數據預處理

通過網盤分享的文件：銀行流失預測數據和代碼
鏈接: https://pan.baidu.com/s/1loiB8rMvZArfjJccu4KW6w?pwd=pfcs 提取碼: pfcs

非數值特征處理

• 目的：將非數值特征轉換為數值型，以便模型能夠處理。
• 方法：
  • 地理位置：可以使用獨熱編碼（One-Hot Encoding）或標簽編碼（Label Encoding）將不同國家/地區轉換為數值。
  • 性別：可以使用標簽編碼，將“男”和“女”分別編碼為0和1。
• 結果文件：保存為Churn-Modelling-newT.csv

數據離散化處理

• 目的：將連續變量轉換為離散變量，簡化模型復雜度，提高模型的可解釋性。
• 方法：
  • 統計分析：對連續數據進行描述性統計分析，了解數據的分布情況。
  • 離散化方法：
    • 等寬離散化：將數據分為等寬的區間。
    • 等頻離散化：將數據分為等頻的區間。
    • 基于聚類的離散化：使用聚類算法確定離散化的區間。
• 結果文件：保存為Churn-Modelling-new-tree.csv

數據篩選

• 目的：去除與模型訓練無關的特征列，保留有意義的數據，解決數據不均衡問題。
• 方法：
  • 特征篩選：舍去如行號、用戶編號、用戶姓名等無關特征。
  • 數據平衡：
    • 過采樣：增加少數類別的樣本數量。
    • 欠采樣：減少多數類別的樣本數量。
• 結果文件：保存為final.csv

數據分割

• 目的：將數據集分為訓練集和測試集，用于模型訓練和評估。
• 方法：按照4:1的比例分割數據集。
• 結果文件：
  • 訓練集：Churn-Modelling-train.csv
  • 測試集：Churn-Modelling-test.csv

數據集預覽

數據特征列描述

RowNumber：行號
CustomerID：用戶編號
Surname：用戶姓名
CreditScore：信用分數
Geography：用戶所在國家/地區
Gender：用戶性別
Age：年齡
Tenure：當了本銀行多少年用戶
Balance：存貸款情況
NumOfProducts：使用產品數量
HasCrCard：是否有本銀行信用卡
IsActiveMember：是否活躍用戶
EstimatedSalary：估計收入
Exited：是否已流失，作為標簽數據

代碼部分

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, KBinsDiscretizer
# 過采樣與欠采樣解決數據不均衡問題
from imblearn.over_sampling import RandomOverSampler
from imblearn.under_sampling import RandomUnderSampler# 讀取數據
df = pd.read_csv('Churn-Modelling.csv')# a) 非數值特征處理
# 地理位置 - 獨熱編碼
geography_dummies = pd.get_dummies(df['Geography'], prefix='Geography')
df = pd.concat([df, geography_dummies], axis=1)
df.drop('Geography', axis=1, inplace=True)# 性別 - 標簽編碼
label_encoder = LabelEncoder()
df['Gender'] = label_encoder.fit_transform(df['Gender'])# 保存處理后的文件
df.to_csv('Churn-Modelling-newT.csv', index=False)# b) 數據離散化處理
# 信用分數、年齡、存貸款情況、估計收入 - 等寬離散化
discretizer = KBinsDiscretizer(n_bins=5, encode='ordinal', strategy='uniform')
columns_to_discretize = ['CreditScore', 'Age', 'Balance', 'EstimatedSalary']
df[columns_to_discretize] = discretizer.fit_transform(df[columns_to_discretize])# 保存處理后的文件
df.to_csv('Churn-Modelling-new-tree.csv', index=False)# c) 數據篩選
# 去除無關特征列
df.drop(['RowNumber', 'Customerid', 'Surname'], axis=1, inplace=True)X = df.drop('Exited', axis=1)
y = df['Exited']# 過采樣
over_sampler = RandomOverSampler(sampling_strategy=0.5)
X_over, y_over = over_sampler.fit_resample(X, y)# 欠采樣
under_sampler = RandomUnderSampler(sampling_strategy=0.8)
X_resampled, y_resampled = under_sampler.fit_resample(X_over, y_over)# 保存篩選后的文件
final_df = pd.concat([X_resampled, y_resampled], axis=1)
final_df.to_csv('final.csv', index=False)# d) 數據分割
X_train, X_test, y_train, y_test = train_test_split(X_resampled, y_resampled, test_size=0.2, random_state=42)train_df = pd.concat([X_train, y_train], axis=1)
test_df = pd.concat([X_test, y_test], axis=1)train_df.to_csv('Churn-Modelling-train.csv', index=False)
test_df.to_csv('Churn-Modelling-test.csv', index=False)

小注

要查看LabelEncoder是如何將類別值映射到整數的，你可以使用LabelEncoder對象的classes_屬性。這個屬性是一個數組，包含了原始類別值的排序列表，其索引位置對應于轉換后的整數值。

以下是如何查看性別類別值映射的方法：

label_encoder = LabelEncoder()
df['Gender'] = label_encoder.fit_transform(df['Gender'])# 查看類別值的映射
print(label_encoder.classes_)

假設df['Gender']列包含兩個唯一值'Male'和'Female'，LabelEncoder會根據它們在數據中出現的順序進行排序（通常是字典序），然后進行編碼。例如，如果輸出是：

['Female' 'Male']

這意味著'Female'被編碼為0，'Male'被編碼為1。如果順序相反，那么'Male'將被編碼為0，'Female'被編碼為1。

如果你想要明確地指定編碼方式，可以使用map函數手動設置映射：

# 假設我們想要將'Male'編碼為0，'Female'編碼為1
gender_mapping = {'Male': 0, 'Female': 1}
df['Gender'] = df['Gender'].map(gender_mapping)

這樣就可以確保'Male'總是被編碼為0，'Female'總是被編碼為1。