dabl数据处理分析及ML自动化

数据科学模型开发涉及各种组件，包括数据收集、数据处理、探索性数据分析、建模和部署。在训练机器学习或深度学习模型之前，必须清洗数据集并使其适合训练。通常这些过程是重复的，且占用了大部时间。

为了克服这个问题，今天我分享一个名为 dabl 的开源 Python 工具包，它可以自动化机器学习模型开发，包括数据预处理、特征可视化和分析、建模。欢迎收藏学习，喜欢点赞支持。

dabl

dabl 是一个数据分析基线库，可以让机器学习建模更容易，它包括各种特性，我们只需几行 Python 代码就可以处理、分析和建模。

安装

pip install dabl

1、数据预处理

dabl 在几行 Python 代码中自动执行数据预处理管道。dabl执行的预处理步骤包括识别缺失值、删除冗余特征以及理解特征的数据类型以进一步执行特征工程。

dabl检测到的特征类型列表包括：

continuous

categorical

date

Dirty_float

Low_card_int

free_string

Useless

dabl 使用一行 Python 代码将所有数据集特征自动归类为上述数据类型。

df_clean = dabl.clean(df, verbose=1)

原始 Titanic 数据集有12个特征，dabl 会自动将它们分类为上述数据类型，以便进行进一步的特征工程。dabl还提供了根据需求更改任何特性的数据类型的功能。

db_clean = dabl.clean(db, type_hints={"Cabin": "categorical"})

可以使用 detect_types() 函数查看为每个特征分配的数据类型。

2、探索性数据分析

EDA 是数据科学模型开发生命周期的重要组成部分。Seaborn、Matplotlib 等是执行各种分析以更好地理解数据集的可视化库。dabl 使 EDA 变得非常简单且节省大量时间。

dabl.plot(df_clean, target_col="Survived")

dabl 中 plot()函数可以通过绘制各种图来实现可视化，包括：

• 目标分布的条形图
• 散点对图
• 线性判别分析

dabl 自动对数据集执行 PCA，并显示数据集中所有特征的判别 PCA 图。

3、建模

dabl 在训练数据上训练各种基线机器学习算法来加速建模工作流程，并返回性能最佳的模型。dabl 做出简单的假设并为基线模型生成指标。

可以使用 dabl 中 SimpleClassifier() 函数进行建模,它很快就可以返回最佳模型。

结论

Dabl 是一个方便的工具，它使机器学习更易于容易和快速，你只需几行 Python 代码就可以完成数据清理、特征可视化和基线模型的开发。

如果你想了解更多，可以查看GitHub:  https://github.com/amueller/dabl