基于Python进行机器学习的流程：探索性数据分析、特征工程、训练模型、评估结果

编者按：Sapient数据科学家Deepak Jhanji通过实例演示了基于Python进行机器学习的流程：探索性数据分析、特征工程、训练模型、评估结果.

机器学习提供了一个无需明确编程、可以自行学习和提升的系统。它使用特定的处理数据的算法自行学习。在这篇教程中，我们将使用Python和XGBoost预测签证结果。

这篇教程主要介绍以下内容：

探索性数据分析

特征工程和特征提取

基于XGBoost算法训练数据集

使用训练好的模型进行预测

加载库

Python库是函数和方法的汇集，让你在无需自行实现算法的情况下编写代码。相应地，你需要下载、安装、引入所用的库。

NumPy，简称np，是Python的基础性的科学计算包。它包括强大的N维数组对象，精密的函数，集成C/C++的工具，线性代数，随机数。紧随其后的是pandas，简称pd，一个开源的BSD许可库，提供高性能、易于使用的数据结构和数据分析工具。接着是scikit learn/sklean库，提供机器学习算法。除了这些基础性的库之外，这篇教程还用到了Statistics（提供mode()等统计函数）、re（正则表达式）、XGboost（XGBoost分类器）。

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.linear_model importLogisticRegression

from sklearn.metrics import confusion_matrix, classification_report

from statistics import mode

import re

from xgboost importXGBClassifier

H1B签证和数据集

数据集可以通过Kaggle获取：nsharan/h-1b-visa

它包括五年的H-1B申请记录，共计近三百万条记录。数据集的列包括状态、雇主名称、工作地点、职位、现行工资、职业代码、年份。

数据来自外国劳工认证办公室（OFLC），每年都把可公开披露的数据上传至网络。H1B签证是一种需求强烈的非移民签证，允许专门职业的外国劳工进入国境。H-1B签证是一种基于雇佣关系的非移民签证，对美国的临时外国劳工发放。外国人想要申请H1-B签证，必须有美国雇主为其提供工作，并向美国移民局提交H-1B申请。这也是国际留学生完成学业开始全职工作后最常见的签证申请类别。

H1B申请流程的第一步是美国雇主为外国劳工提交H1B申请。第二步是由州就业保障机构确认现行工资和实际工资。如果现行工资高于潜在雇主提供的工资，那么需要进行工资标准审批。H1B申请流程的第三步是提交劳工条件申请。接下来的步骤是提交H1B申请至USCIS（美国公民及移民服务局）的相应办公室。各地的H1B申请处理时间不同。如果你希望加快申请，可以选择加急处理。H1B申请流程的最后一步是通过输入收据号查询H1B签证状态。一旦USCIS记录了你的申请，就会在他们的系统中更新你的签证状态。

数据集中，每个样本应该包含以下信息：

CASE_ID 每个申请唯一的编号

CASE_STATUS 申请状态，这是目标变量。

EMPLOYER_NAME 提交申请的雇主名称。

SOC_NAME 职业名称。

JOB_Title 头衔。

FULL_TIME_POSITION 是否是全职职位。

PREVAILING_WAGE 职位的现行工资为支付给类似劳工的平均工资。

YEAR 提交h1b申请的年份。

WORKSITE 工作地点所在州、城市。

Lon 工作地点经度。

Lat 工作地点纬度。

加载数据集

首先要做的是将数据集加载为对象。pandas的.read_csv()方法可以加载csv文件：

df = pd.read_csv('C:/Users/djhanj/Downloads/h1b_TRAIN.csv')

理解数据

加载数据后，总是建议探索数据集，以确保加载的数据结构、格式正确，所有变量或特征正确加载。

.info()方法可以用来检查数据信息。在我们的例子上，这个方法显示数据以DataFrame的格式存储，其中1个变量为整数格式，4个变量为浮点数格式，6个变量为对象格式。

.head()方法返回首5行数据。这能让你大概了解数据集。

.describe()方法将显示最小值、最大值、均值、中位数、标准差，以及所有整数和浮点数变量的数目。

df.info()

df.head()

df.describe()

RangeIndex: 2251844 entries, 0 to 2251843

Data columns (total 11 columns):

CASE_ID               int64

CASE_STATUS           object

EMPLOYER_NAME         object

SOC_NAME              object

JOB_TITLE             object

FULL_TIME_POSITION    object

PREVAILING_WAGE       float64

YEAR                  float64

WORKSITE              object

lon                   float64

lat                   float64

dtypes: float64(4), int64(1), object(6)

memory usage: 189.0+ MB

数据集共有11列，其中1列是目标变量（case_status）。也就是说，数据有1个目标变量和10个独立变量。你当然应该检查下目标变量的分类。你可以在df的case_status特征上使用.unique()方法。

这是一个分类问题。你需要预测case_status的所属分类。

df['CASE_STATUS'].unique()

df.head(10)

特征工程和数据预处理

注意，目标变量包含6个不同的分类：

Certified

Certified Withdrawn

Rejected

Invalidatd

Pending Quality and compliance review

Denied

取决于具体的业务问题，你需要决定这是一个多元分类问题，还是一个二元分类问题。如果是二元分类问题，那么只有Certified（批准）和Denied（拒签）两个分类。所以你要做的第一件事是将剩余的分类转换为Certified或Denied。其中，Rejected和Invalidated都是拒签的情形，所以应该将这两种状态转换为Denied。在美签中，Pending Quality and compliance的最终结果最可能是拒签，所以也应该转换为Denied。Certified withdrawn（批准后撤回）则是批准的情形，因为签证已经批准了，只不过雇主因为种种原因（比如劳工更换工作单位）而决定撤回申请。

df.CASE_STATUS[df['CASE_STATUS']=='REJECTED'] = 'DENIED'

df.CASE_STATUS[df['CASE_STATUS']=='INVALIDATED'] = 'DENIED'

df.CASE_STATUS[df['CASE_STATUS']=='PENDING QUALITY AND COMPLIANCE REVIEW - UNASSIGNED'] = 'DENIED'

df.CASE_STATUS[df['CASE_STATUS']=='CERTIFIED-WITHDRAWN'] = 'CERTIFIED'

至于Withdrawn（撤回）分类，由于很难预测数据集中的Withdrawn案例最终结果如何，我们可以直接移除这一分类。另一个移除Withdrawn分类的原因是它在整个数据集中所占的比例小于1%，这意味着模型很可能无法精确分类Withdrawn分类。

df = df.drop(df[df.CASE_STATUS == 'WITHDRAWN'].index)

查看下数据集中批准和拒签的比例各是多少？

df = df[df['CASE_STATUS'].notnull()]

print(df['CASE_STATUS'].value_counts())

结果：

CERTIFIED    2114025

DENIED         70606

Name: CASE_STATUS, dtype: int64

整个数据集中，只有大约3.2%的申请被拒，这意味着，数据集中大约96.8%的申请被批准了。这表明数据集是高度失衡的。失衡数据集的一大问题是模型将更偏向频繁出现的分类；在这个例子中，模型将偏向批准。有一些解决失衡问题的技术，不过本教程没有使用它们。

处理缺失值

这个数据集并不整洁，其中包含很多缺失值。你必须处理缺失值。最简单的方法是移除它们，不过这会损失信息。让我们逐步看看如何处理缺失值：

CASE_ID                   0

CASE_STATUS               0

EMPLOYER_NAME            11

SOC_NAME              12725

JOB_TITLE                 6

FULL_TIME_POSITION        1

PREVAILING_WAGE          41

YEAR                      0

WORKSITE                  0

lon                   77164

lat                   77164

dtype: int64

就EMPLOYER_NAME（雇主名称）而言，我们可以用众数（最常出现的值）填充11项缺失值：

df['EMPLOYER_NAME'] = df['EMPLOYER_NAME'].fillna(df['EMPLOYER_NAME'].mode()[0])

如果不放心，我们可以用assert语句确保不存在空值。如有空值，Python会抛出AssertionError。

assert pd.notnull(df['EMPLOYER_NAME']).all().all()

下面我们将查看prevailing_wage（现行工资）。大部分申请的工资都在4万到8万美元之间。某些申请的工资超过50万美元，有些则为0美元——由于这些情形很罕见，它们应该作为离散值移除（在2%分位和98%分位处截断）。

df.loc[df.PREVAILING_WAGE < 34029, 'PREVAILING_WAGE']= 34029

df.loc[df['PREVAILING_WAGE'] > 138703, 'PREVAILING_WAGE']= 138703

截断之后，现行工资的均值和中位数非常接近。中位数为6万5千美金，而均值为6万8千美金。我们最终将用均值替换缺失值。不过由于这两个值非常接近，你也可以用中位数替换。

df.PREVAILING_WAGE.fillna(df.PREVAILING_WAGE.mean(), inplace = True)

JOB_TITLE、FULL_TIME_POSITION、SOC_NAME列也可以使用众数填充缺失值。

df['JOB_TITLE'] = df['JOB_TITLE'].fillna(df['JOB_TITLE'].mode()[0])

df['FULL_TIME_POSITION'] = df['FULL_TIME_POSITION'].fillna(df['FULL_TIME_POSITION'].mode()[0])

df['SOC_NAME'] = df['SOC_NAME'].fillna(df['SOC_NAME'].mode()[0])

移除lat和lon列

我们将移除lat（纬度）和lon（经度）列，因为它们和工作地点列重复了。在DataFrame上使用drop方法可以移除列，只需指定列名和轴（0表示行、1表示列）。

df = df.drop('lat', axis = 1)

df = df.drop('lon', axis = 1)

特征创建

基于现有的数据有可能制作一个模型，不过，某些列包含尚待提取的信息。

EMPLOYER_NAME包含雇主的名称，其中包含大量不同的雇主（为雇员提交申请的公司）。我们无法直接在模型中使用EMPLOYER_NAME，因为类别太多了；超过500个不同雇主。

提交申请最多的5家公司是Infosys、TCS、Wipro、Deloitte、IBM。不过，根据经验，由大学提交的申请更容易通过。

所以，问题是，我们如何从该特征中提取出一些信息？

好吧，我们大概可以创建一个名为NEW_EMPLOYER的新特征：雇主名称是否包含University（大学）字符串。

创建一个空列相当简单：

df['NEW_EMPLOYER'] = np.nan

在检查是否包含字符串时，为了避免大小写问题，我们将雇主名称统一转换为小写：

df['EMPLOYER_NAME'] = df['EMPLOYER_NAME'].str.lower()

df.NEW_EMPLOYER[df['EMPLOYER_NAME'].str.contains('university')] = 'university'

df['NEW_EMPLOYER']= df.NEW_EMPLOYER.replace(np.nan, 'non university', regex=True)

变量SOC_NAME也存在这个问题。它包括职业名称。我们将创建一个名为OCCUPATION的新变量：

df['OCCUPATION'] = np.nan

df['SOC_NAME'] = df['SOC_NAME'].str.lower()

df.OCCUPATION[df['SOC_NAME'].str.contains('computer','programmer')] = 'computer occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('software','web developer')] = 'computer occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('database')] = 'computer occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('math','statistic')] = 'Mathematical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('predictive model','stats')] = 'Mathematical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('teacher','linguist')] = 'Education Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('professor','Teach')] = 'Education Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('school principal')] = 'Education Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('medical','doctor')] = 'Medical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('physician','dentist')] = 'Medical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('Health','Physical Therapists')] = 'Medical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('surgeon','nurse')] = 'Medical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('psychiatr')] = 'Medical Occupations'

df.OCCUPATION[df['SOC_NAME'].str.contains('chemist','physicist')] = 'Advance Sciences'

df.OCCUPATION[df['SOC_NAME'].str.contains('biology','scientist')] = 'Advance Sciences'

df.OCCUPATION[df['SOC_NAME'].str.contains('biologi','clinical research')] = 'Advance Sciences'

df.OCCUPATION[df['SOC_NAME'].str.contains('public relation','manage')] = 'Management Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('management','operation')] = 'Management Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('chief','plan')] = 'Management Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('executive')] = 'Management Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('advertis','marketing')] = 'Marketing Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('promotion','market research')] = 'Marketing Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('business','business analyst')] = 'Business Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('business systems analyst')] = 'Business Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('accountant','finance')] = 'Financial Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('financial')] = 'Financial Occupation'

df.OCCUPATION[df['SOC_NAME'].str.contains('engineer','architect')] = 'Architecture & Engineering'

df.OCCUPATION[df['SOC_NAME'].str.contains('surveyor','carto')] = 'Architecture & Engineering'

df.OCCUPATION[df['SOC_NAME'].str.contains('technician','drafter')] = 'Architecture & Engineering'

df.OCCUPATION[df['SOC_NAME'].str.contains('information security','information tech')] = 'Architecture & Engineering'

df['OCCUPATION']= df.OCCUPATION.replace(np.nan, 'Others', regex=True)

由于所在州对签证申请影响重大，我们将从WORKSITE中分割出州信息：

df['state'] = df.WORKSITE.str.split('\s+').str[-1]

为了计算概率，我们需要将目标分类转换为二值，即0和1.

from sklearn import preprocessing

class_mapping = {'CERTIFIED':0, 'DENIED':1}

df["CASE_STATUS"] = df["CASE_STATUS"].map(class_mapping)

移除用不到的变量：

df = df.drop('EMPLOYER_NAME', axis = 1)

df = df.drop('SOC_NAME', axis = 1)

df = df.drop('JOB_TITLE', axis = 1)

df = df.drop('WORKSITE', axis = 1)

df = df.drop('CASE_ID', axis = 1)

在阅读建模部分之前，别忘了检查变量的数据类型。例如，有些变量应该被用作类别或因子，但是它们的格式却是对象字符串。

所以，我们需要将这些变量的类型从对象转为类别，因为它们属于类别特征。

df1[['CASE_STATUS', 'FULL_TIME_POSITION', 'YEAR','NEW_EMPLOYER','OCCUPATION','state']] = df1[['CASE_STATUS', 'FULL_TIME_POSITION', 'YEAR','NEW_EMPLOYER','OCCUPATION','state']].apply(lambda x: x.astype('category'))

切分数据为训练集和测试集

将数据集一分为二，60%为训练集，40%为测试集。

X = df.drop('CASE_STATUS', axis=1)

y = df.CASE_STATUS

seed = 7

test_size = 0.40

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test_size, random_state=seed)

检查一下训练集中是否有null值：

print(X_train.isnull().sum())

应该没有：

FULL_TIME_POSITION    0

PREVAILING_WAGE       0

YEAR                  0

NEW_EMPLOYER          0

OCCUPATION            0

state                 0

dtype: int64

由于XGBoost只能处理数值数据。因此我们需要使用pd.get_dummies()对类别值进行独热编码。

X_train_encode = pd.get_dummies(X_train)

X_test_encode = pd.get_dummies(X_test)

XGBoost

XGBoost是“Extreme Gradient Boosting”（极端梯度提升）的简称，这是一种监督学习方法。具体而言，是梯度提升决策树的一种注重速度和性能的实现。

提升是一种集成方法，集成方法寻求基于“弱”分类器创建强分类器（模型）。在这一上下文中，弱和强指预测目标变量实际值的准确程度。通过在其他模型基础上迭代地添加模型，前一个模型的误差将由下一个预测模型纠正，直到达到满意的表现。

梯度提升同样包含逐渐增加模型，纠正之前模型误差地集成方法。不过，并不在每次迭代中给分类器分配不同的权重，而是用新模型去拟合之前预测的新残差，并最小化加上最新预测后的损失。

所以，最终将使用梯度下降技术更新模型，梯度提升由此得名。

关于XGBoost更多的信息，可以参考我们的XGBoost课程。

XGBoost可以直接通过pip安装：

pip install xgboost

用于分类的XGBoost模型为XGBClassifier()。创建XGBClassifier()时，max_features可以设为sqrt，即特征数的平方根。max_features是寻找最佳分割时需要考虑的特征数。所以，假设n_features为100，那么max_features取值为10.

import xgboost

gbm=xgboost.XGBClassifier(max_features='sqrt', subsample=0.8, random_state=10)

我们使用GridSearchCV()调整超参数：

GridSearchCV()实现了fit和score方法。它也同样实现了predict、predict_probad、decision_function、transform、inverse_transform方法（如果底层使用的估计器实现了这些方法。）

应用这些方法的估计器的参数是通过在参数网格上交叉验证、网格搜索得到的。

n_estimators的取值，推荐1、10、100，learning_rate的取值，推荐0.1、0.01、0.5。

n_estimators是提升阶段数。梯度提升对过拟合的鲁棒性相当不错，因此较大的取值通常意味着更好地表现。

学习率。学习率可以减慢模型的训练速度，避免过快学习导致过拟合。通常将学习率设为0.1到0.3之间的数字。

通过三折交叉验证，选出最佳learning_rate和n_estimators值。

from sklearn.model_selection importGridSearchCV

parameters = [{'n_estimators': [10, 100]},

{'learning_rate': [0.1, 0.01, 0.5]}]

grid_search = GridSearchCV(estimator = gbm, param_grid = parameters, scoring='accuracy', cv = 3, n_jobs=-1)

grid_search = grid_search.fit(train_X, train_y)

拟合训练集得到了97%的精确度（学习率0.5）：

grid_search.grid_scores_, grid_search.best_params_, grid_search.best_score_

grid_search.best_estimator_将返回网格搜索得到的最佳模型：

XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,

colsample_bytree=1, gamma=0, learning_rate=0.5, max_delta_step=0,

max_depth=3, max_features='sqrt', min_child_weight=1, missing=None,

n_estimators=100, n_jobs=1, nthread=None,

objective='binary:logistic', random_state=10, reg_alpha=0,

reg_lambda=1, scale_pos_weight=1, seed=None, silent=True,

subsample=0.8)

使用这一最佳的超参数组合在训练集上进行训练，并在测试集上进行预测。最终得到了96.56%的精确度。

从精确度上来看，我们的模型表现得相当不错。然而，果真如此吗？别忘了，我们的数据集是一个失衡的数据集。模型表现到底如何？不能只看精确度。

我们绘制AUROC曲线看看。

from sklearn import metrics

import matplotlib.pyplot as plt

fpr_xg, tpr_xg, thresholds = metrics.roc_curve(y_test, y_pred)

auc_xgb = np.trapz(tpr_xg,fpr_xg)

plt.plot(fpr_xg,tpr_xg,label=" auc="+str(auc_xgb))

plt.legend(loc=4)

plt.show()

果然，在AUROC曲线下，模型原形毕露了。AUC值0.5左右，ROC曲线基本上是对角线，这是随机猜测的水平！

看来，我们真应该用些应对失衡分类的技术，例如欠采样和过采样，或者SMOTE方法。

由于这篇文章已经够长了，这里就不深入讨论如何克服失衡问题了。虽然结果不如人意，但是我们仍然通过这个例子熟悉了机器学习的基本流程。

最后，我们将介绍如何储存模型，这样下次预测就可以直接使用了，不用再费时费力地从头开始训练模型。最简单直接的方法，就是使用Python的Pickle模块。

import pickle

XGB_Model_h1b = 'XGB_Model_h1b.sav'

pickle.dump(gbm, open(XGB_Model_h1b, 'wb'))

结语

创建模型最重要的部分是特征工程和特征选取过程。我们应该从特征中提取最多的信息，让我们的模型更坚韧、更精确。特征选取和提取需要时间和经验。可能有多种处理数据集中的信息的方法。

有许多机器学习算法，你应该选择能够给出最佳结果的算法。你也可以使用不同的算法然后将它们集成起来。在生产环境中也可以进行A/B测试，以知晓哪个模型表现更优。勇往直前，动手编程，尝试不同的方法。快乐编程！