3.06434376775904,0.0920223353681394,2.52141198908702,0.460111676840697,0.184044670736279,0.368089341472558,0.368089341472558,1.7852333061419,1.93246904273093,NA,NA,5.13639545700122,1.40965825154816,3.11096993445111,3.88871241806389,NA,7.68373198968942,NA 4,1,4,10,"Sunday",0,0.01,219,218,0.2,1.2,NA,NA,NA,14,NA,NA,NA,NA,NA,NA,NA,NA,4.8,NA,NA,NA,NA,NA,NA,NA,NA,751,NA,NA,NA,NA,NA,NA,NA,NA,754,NA,NA,NA,NA,NA,NA,NA,NA,748,NA,NA,NA,NA,NA,2.67923294292042,5.09824561921501,NA,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,0.114975168664303,NA,2.38965627997991,NA,5.6776192223642,0.612267123540305,NA,NA,NA,NA,NA,NA,3.21157950434806,0.184044670736279,2.374176252498,0.460111676840697,0.184044670736279,0.368089341472558,0.276067006104418,1.86805340797323,2.08890701285676,NA,NA,5.21710200739181,1.47771071886428,2.04157401948354,3.20818774490271,NA,4.83124285639335,NA ... ``` 我們可以使用 Pandas [read_csv（）函數](https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_csv.html)將數據文件加載到內存中，并在第 0 行指定標題行。 ```py # load dataset dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) ``` 我們還可以快速了解數據集中有多少缺失數據。我們可以通過首先修剪前幾列來刪除字符串工作日數據并將剩余列轉換為浮點值來實現。 ```py # trim and transform to floats values = dataset.values data = values[:, 6:].astype('float32') ``` 然后，我們可以計算缺失觀測的總數和缺失的值的百分比。 ```py # summarize amount of missing data total_missing = count_nonzero(isnan(data)) percent_missing = total_missing / data.size * 100 print('Total Missing: %d/%d (%.1f%%)' % (total_missing, data.size, percent_missing)) ``` 下面列出了完整的示例。 ```py # load dataset from numpy import isnan from numpy import count_nonzero from pandas import read_csv # load dataset dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # summarize print(dataset.shape) # trim and transform to floats values = dataset.values data = values[:, 6:].astype('float32') # summarize amount of missing data total_missing = count_nonzero(isnan(data)) percent_missing = total_missing / data.size * 100 print('Total Missing: %d/%d (%.1f%%)' % (total_missing, data.size, percent_missing)) ``` 首先運行該示例將打印已加載數據集的形狀。我們可以看到我們有大約 37,000 行和 95 列。我們知道這些數字是誤導的，因為數據實際上被分成塊，并且列被分成不同站點的相同觀察。我們還可以看到有超過 40％的數據丟失。這很多。數據非常不完整，在建模問題之前我們必須很好地理解這一點。 ```py (37821, 95) Total Missing: 1922092/3366069 (57.1%) ``` ## 塊數據結構一個很好的起點是根據塊來查看數據。 ### 塊持續時間我們可以通過'chunkID'變量（列索引 1）對數據進行分組。如果每個塊是 8 天并且觀察是每小時的，那么我們期望每塊（8 * 24）或 192 行數據。如果有 37,821 行數據，則必須有大于或小于 192 小時的塊，因為 37,821 / 192 大約是 196.9 塊。我們首先將數據拆分成塊。我們可以先獲得唯一的塊標識符列表。 ```py chunk_ids = unique(values[:, 1]) ``` 然后，我們可以收集每個塊標識符的所有行，并將它們存儲在字典中以便于訪問。 ```py chunks = dict() # sort rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] ``` 下面定義了一個名為 _to_chunks（）_ 的函數，它接受加載數據的 NumPy 數組，并將 _chunk_id_ 的字典返回到塊的行。 ```py # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks ``` 數據文件中的' _position_within_chunk_ '表示塊內行的順序。在這個階段，我們假設行已經排序，不需要排序。原始數據文件的略讀似乎證實了這一假設。一旦數據被分類成塊，我們就可以計算每個塊中的行數并查看分布，例如使用框和胡須圖。 ```py # plot distribution of chunk durations def plot_chunk_durations(chunks): # chunk durations in hours chunk_durations = [len(v) for k,v in chunks.items()] # boxplot pyplot.subplot(2, 1, 1) pyplot.boxplot(chunk_durations) # histogram pyplot.subplot(2, 1, 2) pyplot.hist(chunk_durations) # histogram pyplot.show() ``` 下面列出了將所有這些聯系在一起的完整示例 ```py # split data into chunks from numpy import unique from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # plot distribution of chunk durations def plot_chunk_durations(chunks): # chunk durations in hours chunk_durations = [len(v) for k,v in chunks.items()] # boxplot pyplot.subplot(2, 1, 1) pyplot.boxplot(chunk_durations) # histogram pyplot.subplot(2, 1, 2) pyplot.hist(chunk_durations) # histogram pyplot.show() # load dataset dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) print('Total Chunks: %d' % len(chunks)) # plot chunk durations plot_chunk_durations(chunks) ``` 首先運行該示例將打印數據集中的塊數。我們可以看到有 208，這表明每小時觀察的數量確實必須在各個塊之間變化。 ```py Total Chunks: 208 ``` 創建框和胡須圖以及塊持續時間的直方圖。我們可以看到中位數確實是 192，這意味著大多數塊有八天的觀察或接近它。我們還可以看到持續時間長達約 25 行的長尾。雖然這些案例并不多，但鑒于缺乏數據，我們預計這將是一個挑戰。該分布還提出了關于每個塊內的觀察結果可能是多么連續的問題。 ![Box and whisker plot and Histogram plot of chunk duration in hours](https://img.kancloud.cn/6a/fa/6afaa9c4c0fea466b580c79ea7090a4e_1280x960.jpg) 盒子和須狀圖以及以小時為單位的塊長度的直方圖 ### 大塊連續性了解在沒有完整八天數據的那些塊中觀察是否連續（或不連續）可能會有所幫助。考慮這一點的一種方法是為每個不連續的塊創建線圖并顯示觀察中的間隙。我們可以在一個地塊上做到這一點。每個塊都有一個唯一的標識符，從 1 到 208，我們可以使用它作為序列的值，并通過 _NaN_ 值在 8 天間隔內標記缺失的觀察值，這些值不會出現在圖上。反過來說，我們可以假設我們對一個塊中的所有時間步都有 NaN 值，然后使用' _position_within_chunk_ '列（索引 2）來確定具有值的時間步長并用它們標記它們。塊 ID。下面的 _plot_discontinuous_chunks（）_ 實現了這種行為，在同一個圖上為每個缺少行的塊創建一個系列或行。期望的是，突破線將幫助我們看到這些不完整的塊是多么連續或不連續。 ```py # plot chunks that do not have all data def plot_discontiguous_chunks(chunks, row_in_chunk_ix=2): n_steps = 8 * 24 for c_id,rows in chunks.items(): # skip chunks with all data if rows.shape[0] == n_steps: continue # create empty series series = [nan for _ in range(n_steps)] # mark all rows with data for row in rows: # convert to zero offset r_id = row[row_in_chunk_ix] - 1 # mark value series[r_id] = c_id # plot pyplot.plot(series) pyplot.show() ``` 下面列出了完整的示例。 ```py # plot discontiguous chunks from numpy import nan from numpy import unique from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # plot chunks that do not have all data def plot_discontiguous_chunks(chunks, row_in_chunk_ix=2): n_steps = 8 * 24 for c_id,rows in chunks.items(): # skip chunks with all data if rows.shape[0] == n_steps: continue # create empty series series = [nan for _ in range(n_steps)] # mark all rows with data for row in rows: # convert to zero offset r_id = row[row_in_chunk_ix] - 1 # mark value series[r_id] = c_id # plot pyplot.plot(series) pyplot.show() # load dataset dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # plot discontiguous chunks plot_discontiguous_chunks(chunks) ``` 運行該示例會為每個缺少數據的塊創建一個帶有一行的圖形。每個塊的行中斷的數量和長度給出了每個塊中的觀察結果是多么不連續的概念。許多塊確實有很長的連續數據，這是建模的一個好兆頭。在某些情況下，塊的觀察結果非常少，而且存在的觀察結果是小的連續斑塊。模型可能具有挑戰性。此外，并非所有這些塊都在塊的末尾有觀察結果：需要預測之前的時間段。對于那些尋求堅持最近觀察的模型而言，這些將是一個挑戰。塊內系列數據的不連續性也將使評估模型具有挑戰性。例如，人們不能簡單地將塊數據分成兩半，在前半部分進行訓練，在觀察結果不完整時對第二部分進行測試。至少，當考慮不完整的塊數據時。 ![Line plots of chunks with discontinuous observations](https://img.kancloud.cn/02/8b/028bb83b450f8fc80fbe07956da2b87d_1280x960.jpg) 具有不連續觀察的塊的線圖 ### 塊內的每日覆蓋率塊的不連續性也表明，查看每個塊所覆蓋的小時數可能很重要。一天中的時間在環境數據中很重要，并且假設每個塊包含相同的每日或每周周期的模型可能會發生絆倒，如果一天的開始和結束時間不同。我們可以通過繪制每個塊的第一個小時（每天 24 小時）的分布來快速檢查這一點。柱狀圖中的區間數設置為 24，因此我們可以清楚地看到 24 小時內每天每小時的分布。此外，當收集塊的第一個小時時，我們小心只從那些具有所有八天數據的塊中收集它，以防丟失數據的塊在塊的開頭沒有觀察，我們知道發生。 ```py # plot distribution of chunk start hour def plot_chunk_start_hour(chunks, hour_in_chunk_ix=5): # chunk start hour chunk_start_hours = [v[0, hour_in_chunk_ix] for k,v in chunks.items() if len(v)==192] # boxplot pyplot.subplot(2, 1, 1) pyplot.boxplot(chunk_start_hours) # histogram pyplot.subplot(2, 1, 2) pyplot.hist(chunk_start_hours, bins=24) # histogram pyplot.show() ``` 下面列出了完整的示例。 ```py # plot distribution of chunk start hour from numpy import nan from numpy import unique from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # plot distribution of chunk start hour def plot_chunk_start_hour(chunks, hour_in_chunk_ix=5): # chunk start hour chunk_start_hours = [v[0, hour_in_chunk_ix] for k,v in chunks.items() if len(v)==192] # boxplot pyplot.subplot(2, 1, 1) pyplot.boxplot(chunk_start_hours) # histogram pyplot.subplot(2, 1, 2) pyplot.hist(chunk_start_hours, bins=24) # histogram pyplot.show() # load dataset dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # plot distribution of chunk start hour plot_chunk_start_hour(chunks) ``` 運行該示例將創建一個框和胡須圖以及每個塊中第一個小時的直方圖。我們可以看到當天 24 小時內合理均勻的開始時間分布。此外，這意味著每個塊的預測間隔也將在 24 小時內變化。這為可能期望標準三天預測期（午夜至午夜）的模型增加了皺紋。 ![Distribution of first hour in observations within each chunk](https://img.kancloud.cn/3e/da/3eda659376d241ece27b57173e8b4d8a_1280x960.jpg) 每個塊內觀察的第一個小時的分布現在我們已經了解了數據的塊結構，讓我們仔細研究描述氣象觀測的輸入變量。 ## 輸入變量有 56 個輸入變量。前六個（索引 0 到 5）是塊的元數據信息和觀察的時間。他們是： ```py rowID chunkID position_within_chunk month_most_common weekday hour ``` 其余 50 個描述了特定地點的氣象信息;他們是： ```py Solar.radiation_64 WindDirection..Resultant_1 WindDirection..Resultant_1018 WindSpeed..Resultant_1 WindSpeed..Resultant_1018 Ambient.Max.Temperature_14 Ambient.Max.Temperature_22 Ambient.Max.Temperature_50 Ambient.Max.Temperature_52 Ambient.Max.Temperature_57 Ambient.Max.Temperature_76 Ambient.Max.Temperature_2001 Ambient.Max.Temperature_3301 Ambient.Max.Temperature_6005 Ambient.Min.Temperature_14 Ambient.Min.Temperature_22 Ambient.Min.Temperature_50 Ambient.Min.Temperature_52 Ambient.Min.Temperature_57 Ambient.Min.Temperature_76 Ambient.Min.Temperature_2001 Ambient.Min.Temperature_3301 Ambient.Min.Temperature_6005 Sample.Baro.Pressure_14 Sample.Baro.Pressure_22 Sample.Baro.Pressure_50 Sample.Baro.Pressure_52 Sample.Baro.Pressure_57 Sample.Baro.Pressure_76 Sample.Baro.Pressure_2001 Sample.Baro.Pressure_3301 Sample.Baro.Pressure_6005 Sample.Max.Baro.Pressure_14 Sample.Max.Baro.Pressure_22 Sample.Max.Baro.Pressure_50 Sample.Max.Baro.Pressure_52 Sample.Max.Baro.Pressure_57 Sample.Max.Baro.Pressure_76 Sample.Max.Baro.Pressure_2001 Sample.Max.Baro.Pressure_3301 Sample.Max.Baro.Pressure_6005 Sample.Min.Baro.Pressure_14 Sample.Min.Baro.Pressure_22 Sample.Min.Baro.Pressure_50 Sample.Min.Baro.Pressure_52 Sample.Min.Baro.Pressure_57 Sample.Min.Baro.Pressure_76 Sample.Min.Baro.Pressure_2001 Sample.Min.Baro.Pressure_3301 Sample.Min.Baro.Pressure_6005 ``` 真的，只有八個氣象輸入變量： ```py Solar.radiation WindDirection..Resultant WindSpeed..Resultant Ambient.Max.Temperature Ambient.Min.Temperature Sample.Baro.Pressure Sample.Max.Baro.Pressure Sample.Min.Baro.Pressure ``` 這些變量記錄在 23 個獨特的站點中;他們是： ```py 1, 14, 22, 50, 52, 57, 64, 76, 1018, 2001, 3301, 6005 ``` 數據非常復雜。并非所有變量都記錄在所有站點上。目標變量中使用的站點標識符有一些重疊，例如 1,50,64 等。目標變量中使用的站點標識符未在輸入變量中使用，例如 4002.還有在輸入中使用的站點標識符，這些站點標識符未在目標標識符中使用，例如 15。這表明，至少并非所有變量都記錄在所有位置。這些錄制站在各個站點之間是異構的。此外，對于僅收集給定類型的度量或收集所有度量的站點，可能存在一些特殊情況。讓我們仔細看看輸入變量的數據。 ### 塊的輸入的時間結構我們可以從查看每個塊的輸入結構和分布開始。所有八天觀察的前幾個塊的塊大小為 1,3 和 5。我們可以枚舉所有輸入列并為每個輸入列創建一個線圖。這將為每個輸入變量創建一個時間序列線圖，以便大致了解每個輸入變量的變化情況。我們可以針對幾個塊重復這一點，以了解時間結構如何在塊之間有所不同。下面名為 _plot_chunk_inputs（）_ 的函數獲取塊格式的數據和要繪制的塊 ID 列表。它將創建一個包含 50 個線圖的圖形，每個輸入變量一個，每個圖塊 n 行，每個塊一個。 ```py # plot all inputs for one or more chunk ids def plot_chunk_inputs(chunks, c_ids): pyplot.figure() inputs = range(6, 56) for i in range(len(inputs)): ax = pyplot.subplot(len(inputs), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = inputs[i] for chunk_id in c_ids: rows = chunks[chunk_id] pyplot.plot(rows[:,column]) pyplot.show() ``` 下面列出了完整的示例。 ```py # plot inputs for a chunk from numpy import unique from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # plot all inputs for one or more chunk ids def plot_chunk_inputs(chunks, c_ids): pyplot.figure() inputs = range(6, 56) for i in range(len(inputs)): ax = pyplot.subplot(len(inputs), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = inputs[i] for chunk_id in c_ids: rows = chunks[chunk_id] pyplot.plot(rows[:,column]) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # plot inputs for some chunks plot_chunk_inputs(chunks, [1]) ``` 運行該示例將創建一個包含 50 個線圖的單個圖形，每個圖形用于每個氣象輸入變量。這些圖很難看，因此您可能希望增加所創建圖形的大小。我們可以看到前五個變量的觀察看起來非常完整;這些是太陽輻射，風速和風向。其余變量看起來非常不完整，至少對于這個塊而言。 ![Parallel Time Series Line Plots For All Input Variables for 1 Chunks](https://img.kancloud.cn/54/03/5403b60daf3aae3a1e0c2b7df13a81e7_1280x960.jpg) 1 個塊的所有輸入變量的并行時間序列線圖我們可以更新示例并繪制前三個塊的輸入變量，并進行完整的八天觀察。 ```py plot_chunk_inputs(chunks, [1, 3 ,5]) ``` 運行該示例將創建相同的 50 個線圖，每個圖每個圖有三個系列或線，每個塊一個。同樣，該圖使單個圖很難看到，因此您可能需要增加圖的大小以更好地查看模式。我們可以看到這三個圖在每個線圖中都顯示出類似的結構。這是有幫助的發現，因為它表明跨多個塊建模相同的變量可能是有用的。 ![Parallel Time Series Line Plots For All Input Variables for 3 Chunks](https://img.kancloud.cn/82/02/8202154406283633a1e0ab911bd3b1d7_1280x960.jpg) 3 個塊的所有輸入變量的并行時間序列線圖它確實提出了關于變量的分布是否在不同站點之間差異很大的問題。 ### 輸入數據分布我們可以使用 box 和 whisker 圖粗略地查看輸入變量的分布。下面的 _plot_chunk_input_boxplots（）_ 將為每個輸入要素創建一個盒子和胡須，用于一個塊的數據。 ```py # boxplot for input variables for a chuck def plot_chunk_input_boxplots(chunks, c_id): rows = chunks[c_id] pyplot.boxplot(rows[:,6:56]) pyplot.show() ``` 下面列出了完整的示例。 ```py # boxplots of inputs for a chunk from numpy import unique from numpy import isnan from numpy import count_nonzero from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # boxplot for input variables for a chuck def plot_chunk_input_boxplots(chunks, c_id): rows = chunks[c_id] pyplot.boxplot(rows[:,6:56]) pyplot.show() # load data dataset = read_csv('TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # boxplot for input variables plot_chunk_input_boxplots(chunks, 1) ``` 運行該示例將創建 50 個箱圖，每個輸入變量用于訓練數據集中第一個塊中的觀察。我們可以看到相同類型的變量可能具有相同的觀察范圍，并且每組變量似乎具有不同的單位。也許是風向的度數，壓力的百帕斯卡，溫度的攝氏度等等。 ![Box and whisker plots of input variables for one chunk](https://img.kancloud.cn/91/f8/91f840cc4cc81eebbfb917fe8d4dda14_1280x960.jpg) 一個塊的輸入變量的框和胡須圖對于八種變量類型中的每一種，進一步研究觀察的分布和擴散可能是有趣的。這是一個進一步的練習。我們對輸入變量有一些粗略的想法，也許它們可能對預測目標變量很有用。我們無法確定。我們現在可以將注意力轉向目標變量。 ## 目標變量預測問題的目標是預測多個站點的多個變量，為期三天。有 39 個時間序列變量可供預測。從列標題中，它們是： ```py "target_1_57","target_10_4002","target_10_8003","target_11_1","target_11_32","target_11_50","target_11_64","target_11_1003","target_11_1601","target_11_4002","target_11_8003","target_14_4002","target_14_8003","target_15_57","target_2_57","target_3_1","target_3_50","target_3_57","target_3_1601","target_3_4002","target_3_6006","target_4_1","target_4_50","target_4_57","target_4_1018","target_4_1601","target_4_2001","target_4_4002","target_4_4101","target_4_6006","target_4_8003","target_5_6006","target_7_57","target_8_57","target_8_4002","target_8_6004","target_8_8003","target_9_4002","target_9_8003" ``` 這些列標題的命名約定是： ```py target_[variable identifier]_[site identifier]] ``` 我們可以使用一點 regex 將這些列標題轉換為變量 id 和 site id 的小數據集。結果如下： ```py var, site 1,57 10,4002 10,8003 11,1 11,32 11,50 11,64 11,1003 11,1601 11,4002 11,8003 14,4002 14,8003 15,57 2,57 3,1 3,50 3,57 3,1601 3,4002 3,6006 4,1 4,50 4,57 4,1018 4,1601 4,2001 4,4002 4,4101 4,6006 4,8003 5,6006 7,57 8,57 8,4002 8,6004 8,8003 9,4002 9,8003 ``` 有用的是，目標按變量 id 分組。我們可以看到，可能需要跨多個站點預測一個變量;例如，在站點 1,32,50 等處預測的變量 11，等等： ```py var, site 11,1 11,32 11,50 11,64 11,1003 11,1601 11,4002 11,8003 ``` 我們可以看到，對于給定的站點，可能需要預測不同的變量。例如，站點 50 需要變量 11,3 和 4： ```py var, site 11,50 3,50 4,50 ``` 我們可以將目標的小數據集保存到名為“ _targets.txt_ ”的文件中并加載它以進行快速分析。 ```py # summarize targets from numpy import unique from pandas import read_csv # load dataset dataset = read_csv('targets.txt', header=0) values = dataset.values # summarize unique print('Unique Variables: %d' % len(unique(values[:, 0]))) print('Unique Sites: %d' % len(unique(values[:, 1]))) ``` 運行該示例將打印唯一變量和站點的數量。如果我們預測所有站點的所有變量，我們可以看到 39 個目標變量遠小于（12 * 14）168。 ```py Unique Variables: 12 Unique Sites: 14 ``` 讓我們仔細看看目標變量的數據。 ### 大塊目標的時間結構我們可以從每個塊的目標結構和分布開始。所有八天觀察的前幾個塊的塊大小為 1,3 和 5。我們可以枚舉所有目標列，并為每個列創建一個線圖。這將為每個目標變量創建一個時間序列線圖，以大致了解它如何隨時間變化。我們可以針對幾個塊重復這一點，以大致了解時間結構如何在塊之間變化。下面的函數名為 _plot_chunk_targets（）_，以塊格式和塊 ID 列表繪制。它將創建一個包含 39 個線圖的圖形，每個目標變量一個，每個圖塊 n 行，每個塊一個。 ```py # plot all targets for one or more chunk ids def plot_chunk_targets(chunks, c_ids): pyplot.figure() targets = range(56, 95) for i in range(len(targets)): ax = pyplot.subplot(len(targets), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = targets[i] for chunk_id in c_ids: rows = chunks[chunk_id] pyplot.plot(rows[:,column]) pyplot.show() ``` 下面列出了完整的示例。 ```py # plot targets for a chunk from numpy import unique from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # plot all targets for one or more chunk ids def plot_chunk_targets(chunks, c_ids): pyplot.figure() targets = range(56, 95) for i in range(len(targets)): ax = pyplot.subplot(len(targets), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = targets[i] for chunk_id in c_ids: rows = chunks[chunk_id] pyplot.plot(rows[:,column]) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # plot targets for some chunks plot_chunk_targets(chunks, [1]) ``` 運行該示例將為塊標識符“1”創建一個包含 39 個線圖的單個圖形。這些圖很小，但大致了解變量的時間結構。我們可以看到，有多個變量沒有這個塊的數據。這些不能直接預測，也可能不是間接預測。這表明除了沒有所有站點的所有變量之外，甚至列標題中指定的變量也可能不存在于某些塊中。我們還可以在一些系列中看到缺失值的中斷。這表明即使我們可能對塊中的每個時間步進行觀察，我們也可能沒有塊中所有變量的連續序列。許多情節都有一個循環結構。大多數都有八個峰值，很可能對應于塊內八天的觀察。這種季節性結構可以直接建模，也可以在建模時從數據中刪除，并添加回預測的時間間隔。該系列似乎沒有任何趨勢。 ![Parallel Time Series Line Plots For All Target Variables for 1 Chunk](https://img.kancloud.cn/00/b2/00b28b96b7a4de9536a46aedb775b9aa_1280x960.jpg) 1 個塊的所有目標變量的并行時間序列線圖我們可以重新運行該示例并使用完整數據繪制前三個塊的目標變量。 ```py # plot targets for some chunks plot_chunk_targets(chunks, [1, 3 ,5]) ``` 運行該示例將創建一個圖形，其中包含 39 個圖形和每個圖形的三個時間序列，一個用于每個塊的目標。繪圖很忙，您可能希望增加繪圖窗口的大小，以便更好地查看目標變量的塊之間的比較。對于許多具有循環日常結構的變量，我們可以看到在整個塊中重復的結構。這是令人鼓舞的，因為它表明為站點建模變量可能對塊有所幫助。此外，曲線 3 至 10 對應于七個不同位置的變量 11。這些圖中時間結構的字符串相似性表明，對跨站點使用的每個變量的數據建模可能是有益的。 ![Parallel Time Series Line Plots For All Target Variables for 3 Chunks](https://img.kancloud.cn/df/41/df419cdafe0a94f18f3251b4f6f9192a_1280x960.jpg) 3 個塊的所有目標變量的并行時間序列線圖 ### 目標變量的箱線圖分布查看目標變量的分布也很有用。我們可以首先通過為每個目標變量創建框和晶須圖來查看每個目標變量的分布。可以為每個目標并排創建單獨的箱圖，允許在相同比例下直接比較值的形狀和范圍。 ```py # boxplot for target variables for a chuck def plot_chunk_targets_boxplots(chunks, c_id): rows = chunks[c_id] pyplot.boxplot(rows[:,56:]) pyplot.show() ``` 下面列出了完整的示例。 ```py # boxplots of targets for a chunk from numpy import unique from numpy import isnan from numpy import count_nonzero from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # boxplot for target variables for a chuck def plot_chunk_targets_boxplots(chunks, c_id): rows = chunks[c_id] pyplot.boxplot(rows[:,56:]) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # boxplot for target variables plot_chunk_targets_boxplots(chunks, 1) ``` 運行該示例將創建一個包含 39 個箱圖的圖形，第一個塊的 39 個目標變量中的每一個都有一個。我們可以看到許多變量的中位數接近零或一;我們還可以看到大多數變量存在大的不對稱差異，這表明變量可能與異常值存在偏差。令人鼓舞的是，7 個站點的變量 11 的 4-10 的箱形圖顯示了類似的分布。這進一步證明了數據可以按變量分組并用于擬合可跨站點使用的模型。 ![Box and whisker plots of target variables for one chunk](https://img.kancloud.cn/0f/f2/0ff2b6d418c9908e0a063a62c650686c_1280x960.jpg) 一個塊的目標變量的框和胡須圖我們可以使用跨所有塊的數據重新創建此圖，以查看數據集范圍的模式。下面列出了完整的示例。 ```py # boxplots of targets for all chunks from pandas import read_csv from matplotlib import pyplot # boxplot for all target variables def plot_target_boxplots(values): pyplot.boxplot(values[:,56:]) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # boxplot for target variables values = dataset.values plot_target_boxplots(values) ``` 運行該示例將創建一個新圖形，顯示整個訓練數據集的 39 個框和胡須圖，而不管塊是什么。這有點亂，圓圈異常值掩蓋了主要的數據分布。我們可以看到異常值確實擴展到 5 到 10 個單位。這表明在建模時可能在標準化和/或重新縮放目標方面有一些用處。也許最有用的發現是，有些目標沒有任何（或非常多）數據而不管塊數。這些列可能應該從數據集中排除。 ![Box and whisker plots of target variables for all training data](https://img.kancloud.cn/73/80/738018832737626173fcb5dc8db033b4_1280x960.jpg) 所有訓練數據的目標變量的框和胡須圖 ### 顯然空目標列我們可以通過創建每列缺失數據比率的條形圖來進一步研究明顯的缺失數據，不包括開頭的元數據列（例如前五列）。下面的 _plot_col_percentage_missing（）_ 函數實現了這個功能。 ```py # bar chart of the ratio of missing data per column def plot_col_percentage_missing(values, ix_start=5): ratios = list() # skip early columns, with meta data or strings for col in range(ix_start, values.shape[1]): col_data = values[:, col].astype('float32') ratio = count_nonzero(isnan(col_data)) / len(col_data) * 100 ratios.append(ratio) if ratio > 90.0: print(col, ratio) col_id = [x for x in range(ix_start, values.shape[1])] pyplot.bar(col_id, ratios) pyplot.show() ``` 下面列出了完整的示例。 ```py # summarize missing data per column from numpy import isnan from numpy import count_nonzero from pandas import read_csv from matplotlib import pyplot # bar chart of the ratio of missing data per column def plot_col_percentage_missing(values, ix_start=5): ratios = list() # skip early columns, with meta data or strings for col in range(ix_start, values.shape[1]): col_data = values[:, col].astype('float32') ratio = count_nonzero(isnan(col_data)) / len(col_data) * 100 ratios.append(ratio) if ratio > 90.0: print(ratio) col_id = [x for x in range(ix_start, values.shape[1])] pyplot.bar(col_id, ratios) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # plot ratio of missing data per column values = dataset.values plot_col_percentage_missing(values) ``` 如果比率高于 90％，則首先運行示例打印列 id（零偏移）和缺失數據的比率。我們可以看到，實際上沒有非 NaN 數據為零的列，但可能有二十多個（12）具有超過 90％的缺失數據。有趣的是，其中七個是目標變量（指數 56 或更高）。 ```py 11 91.48885539779488 20 91.48885539779488 29 91.48885539779488 38 91.48885539779488 47 91.48885539779488 58 95.38880516115385 66 96.9805134713519 68 95.38880516115385 72 97.31630575606145 86 95.38880516115385 92 95.38880516115385 94 95.38880516115385 ``` 創建列索引號與缺失數據比率的條形圖。我們可以看到，對于缺失數據的比率可能存在一些分層，群集低于 10％，群集約為 70％，群集高于 90％。我們還可以看到輸入變量和目標變量之間的分離，前者非常規則，因為它們顯示了在不同站點測量的相同變量類型。某些目標變量的這些少量數據表明除了過去的觀察之外還需要利用其他因素來進行預測。 ![Bar Chart of Percentage of Missing Data Per Column](https://img.kancloud.cn/ef/81/ef81782d4ee81d56849826fad8ad474f_1280x960.jpg) 每列缺失數據百分比的條形圖 ### 目標變量的直方圖分布目標變量的分布不整齊，至少可以是非高斯分布，或者最差的是高度多模態。我們可以通過查看目標變量的直方圖來查看單個塊的數據。 matplotlib 中 _hist（）_ 函數的一個問題是它對 NaN 值不穩健。我們可以通過在繪制之前檢查每列是否具有非 NaN 值并排除具有 NaN 值的行來克服此問題。下面的函數執行此操作，并為一個或多個塊的每個目標變量創建一個直方圖。 ```py # plot distribution of targets for one or more chunk ids def plot_chunk_targets_hist(chunks, c_ids): pyplot.figure() targets = range(56, 95) for i in range(len(targets)): ax = pyplot.subplot(len(targets), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = targets[i] for chunk_id in c_ids: rows = chunks[chunk_id] # extract column of interest col = rows[:,column].astype('float32') # check for some data to plot if count_nonzero(isnan(col)) < len(rows): # only plot non-nan values pyplot.hist(col[~isnan(col)], bins=100) pyplot.show() ``` 下面列出了完整的示例。 ```py # plot distribution of targets for a chunk from numpy import unique from numpy import isnan from numpy import count_nonzero from pandas import read_csv from matplotlib import pyplot # split the dataset by 'chunkID', return a dict of id to rows def to_chunks(values, chunk_ix=1): chunks = dict() # get the unique chunk ids chunk_ids = unique(values[:, chunk_ix]) # group rows by chunk id for chunk_id in chunk_ids: selection = values[:, chunk_ix] == chunk_id chunks[chunk_id] = values[selection, :] return chunks # plot distribution of targets for one or more chunk ids def plot_chunk_targets_hist(chunks, c_ids): pyplot.figure() targets = range(56, 95) for i in range(len(targets)): ax = pyplot.subplot(len(targets), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = targets[i] for chunk_id in c_ids: rows = chunks[chunk_id] # extract column of interest col = rows[:,column].astype('float32') # check for some data to plot if count_nonzero(isnan(col)) < len(rows): # only plot non-nan values pyplot.hist(col[~isnan(col)], bins=100) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # group data by chunks values = dataset.values chunks = to_chunks(values) # plot targets for some chunks plot_chunk_targets_hist(chunks, [1]) ``` 運行該示例將創建一個包含 39 個直方圖的圖形，一個用于第一個塊的每個目標變量。情節難以閱讀，但是大量的垃圾箱會顯示變量的分布。可以公平地說，也許沒有一個目標變量具有明顯的高斯分布。許多人的右側尾部可能有偏斜的分布。其他變量具有看似非常離散的分布，可能是所選測量設備或測量尺度的人工產物。 ![Histograms for each target variable for one chunk](https://img.kancloud.cn/db/44/db448db6a2ccfed8443948008d400d45_1280x960.jpg) 一個塊的每個目標變量的直方圖我們可以使用所有塊的目標變量重新創建相同的圖。下面列出了完整的示例。 ```py # plot distribution of all targets from numpy import isnan from numpy import count_nonzero from pandas import read_csv from matplotlib import pyplot # plot histogram for each target variable def plot_target_hist(values): pyplot.figure() targets = range(56, 95) for i in range(len(targets)): ax = pyplot.subplot(len(targets), 1, i+1) ax.set_xticklabels([]) ax.set_yticklabels([]) column = targets[i] # extract column of interest col = values[:,column].astype('float32') # check for some data to plot if count_nonzero(isnan(col)) < len(values): # only plot non-nan values pyplot.hist(col[~isnan(col)], bins=100) pyplot.show() # load data dataset = read_csv('AirQualityPrediction/TrainingData.csv', header=0) # plot targets for all chunks values = dataset.values plot_target_hist(values) ``` 運行該示例將創建一個包含 39 個直方圖的圖形，一個用于訓練數據集中的每個目標變量。我們可以看到更全面的分布，更具洞察力。第一批情節可能顯示出高度傾斜的分布，其核心可能是也可能不是高斯分布。我們可以看到許多具有間隙的類高斯分布，這表明對高斯分布的連續變量施加了離散測量。我們還可以看到一些顯示指數分布的變量。總之，這表明使用[功率變換](https://machinelearningmastery.com/power-transform-time-series-forecast-data-python/)來探索將數據重塑為更高斯，和/或使用不依賴于變量的高斯分布的非參數建模方法。例如，可以預期經典線性方法具有困難時間。 ![Histograms for each target variable for the entire training dataset](https://img.kancloud.cn/03/6a/036a55ce0f1ce6608cb1619e5d0e855d_1280x960.jpg) 整個訓練數據集的每個目標變量的直方圖 ## 與目標變量的皺痕比賽結束后，提供數據的人 [David Chudzicki](https://www.linkedin.com/in/david-chudzicki-3ba1a92a/) 總結了 12 個輸出變量的真實含義。這是在標題為“[目標變量確實是](https://www.kaggle.com/c/dsg-hackathon/discussion/1830)”的表格帖子中提供的，部分復制如下： ```py Description Target Variable Carbon monoxide, 8 Sulfur dioxide, 4 SO2 max 5-min avg, 3 Nitric oxide (NO), 10 Nitrogen dioxide (NO2), 14 Oxides of nitrogen (NOx), 9 Ozone, 11 PM10 Total 0-10um STP, 5 OC CSN Unadjusted PM2.5 LC TOT, 15 Total Nitrate PM2.5 LC, 2 EC CSN PM2.5 LC TOT, 1 Total Carbon PM2.5 LC TOT, 7 Sulfate PM2.5 LC, 8 PM2.5 Raw Data, 4 PM2.5 AQI & Speciation Mass, 3 ``` 這很有意思，因為我們可以看到目標變量本質上是氣象的，并且與競爭的名稱所暗示的空氣質量有關。問題是數據集中有 15 個變量，只有 12 種不同類型的目標變量。此問題的原因是數據集中的相同目標變量可用于表示不同的目標變量。特別： * 目標 8 可以是'_ 一氧化碳 _'或'_ 硫酸鹽 PM2.5LC_ '的數據。 * 目標 4 可以是'_ 二氧化硫 _'或' _PM2.5 原始數據 _'的數據。 * 目標 3 可以是' _SO2 最大 5 分鐘平均 _'或' _PM2.5 AQI＆amp;形態質量 _'。根據變量的名稱，將數據加倍到相同的目標變量，使用具有不同化學特征的變量，甚至可能使用例如測量的變量。它似乎是偶然的而不是戰略性的。目前尚不清楚，但很可能目標代表一個塊中的一個變量，但可能代表塊之間的不同變量。或者，變量可能在每個塊內的站點之間不同。在前一種情況下，這意味著期望跨塊的這些目標變量的一致性的模型，這是一個非常合理的假設，可能有困難。在后者中，模型可以將變量位點組合視為不同的變量。可以通過比較這些變量在塊之間的分布和比例來梳理差異。這是令人失望的，并且取決于模型技能的重要性，可能需要從數據集中刪除這些變量，這些變量是很多目標變量（39 個中的 20 個）。 ## 關于建模的思考在本節中，我們將利用我們發現的有關該問題的方法，并提出一些建模此問題的方法。我喜歡這個數據集;它是凌亂的，現實的，抵制樸素的方法。本節分為四個部分;他們是： * 取景。 * 數據準備。 * 造型。 * 評價。 ### 取景該問題通常被視為多變量多步驟時間序列預測問題。此外，需要跨多個站點預測多個變量，這是時間序列預測問題的常見結構細分，例如，預測不同物理位置（例如商店或車站）的可變物。讓我們來看看數據的一些可能的框架。 #### 按變量和站點單變量第一種方法可能是將每個站點的每個變量視為單變量時間序列預測問題。對模型進行 8 天的每小時觀察，并要求預測三天，從中獲取并使用或評估預測提前期的特定子集。在一些選擇的情況下，這可能是可能的，這可以通過一些進一步的數據分析來確認。然而，數據通常抵抗這種框架，因為并非所有塊都對每個目標變量進行了 8 天的觀察。此外，目標變量的時間序列可能非常不連續，即使不是大多數（90％到 95％）不完整。我們可以放松對模型所需的先前數據的結構和數量的期望，設計模型以利用可用的任何東西。這種方法每塊需要 39 個模型，總共需要（208 * 39）或 8,112 個獨立模型。這聽起來有可能，但可能比我們從工程角度更喜歡的可擴展性。可變站點組合可以跨塊建模，僅需要 39 個模型。 #### 單變量變量目標變量可以跨站點聚合。我們還可以放松使用滯后時間進行預測，并使用零填充或輸入缺失值來顯示可用的內容，或者甚至是滯后觀察而忽略前置時間。然后，我們可以根據給定變量的先前觀察結果對問題進行框架，預測接下來的三天。這些模型可能有更多可以使用，但會忽略基于站點的任何變量差異。這可能是也可能不是沒有理由的，可以通過比較跨站點的變量分布來檢查。有 12 個獨特的變量。我們可以為每個塊建模每個變量，給出（208 * 12）或 2,496 個模型。在塊上建模 12 個變量可能更有意義，只需要 12 個模型。 #### 多變量模型也許一個或多個目標變量依賴于一個或多個氣象變量，甚至依賴于其他目標變量。這可以通過調查每個目標變量和每個輸入變量之間的相關性以及其他目標變量來探索。如果存在或可以假設這樣的依賴性，則不僅可以預測具有更完整數據的變量，還可以預測具有 90％以上缺失數據的目標變量。這些模型可以使用先前氣象觀測的一些子集和/或目標變量觀測作為輸入。數據的不連續性可能需要放寬輸入變量的傳統滯后時間結構，允許模型使用可用于特定預測的任何內容。 ## 數據準備根據模型的選擇，輸入和目標變量可能會受益于某些數據準備，例如： * 標準化。 * 正常化。 * 功率變換，高斯。 * 季節性差異，存在季節性結構。為了解決丟失的數據，在某些情況下，可能需要通過簡單的持久性或平均來進行估算。在其他情況下，并且取決于模型的選擇，可以直接從 NaN 值學習作為觀察（例如 XGBoost 可以這樣做）或填充 0 值并屏蔽輸入（例如 LSTM 可以這樣做）。研究降尺度輸入到 2,4 或 12 小時數據或類似數據以試圖填補不連續數據中的空白，例如，可能是有趣的。每小時從 12 小時數據預測。 ### 造型建模可能需要一些原型來發現在方法和選擇的輸入觀察方面有效的方法。 #### 經典方法可能存在具有完整數據的塊的罕見示例，其中諸如 ETS 或 SARIMA 的經典方法可用于單變量預測。通常，該問題抵制經典方法。 #### 機器學習一個很好的選擇是使用非線性機器學習方法，這些方法與輸入數據的時間結構無關，利用任何可用的東西。此類模型可用于遞歸或直接策略以預測提前期。直接策略可能更有意義，每個所需的提前期有一個模型。有 10 個交付周期和 39 個目標變量，在這種情況下，直接策略需要（39 * 10）或 390 個模型。對問題建模的直接方法的缺點是模型無法利用預測區間中目標變量之間的任何依賴關系，特別是跨站點，跨變量或跨越提前期。如果這些依賴存在（并且肯定會存在），則可以在使用第二層集合模型時添加它們的味道。特征選擇可用于發現變量和/或滯后時間，這可以在預測每個目標變量和提前期時提供最大價值。這種方法將提供很大的靈活性，正如競爭中所示，決策樹的集合在很少調整的情況下表現良好。 #### 深度學習與機器學習方法一樣，深度學習方法可能能夠使用任何可用的多變量數據來進行預測。對于這個問題，兩類神經網絡可能值得探索： * 卷積神經網絡或 CNN。 * 循環神經網絡，特別是長短期記憶網絡或 LSTM。 CNN 能夠將多變量輸入時間序列數據的長序列提取到小特征映射中，并且實質上從與預測最相關的序列中學習特征。它們在輸入序列中處理噪聲和特征不變性的能力可能是有用的。與其他神經網絡一樣，CNN 可以輸出向量以預測預測的提前期。 LSTM 旨在處理序列數據，并可通過屏蔽直接支持丟失的數據。它們也能夠從長輸入序列自動進行特征學習，單獨或與 CNN 結合可以很好地解決這個問題。與編碼器 - 解碼器架構一起，LSTM 網絡可用于本地預測多個交付周期。 ### 評估一種反映競爭中使用的樸素方法可能最適合評估模型。也就是說，將每個塊分成訓練和測試集，在這種情況下使用前五天的數據進行訓練，其余三個用于測試。通過在整個數據集上進行訓練并將預測提交給 Kaggle 網站以評估所保持的測試數據集，最終確定模型可能是有趣的。 ## 進一步閱讀如果您希望深入了解，本節將提供有關該主題的更多資源。 * [標準多變量，多步驟和多站點時間序列預測問題](https://machinelearningmastery.com/standard-multivariate-multi-step-multi-site-time-series-forecasting-problem/) * [EMC 數據科學全球黑客馬拉松（空氣質量預測）](https://www.kaggle.com/c/dsg-hackathon/data) * [將所有東西放入隨機森林：Ben Hamner 贏得空氣質量預測黑客馬拉松](http://blog.kaggle.com/2012/05/01/chucking-everything-into-a-random-forest-ben-hamner-on-winning-the-air-quality-prediction-hackathon/) * [EMC 數據科學全球黑客馬拉松（空氣質量預測）的獲獎代碼](https://github.com/benhamner/Air-Quality-Prediction-Hackathon-Winning-Model) * [分區模型的一般方法？](https://www.kaggle.com/c/dsg-hackathon/discussion/1821) ## 摘要在本教程中，您發現并探索了空氣質量預測數據集，該數據集代表了具有挑戰性的多變量，多站點和多步驟時間序列預測問題。具體來說，你學到了： * 如何加載和探索數據集的塊結構。 * 如何探索和可視化數據集的輸入和目標變量。 * 如何使用新的理解來概述一系列方法來構建問題，準備數據和建模數據集。你有任何問題嗎？在下面的評論中提出您的問題，我會盡力回答。