一、选取主要特征操作变量
1.1问题分析
汽油的实际精制生产工序十分繁琐，可操作位点繁多，而不同操作位点之间可能存在着某些相关性质，例如装置内部温度的变化可能会导致装置内部压力的变化。同时也存在 一些与汽油成品质量相关性不大的常规操作变量。为了降低后续数据处理过程中所消耗的计算资源，需要对354个操作变量进行筛选，使得筛选出的操作变量最具代表性，与目标输出指标的相关程度高。
数据来源：原始数据采集来源于中石化高桥石化实时数据库(霍尼韦尔 PHD)及 LIMS 实验数据库。
问题要求：附件一中提供的 325 个样本数据中，包括 7 个原料性质、2 个待生吸附剂 性质、2 个再生吸附剂性质、2 个产品性质等变量以及另外 354 个操作变量(共计 367 个 变量)。对上述 367 个变量进行降维，选出不超过 30 个特征变量对模型进行建模。要求 选择具有代表性、独立性。
目标：由于附件一中的 325 个样本的原料性质均有差异，故本文将样本的 7 个原料性质作为模型输入的一部分，且对单个样本进行分析时原料性质不可进行操作更改。此外，本文将对 367 个操作变量进行特征选择，从中选择 10 个对模型输出影响较大的操作变量作为降维后的特征。综上所述，本文对上述 367 个变量(其中预先确定选择 7 个原料属性变量)选择合适的特征降维方法进行降维后，得到共 17 个特征。
1.2 特征降维
http://t.csdn.cn/SJDJ6 12种降维方法终极指南
1.2.1低方差滤波
该方法假设数据列变化非常小的列包含的信息量少。因此，所有的数据列方差小的列被移除。需要注意的一点是：方差与数据范围相关的，因此在采用该方法前需要对数据做归一化处理。
example1:
1、初始化VarianceThreshfold，指定阀值方差
2、调用fit_transform
from sklearn.feature_selection import VarianceThreshold if __name__ == '__main__': data = [ [1, 2, 3, 4, 5], [1, 7, 8, 9, 10], [1, 12, 13, 14, 15] ] # 示例化一个转化器类 transfer = VarianceThreshold() # `threshold` 用默认值 0 # 调用 transfer.fit_transform data_final = transfer.fit_transform(data) print('返回结果为：', data_final) ''' 返回结果为： [[ 2 3 4 5] [ 7 8 9 10] [12 13 14 15]] '''
import numpy as np import pandas as pd data1=pd.read_excel('ques2.xlsx')
#加载模块 from sklearn.preprocessing import StandardScaler import warnings warnings.filterwarnings("ignore") #过滤掉警告的意思 from pyforest import * import pandas as pd import numpy as np
from sklearn.preprocessing import MinMaxScaler #区间缩放，返回值为缩放到[0, 1]区间的数据 Standard_data=MinMaxScaler().fit_transform(data1)
#由于标准化后的数据是array格式，故将其转化为数据框 Standard_data = pd.DataFrame(Standard_data) #转为dataframe
# 将文件写入excel表格中 writer = pd.ExcelWriter('Standard_data_ques2.xlsx') #关键2，创建名称为hhh的excel表格 Standard_data.to_excel(writer,'page_1',float_format='%.5f') #关键3，float_format 控制精度，将data_df写到hhh表格的第一页中。若多个文件，可以在page_2中写入 writer.save() #关键4
S_data_ques2=pd.read_excel('Standard_data_ques2.xlsx')
from sklearn.feature_selection import VarianceThreshold # 示例化一个转化器类 transfer = VarianceThreshold() # `threshold` 用默认值 0 # 调用 transfer.fit_transform data_final_1 = transfer.fit_transform(S_data_ques2) print('返回结果为：', data_final_1)
data_df = pd.DataFrame(data_final_1) #关键1，将ndarray格式转换为DataFrame
# 将文件写入excel表格中 writer = pd.ExcelWriter('new_ques2.xlsx') #关键2，创建名称为hhh的excel表格 data_df.to_excel(writer,'page_1',float_format='%.5f') #关键3，float_format 控制精度，将data_df写到hhh表格的第一页中。若多个文件，可以在page_2中写入 writer.save() #关键4
处理之后的数据、变量缩减至211：
1.2.2灰色关联分析
对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。
灰色系统理论提出了对各子系统进行灰色关联度分析的概念，意图透过一定的方法，去寻求系统中各子系统（或因素）之间的数值关系。因此，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析。
计算步骤
1、确实参考数列与比较数列
2、对参考数列与比较数列进行无量纲化处理
3、计算关联系数,求关联度
import pandas as p import numpy as np from numpy import * import matplotlib.pyplot as plt %matplotlib inline # 从硬盘读取数据进入内存 data_2=pd.read_excel('RFC.xlsx') data_2.head()
这里要把变量RON放在最后一列。
# 无量纲化 def dimensionlessProcessing(df): newDataFrame = pd.DataFrame(index=df.index) columns = df.columns.tolist() for c in columns: d = df[c] MAX = d.max() MIN = d.min() MEAN = d.mean() newDataFrame[c] = ((d - MEAN) / (MAX - MIN)).tolist() return newDataFrame def GRA_ONE(gray, m=0): # 读取为df格式 gray = dimensionlessProcessing(gray) # 标准化 std = gray.iloc[:, m] # 为标准要素 gray.drop(str(m),axis=1,inplace=True) ce = gray.iloc[:, 0:] # 为比较要素 shape_n, shape_m = ce.shape[0], ce.shape[1] # 计算行列 # 与标准要素比较，相减 a = zeros([shape_m, shape_n]) for i in range(shape_m): for j in range(shape_n): a[i, j] = abs(ce.iloc[j, i] - std[j]) # 取出矩阵中最大值与最小值 c, d = amax(a), amin(a) # 计算值 result = zeros([shape_m, shape_n]) for i in range(shape_m): for j in range(shape_n): result[i, j] = (d + 0.5 * c) / (a[i, j] + 0.5 * c) # 求均值，得到灰色关联值,并返回 result_list = [mean(result[i, :]) for i in range(shape_m)] result_list.insert(m,1) return pd.DataFrame(result_list) def GRA(DataFrame): df = DataFrame.copy() list_columns = [ str(s) for s in range(len(df.columns)) if s not in [None] ] df_local = pd.DataFrame(columns=list_columns) df.columns=list_columns for i in range(len(df.columns)): df_local.iloc[:, i] = GRA_ONE(df, m=i)[0] return df_local
# 灰色关联结果矩阵可视化 import seaborn as sns def ShowGRAHeatMap(DataFrame): colormap = plt.cm.RdBu ylabels = DataFrame.columns.values.tolist() f, ax = plt.subplots(figsize=(14, 14)) ax.set_title('GRA HeatMap') # 设置展示一半，如果不需要注释掉mask即可 mask = np.zeros_like(DataFrame) mask[np.triu_indices_from(mask)] = True with sns.axes_style("white"): sns.heatmap(DataFrame, cmap="YlGnBu", annot=True, mask=mask, ) plt.show() data_2_gra = GRA(data_2) # 画出热力图 ShowGRAHeatMap(data_2_gra)
1.3 初步RFC模型
通过随机森林(RFC)模型对汽油辛烷值RON进行特征提取与模型优化。
1.3.1 导入相关的数据库
import matplotlib.pyplot as plt from sklearn.ensemble import RandomForestClassifier #随机森林用于分类 from sklearn.ensemble import RandomForestRegressor #随机森林用于回归 from sklearn.model_selection import train_test_split #划分训练集与测试集 from sklearn import metrics from sklearn.metrics import r2_score #用于模型拟合优度评估 import numpy as np import pandas as pd #读取数据
这里，产品辛烷值RON作为数据标签，其余作为特征，由于特征过多，需要对对特征进行降维提取。
#将数据分为训练和测试集 train_labels = df_2.iloc[:,0] #数据标签 train_features= df_2.iloc[:,1:] #数据特征 feature_list = list(train_features.columns) #数据特征名称 train_features = np.array(train_features) #格式转换 #划分训练集与测试集 train_features, test_features, train_labels, test_labels = train_test_split(train_features, train_labels, test_size = 0.25, random_state = 42)
1.3.2 构建初步随机森林模型
#构造随机森林模型 rf=RandomForestRegressor(n_estimators = 1000,oob_score = True,n_jobs = -1,random_state =42,max_features='auto',min_samples_leaf = 12) rf.fit(train_features,train_labels) #模型拟合 predictions= rf.predict(test_features) #预测 print("train r2:%.3f"%r2_score(train_labels,rf.predict(train_features))) #评估 print("test r2:%.3f"%r2_score(test_labels,predictions))
初步构造未提取特征之前的随机森林模型，测试集与训练集结果展示如下：
可以看到，模型拟合训练集比测试集程度好，说明模型拟合程度待优化，这里通过网格搜索方法实现模型参数的优化。
1.3.3 GridSearch实现参数调优
from sklearn.model_selection import GridSearchCV #GridSearch网格搜索 进行参数调优 rfc=RandomForestRegressor() param = {"n_estimators": range(1,20),"min_samples_leaf": range(1,20)} #要调优的参数 gs = GridSearchCV(estimator=rfc,param_grid=param,cv=5) gs.fit(train_features,train_labels) #调优拟合
参数调优后就是进行模型最优参数导出:
#导出调参后最优参数 best_score=gs.best_score_ best_params=gs.best_params_ print(best_score,best_params,end='\n')
可以看到，模型拟合分数为0.65，再次对模型进行拟合查看参数调优后的效果。
#最优参数再次进行模型评估 rf=RandomForestRegressor(n_estimators = 14,oob_score = True,n_jobs = -1,random_state =42,max_features='auto',min_samples_leaf = 5) rf.fit(train_features,train_labels) predictions= rf.predict(test_features) print("train r2:%.3f"%r2_score(train_labels,rf.predict(train_features))) print("test r2:%.3f"%r2_score(test_labels,predictions))
可以看到，模型的训练集拟合优度大幅度提升，测试集模型额拟合优度也有明显额提升，但幅度不大。
1.4 特征提取
1.4.1 获取影响辛烷值的特征重要性
importances = list(rf.feature_importances_) #辛烷值RON影响因素的重要性 feature_importances = [(feature, round(importance, 2)) for feature, importance in zip(feature_list,importances)] #将相关变量名称与重要性对应 feature_importances = sorted(feature_importances, key = lambda x: x[1], reverse = True) #排序 [print('Variable: {:12} Importance: {}'.format(*pair)) for pair in feature_importances] #输出特征影响程度详细数据
1.4.2 可视化变量的重要性
#绘图 f,ax = plt.subplots(figsize = (13,8)) #设置图片大小 x_values = list(range(len(importances))) plt.bar(x_values,importances, orientation = 'vertical', color = 'r',edgecolor = 'k',linewidth =0.2) #绘制柱形图 # Tick labels for x axis plt.xticks(x_values, feature_list, rotation='vertical',fontsize=8) # Axis labels and title plt.ylabel('Importance'); plt.xlabel('Variable'); plt.title('Variable Importances');
# 以二维表格形式显示 importances_df = pd.DataFrame() importances_df["特征名称"]=feature_list importances_df["特征重要性"]=importances p=importances_df.sort_values("特征重要性",ascending=False) print(importances_df)
这里选择15个特征变量，并最终作为辛烷值RON的特征。
