【AI】機械学習 by Python：回帰分析編③～データセットのインポート～

　前回

の続き。

　今回は「データセットのインポートとそのサイズ確認」から説明する。
　下記に、解説対象のプログラムの実装例とその出力例を示しておく。

　

実装例

# モジュールのインポート
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import sklearn
from sklearn.linear_model import LinearRegression

# データセットのインポート
file=pd.read_csv('apartment.csv',encoding='cp932')
#データセットのサイズ確認
print('データセットのサイズ：',file.shape)

# 説明変数
X=file.iloc[:,1:]
# 目的変数
Y=file.iloc[:,0]

# 説明変数Xと目的変数を、学習データ（8割）とテストデータ（2割）に分割（random_stateは0）
X_train, X_test, Y_train, Y_test = sklearn.model_selection.train_test_split(X, Y, test_size=0.2, random_state=0)
# 分割の確認
print('分割の確認：',X_train.shape, X_test.shape, Y_train.shape, Y_test.shape)

# 回帰分析実行
# インスタンスの作成
model = LinearRegression()
# モデルの作成
model.fit(X_train, Y_train)

# 回帰直線の確認
# 切片
print('切片の値 = ', model.intercept_)
# 係数
print('係数の値 = ', model.coef_)

# 学習データからの予測値
pred_train = model.predict(X_train)
# テストデータからの予測値
pred_test = model.predict(X_test)

# 結果確認
print('学習データの平均二乗誤差： ', np.mean((Y_train - pred_train) ** 2))
print('テストデータの平均二乗誤差： ', np.mean((Y_test - pred_test) ** 2))
print('決定係数：',model.score(X_test,Y_test))

# モデルを使った計算
Xs=35 # 部屋の広さ[m^2]
Xt=10 # 駅から建物までの所要時間[min]
Xo=5 # 築年数[year]
price=model.intercept_+model.coef_[0]*Xs+model.coef_[1]*Xt+model.coef_[2]*Xo
print('部屋の広さ',Xs,'m^2、徒歩',Xt,'分、築',Xo,'年の建物の部屋の家賃は約',round(price,1),'万円である。')

出力例

データセットのサイズ： (100, 4)
分割の確認： (80, 3) (20, 3) (80,) (20,)
切片の値 =  7.506892589329363
係数の値 =  [ 0.15930654 -0.10031788 -0.14080724]
学習データの平均二乗誤差：  0.0006406930013219009
テストデータの平均二乗誤差：  0.0009590840329186921
決定係数： 0.999959366829125
部屋の広さ 35 m^2、徒歩 10 分、築 5 年の建物の部屋の家賃は約 11.4 万円である。

2. データセットのインポートとそのサイズ確認

　「モジュールのインポート」の後に書かれているのは、分析するデータセットをインポートするコードと、そのサイズを確認するためのコードだ。

# データセットのインポート
file=pd.read_csv('apartment.csv',encoding='cp932')
#データセットのサイズ確認
print('データセットのサイズ：',file.shape)

　

はcsvファイルを読み込むための関数で、pandasが提供する関数の1つだ。

　pandasに限らず、Numpyなどのライブラリ中の関数を使う場合、先頭にライブラリの呼び出し名を付けてから関数名を記述する。

　関数read_csv()は複数種の引数をとることができ、今回記述されている「encoding」は文字コードを指定することができる。

　「file=」の部分は、変数「file」に「=」以下を格納することを意味する。
　Pythonでの変数は数値だけでなく、行列や文字、上記のようなデータも格納することができる。
　こうしておけば、毎回関数を書き下す必要はなく、「file」と記述するだけでデータを呼び出すことができる。

　

　その次に記述されている

は、()内の数値(変数や関数も可)、もしくは文字列をプログラム実行時に出力、表示させる関数である。
　数値はそのまま入力し、文字列は「”」で括る。
　また、数値と文字列を同時に表示させる場合は、両者の間に「,」を入れる。

　今回、print関数の()内に入っている「shape」はデータの構造を出力する関数であり、

と入力すると、調べたいデータの行数と列数がベクトル表記で出力される。
　(厳密にはベクトル表記ではなくて「タプル」という正式な名前があるが、ここでは説明を割愛する。)

　1つ注意として、csvファイルを読み込む際、デフォルトでは先頭行はヘッダー(各列の見出し)扱いとなってカウントされないことがある。

　よって例を挙げると

となる。

　1行目は必ず、各データの意味を示す見出しをつけることが必要だ。
　(あるいはread_csvの引数に「header=None」を追加すれば、先頭行もデータ扱いになる。)

　

　以上を踏まえて、例のコードを詳しく見ていくと次のようになる。

file=pd.read_csv('apartment.csv',encoding='cp932')

⇒「apartment.csv」というcsvファイルを、文字コード「cp932」でプログラム内に読み込み、それを変数「file」に格納するためのコード。
　今回の例では、「apartment.csv」は下記のように、100部屋のアパートの部屋の情報を集積したデータセットであると仮定している。

家賃[万円]	面積[m\(^2\)]	駅からの所要時間[min]	築年数[year]
5.7	28	9	12
4.8	24	11	25
2.8	13	17	37
・ ・ ・	・ ・ ・	・ ・ ・	・ ・ ・
7.2	19	5	5

　

print('データセットのサイズ：',file.shape)

⇒変数「file」に格納した「apartment.csv」のデータセットの構造を調べ、それを文字列とともに出力するためのコード。
　今回のデータセットは、数値データが100行4列あると仮定しているため、出力は下記のようになる。

データサイズ： (100, 4)

次回予告

　出来れば「説明変数と目的変数」まで行きたかったが、長くなるので次回に持ち越すことにする。

　次回も上のワンテーマで終わるか…？

　

　END

　

　※追記
　説明変数と目的変数について執筆。