大數(shù)據(jù)預(yù)測(cè)是大數(shù)據(jù)最核心的應(yīng)用，是它將傳統(tǒng)意義的預(yù)測(cè)拓展到“現(xiàn)測(cè)”。大數(shù)據(jù)預(yù)測(cè)的優(yōu)勢(shì)體現(xiàn)在，它把一個(gè)非常困難的預(yù)測(cè)問(wèn)題，轉(zhuǎn)化為一個(gè)相對(duì)簡(jiǎn)單的描述問(wèn)題，而這是傳統(tǒng)小數(shù)據(jù)集根本無(wú)法企及的。從預(yù)測(cè)的角度看，大數(shù)據(jù)預(yù)測(cè)所得出的結(jié)果不僅僅是用于處理現(xiàn)實(shí)業(yè)務(wù)的簡(jiǎn)單、客觀的結(jié)論，更是能用于幫助企業(yè)經(jīng)營(yíng)的決策。

在過(guò)去，人們的決策主要是依賴 20% 的結(jié)構(gòu)化數(shù)據(jù)，而大數(shù)據(jù)預(yù)測(cè)則可以利用另外 80% 的非結(jié)構(gòu)化數(shù)據(jù)來(lái)做決策。大數(shù)據(jù)預(yù)測(cè)具有更多的數(shù)據(jù)維度，更快的數(shù)據(jù)頻度和更廣的數(shù)據(jù)寬度。與小數(shù)據(jù)時(shí)代相比，大數(shù)據(jù)預(yù)測(cè)的思維具有 3 大改變：實(shí)樣而非抽樣;預(yù)測(cè)效率而非精確;相關(guān)關(guān)系而非因果關(guān)系。

而今天我們就將利用python制作可視化的大數(shù)據(jù)預(yù)測(cè)部分集成工具，其中數(shù)據(jù)在這里使用一個(gè)實(shí)驗(yàn)中的數(shù)據(jù)。普遍性的應(yīng)用則直接從文件讀取即可。其中的效果圖如下：

實(shí)驗(yàn)前的準(zhǔn)備

首先我們使用的python版本是3.6.5所用到的模塊如下：

sklearn模塊用來(lái)創(chuàng)建整個(gè)模型訓(xùn)練和保存調(diào)用以及算法的搭建框架等等。 numpy模塊用來(lái)處理數(shù)據(jù)矩陣運(yùn)算。 matplotlib模塊用來(lái)可視化擬合模型效果。 Pillow庫(kù)用來(lái)加載圖片至GUI界面。 Pandas模塊用來(lái)讀取csv數(shù)據(jù)文件。 Tkinter用來(lái)創(chuàng)建GUI窗口程序。

數(shù)據(jù)的訓(xùn)練和訓(xùn)練的GUI窗口

經(jīng)過(guò)算法比較，發(fā)現(xiàn)這里我們選擇使用sklearn簡(jiǎn)單的多元回歸進(jìn)行擬合數(shù)據(jù)可以達(dá)到比較好的效果。

(1)首先是是數(shù)據(jù)的讀取，通過(guò)設(shè)定選定文件夾函數(shù)來(lái)讀取文件，加載數(shù)據(jù)的效果：

’’’選擇文件功能’’’ def selectPath(): # 選擇文件path_接收文件地址 path_ =tkinter.filedialog.askopenfilename() # 通過(guò)replace函數(shù)替換絕對(duì)文件地址中的/來(lái)使文件可被程序讀取 # 注意：轉(zhuǎn)義后為，所以轉(zhuǎn)義后為 path_ =path_.replace('/', '') # path設(shè)置path_的值 path.set(path_) return path # 得到的DataFrame讀入所有數(shù)據(jù) data = pd.read_excel(FILENAME, header=0, usecols='A,B,C,D,E,F,G,H,I') # DataFrame轉(zhuǎn)化為array DataArray = data.values # 讀取已使用年限作為標(biāo)簽 Y = DataArray[:, 8] # 讀取其他參數(shù)作為自變量，影響因素 X = DataArray[:, 0:8] # 字符串轉(zhuǎn)變?yōu)檎麛?shù) for i in range(len(Y)): Y[i] = int(Y[i].replace('年', '')) X = np.array(X) # 轉(zhuǎn)化為array Y = np.array(Y) # 轉(zhuǎn)化為array root = Tk() root.geometry('+500+260') # 背景圖設(shè)置 canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0) imgpath = ’1.jpg’ img = Image.open(imgpath) photo = ImageTk.PhotoImage(img) #背景圖大小設(shè)置 canvas.create_image(700, 400, image=photo) canvas.pack() path = StringVar() #標(biāo)簽名稱位置 label1=tk.Label(text = '目標(biāo)路徑:') label1.pack() e1=tk.Entry( textvariable = path) e1.pack() bn1=tk.Button(text = '路徑選擇', command = selectPath) bn1.pack() bn2=tk.Button(text = '模型訓(xùn)練', command = train) bn2.pack() bn3=tk.Button(text = '模型預(yù)測(cè)', command = test) bn3.pack() #標(biāo)簽按鈕等放在背景圖上 canvas.create_window(50, 50, width=150, height=30, window=label1) canvas.create_window(280, 50, width=300, height=30, window=e1) canvas.create_window(510, 50, width=150, height=30, window=bn1) canvas.create_window(50, 100, width=150, height=30, window=bn2) canvas.create_window(510, 100, width=150, height=30, window=bn3) root.mainloop()

效果如下可見：

(2)然后是數(shù)據(jù)的擬合和可視化模型效果：

# 模型擬合 reg = LinearRegression() reg.fit(X, Y) # 預(yù)測(cè)效果 predict = reg.predict(np.array([X[0]])) Y_predict = reg.predict(X) print(Y_predict) # 橫坐標(biāo) x_label = [] for i in range(len(Y)): x_label.append(i) # 繪圖 fig, ax = plt.subplots() # 真實(shí)值分布散點(diǎn)圖 plt.scatter(x_label, Y) # 預(yù)測(cè)值分布散點(diǎn)圖 plt.scatter(x_label, Y_predict) # 預(yù)測(cè)值擬合直線圖 plt.plot(x_label, Y_predict) # 橫縱坐標(biāo) ax.set_xlabel(’預(yù)測(cè)值與真實(shí)值模型擬合效果圖’) ax.set_ylabel(’藍(lán)色為真實(shí)值，黃色為預(yù)測(cè)值’) # 將繪制的圖形顯示到tkinter:創(chuàng)建屬于root的canvas畫布,并將圖f置于畫布上 canvas = FigureCanvasTkAgg(fig, master=root) canvas.draw() # 注意show方法已經(jīng)過(guò)時(shí)了,這里改用draw canvas.get_tk_widget().pack() # matplotlib的導(dǎo)航工具欄顯示上來(lái)(默認(rèn)是不會(huì)顯示它的) toolbar = NavigationToolbar2Tk(canvas, root) toolbar.update() canvas._tkcanvas.pack() #彈窗顯示 messagebox.showinfo(title=’模型情況’, message='模型訓(xùn)練完成！') 其中的效果如下可見：

其中的效果如下可見：

模型的預(yù)測(cè)和使用

其中模型的預(yù)測(cè)主要通過(guò)兩種方式進(jìn)行預(yù)測(cè)，分別是：手動(dòng)輸入單個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)和讀取文件進(jìn)行預(yù)測(cè)。

其中手動(dòng)輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)需要設(shè)置更多的GUI按鈕，其中代碼如下：

#子窗口 LOVE = Toplevel(root) LOVE.geometry('+100+260') LOVE.title = '模型測(cè)試' #子窗口各標(biāo)簽名 label = ['上升沿斜率（v/us）', '下降沿斜率（v/us）', '脈寬(ns)', '低狀態(tài)電平（mv）', '低電平方差（mv2)x10-3', '高狀態(tài)電平（v）', '高電平方差(v2)', '信號(hào)質(zhì)量因子'] Label(LOVE, text='1、輸入?yún)?shù)預(yù)測(cè)', font=('微軟雅黑', 20)).grid(row=0, column=0) #標(biāo)簽名稱，字體位置 Label(LOVE, text=label[0], font=('微軟雅黑',10)).grid(row=1, column=0) Label(LOVE, text=label[1], font=('微軟雅黑', 10)).grid(row=1, column=1) Label(LOVE, text=label[2], font=('微軟雅黑', 10)).grid(row=1, column=2) Label(LOVE, text=label[3], font=('微軟雅黑', 10)).grid(row=1, column=3) Label(LOVE, text=label[4], font=('微軟雅黑', 10)).grid(row=1, column=4) Label(LOVE, text=label[5], font=('微軟雅黑', 10)).grid(row=1, column=5) Label(LOVE, text=label[6], font=('微軟雅黑', 10)).grid(row=1, column=6) Label(LOVE, text=label[7], font=('微軟雅黑', 10)).grid(row=1, column=7) #編輯框位置和字體 en1=tk.Entry(LOVE, font=('微軟雅黑', 8)) en1.grid(row=2, column=0) en2=tk.Entry(LOVE, font=('微軟雅黑', 8)) en2.grid(row=2, column=1) en3=tk.Entry(LOVE, font=('微軟雅黑', 8)) en3.grid(row=2, column=2) en4=tk.Entry(LOVE, font=('微軟雅黑', 8)) en4.grid(row=2, column=3) en5=tk.Entry(LOVE, font=('微軟雅黑', 8)) en5.grid(row=2, column=4) en6=tk.Entry(LOVE, font=('微軟雅黑', 8)) en6.grid(row=2, column=5) en7=tk.Entry(LOVE, font=('微軟雅黑', 8)) en7.grid(row=2, column=6) en8=tk.Entry(LOVE, font=('微軟雅黑', 8)) en8.grid(row=2, column=7) Label(LOVE, text='', font=('微軟雅黑', 10)).grid(row=3, column=0) #測(cè)試輸入框預(yù)測(cè) def pp(): x=np.array([int(en1.get()),int(en2.get()),int(en3.get()),int(en4.get()),int(en5.get()),int(en6.get()),int(en7.get()),int(en8.get())]) # 預(yù)測(cè)效果 predict = reg.predict(np.array([x])) Label(LOVE, text='預(yù)測(cè)結(jié)果已使用年數(shù)為：'+str(predict[0])+'年', font=('微軟雅黑', 10)).grid(row=4, column=3) print(predict) Button(LOVE, text='預(yù)測(cè)：', font=('微軟雅黑', 15),command=pp).grid(row=4, column=0) Label(LOVE, text='2、選擇文件預(yù)測(cè)', font=('微軟雅黑', 20)).grid(row=5, column=0) path1 = StringVar() label1 = tk.Label(LOVE,text='目標(biāo)路徑:', font=('微軟雅黑', 10)) label1.grid(row=6, column=0) e1 = tk.Entry(LOVE,textvariable=path1, font=('微軟雅黑', 10)) e1.grid(row=6, column=2) label = ['上升沿斜率（v/us）', '下降沿斜率（v/us）', '脈寬(ns)', '低狀態(tài)電平（mv）', '低電平方差（mv2)x10-3', '高狀態(tài)電平（v）', '高電平方差(v2)','信號(hào)質(zhì)量因子'] n = 0 for i in predict_value: print(str(label) + '分別為' + str(X[n]) + '預(yù)測(cè)出來(lái)的結(jié)果為：' + str(i) + '年' + 'n') f = open('預(yù)測(cè)結(jié)果.txt', 'a') f.write(str(label) + '分別為' + str(X[n]) + '預(yù)測(cè)出來(lái)的結(jié)果為：' + str(i) + '年' + 'n') f.close() f = open('result.txt', 'a') f.write(str(i) + 'n') f.close() n += 1 messagebox.showinfo(title=’模型情況’, message='預(yù)測(cè)結(jié)果保存在當(dāng)前文件夾下的TXT文件中！') os.system('result.txt') os.system('預(yù)測(cè)結(jié)果.txt') Button(LOVE, text='預(yù)測(cè)：', font=('微軟雅黑', 15), command=ppt).grid(row=7, column=0)

效果如下可見：

選擇文件進(jìn)行讀取預(yù)測(cè)和模型訓(xùn)練數(shù)據(jù)的讀取類似，代碼如下：

#選擇文件預(yù)測(cè) def selectPath1(): # 選擇文件path_接收文件地址 path_ =tkinter.filedialog.askopenfilename() # 通過(guò)replace函數(shù)替換絕對(duì)文件地址中的/來(lái)使文件可被程序讀取 # 注意：轉(zhuǎn)義后為，所以轉(zhuǎn)義后為 path_ =path_.replace('/', '') # path設(shè)置path_的值 path1.set(path_) return path bn1 = tk.Button(LOVE,text='路徑選擇', font=('微軟雅黑', 10), command=selectPath1) bn1.grid(row=6, column=6) def ppt(): try: os.remove('預(yù)測(cè)結(jié)果.txt') os.remove('result.txt') except: pass # 文件的名字 FILENAME =path1.get() # 禁用科學(xué)計(jì)數(shù)法 pd.set_option(’float_format’, lambda x: ’%.3f’ % x) np.set_printoptions(threshold=np.inf) # 得到的DataFrame讀入所有數(shù)據(jù) data =pd.read_excel(FILENAME, header=0, usecols='A,B,C,D,E,F,G,H') # DataFrame轉(zhuǎn)化為array DataArray =data.values # 讀取其他參數(shù)作為自變量，影響因素 X = DataArray[:,0:8] predict_value = reg.predict(X) print(predict_value)

效果如下：

由于讀取文件進(jìn)行預(yù)測(cè)的話，數(shù)據(jù)較多故直接存儲(chǔ)在TXT中方便查看

以上就是Python制作數(shù)據(jù)預(yù)測(cè)集成工具（值得收藏）的詳細(xì)內(nèi)容，更多關(guān)于python 數(shù)據(jù)預(yù)測(cè)的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！