一.背景

1.1 數(shù)據(jù)源

現(xiàn)有2000年到2019年的數(shù)據(jù)，其中y列表示收入，x1~x13表示與收入相關(guān)聯(lián)的13個特征值。

data.png

1.2 處理目的

a.分析、識別影響收入y的關(guān)鍵屬性；
b.預(yù)測2020年、2021年的收入；

二. 分析過程

2.1 讀取數(shù)據(jù)

import pandas as pd
import numpy as np
import sys
import matplotlib.pyplot as plt
import seaborn as sns
plt.style.use('seaborn')#設(shè)置樣式
plt.rcParams['font.sans-serif']=['SimHei']# 支持中文
plt.rcParams['axes.unicode_minus'] = False #正常顯示負(fù)號
import warnings
warnings.filterwarnings('ignore')
data  = pd.read_csv('data/data.csv')

2.2 相關(guān)性分析

使用heatmap來畫圖呈現(xiàn)數(shù)據(jù)相關(guān)性。使用mask為得出的相關(guān)性矩陣corr畫遮罩。

corr = data.corr(method='pearson')
corr

plt.figure(figsize=(12,10))
mask = np.zeros_like(corr, dtype=np.bool)   
mask[np.triu_indices_from(mask)] = True    #cmap是設(shè)置熱圖的顏色
cmap = sns.diverging_palette(220, 10, as_cmap=True)
#繪制熱圖
g = sns.heatmap(corr, mask=mask, cmap=cmap, square=True, annot=True, fmt='0.2f')
plt.xticks(fontsize=14) 
plt.yticks(fontsize=14) 

#plt.savefig("corr.png")
plt.show()

最終得出的相關(guān)性矩陣和相關(guān)關(guān)系圖如下。

image.png

image.png

從上面的相關(guān)性呈現(xiàn)來看，可以得出以下結(jié)論：
a. 特征值x11與收入y的關(guān)系不顯著，呈現(xiàn)負(fù)相關(guān)。
b. 其余屬性與收入呈現(xiàn)高度正相關(guān)。
c. x2,x3,x7與多條屬性存在共線性。
本次分析目的在于找出與收入y顯著相關(guān)的特征值，然而上述結(jié)果顯示，數(shù)十個指標(biāo)與收入y都呈現(xiàn)顯著性相關(guān)，這些屬性之間存在著信息的重復(fù)，因此接下來需要運用Lasso回歸來對上述特征值做進一步篩選。

2.3 Lasso回歸-選取相關(guān)變量

使用Lasso回歸，處理共線性，有效降維。

from sklearn.linear_model import Lasso
lasso = Lasso(1000)  # 調(diào)用Lasso()函數(shù)，設(shè)置λ的值為1000
lasso.fit(data.iloc[:,0:13],data['y'])

tar = lasso.coef_ != 0  # 返回一個相關(guān)系數(shù)是否為零的布爾數(shù)組
data_a = data.iloc[:,0:13]
new_reg_data = data_a.iloc[:, tar ]  # 返回相關(guān)系數(shù)非零的數(shù)據(jù)

new_reg_data 即為Lasso回歸選中的新的顯著性特征變量X。下圖為Lasso回歸選出的特征值。

image.png

對于x1，x3，x4，x5，x6，x7，x8，x13這些新選取的相關(guān)性特征值，y收入值與他們分別的相關(guān)性系數(shù)如下。

image.png

2.4 構(gòu)建灰色預(yù)測模型

白色系統(tǒng)：指一個系統(tǒng)的的內(nèi)部特征是完全可以認(rèn)知的，即系統(tǒng)的信息完全公開。
黑色系統(tǒng)：指一個系統(tǒng)的內(nèi)部信息對外界來說是一無所知的，只能通過它與外界的聯(lián)系來加以觀測研究。
灰色系統(tǒng)：一部分的信息是已知的，另一部分是未知的，系統(tǒng)內(nèi)各因素間有不確定的關(guān)系，GM（1，1）就是灰色系統(tǒng)，也是最常用的模型系統(tǒng)。

灰色預(yù)測模型（Gray Forecast Model）是通過少量的、不完全的信息，建立數(shù)學(xué)模型并做出預(yù)測的一種預(yù)測方法。對單調(diào)性曲線有較好的預(yù)測。

定義一個灰色預(yù)測函數(shù)

def GM11(x0): 
  import numpy as np
  x1 = x0.cumsum() #1-AGO序列
  z1 = (x1[:len(x1)-1] + x1[1:])/2.0 #緊鄰均值（MEAN）生成序列
  z1 = z1.reshape((len(z1),1))
  B = np.append(-z1, np.ones_like(z1), axis = 1)
  Yn = x0[1:].reshape((len(x0)-1, 1))
  [[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Yn) #計算參數(shù)
  f = lambda k: (x0[0]-b/a)*np.exp(-a*(k-1))-(x0[0]-b/a)*np.exp(-a*(k-2)) #還原值
  delta = np.abs(x0 - np.array([f(i) for i in range(1,len(x0)+1)]))
  C = delta.std()/x0.std()
  P = 1.0*(np.abs(delta - delta.mean()) < 0.6745*x0.std()).sum()/len(x0)
  return f, a, b, x0[0], C, P #返回灰色預(yù)測函數(shù)、a、b、首項、方差比、小殘差概率

new_reg_data 為上一個步驟選取的特征值。給接下來需要預(yù)測的兩個年份填上空值。

new_reg_data.index = range(2000,2020)
#給接下來兩個年份填上空值
new_reg_data.loc[2020] = None
new_reg_data.loc[2021] = None
l = ['x1', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x13']
for i in l:
  f = GM11(new_reg_data.loc[range(2000,2020),i].values)[0]
  new_reg_data.loc[2020,i] = f(len(new_reg_data)-1)  # 2020年預(yù)測結(jié)果
  new_reg_data.loc[2021,i] = f(len(new_reg_data))  # 2021年預(yù)測結(jié)果
  new_reg_data[i] = new_reg_data[i].round(2)  # 保留兩位小數(shù)

y = list(data['y'].values)  # 提取財政收入列，合并至新數(shù)據(jù)框中
y.extend([np.nan,np.nan])
new_reg_data['y'] = y

new_reg_data_GM11 = new_reg_data

new_reg_data_GM11 為初步預(yù)測的y值。結(jié)果如下圖。

image.png

2.5 構(gòu)建支持向量機回歸模型預(yù)測

調(diào)取模型，選取特征值與Y值。

from sklearn.svm import LinearSVR
data_train = new_reg_data_GM11.loc[range(2000,2020)].copy()
#數(shù)據(jù)標(biāo)準(zhǔn)化
data_mean = data_train.mean()
data_std = data_train.std()
data_train = (data_train-data_mean)/data_std
#選取測試集數(shù)據(jù)集
feature =['x1', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x13']
x_train = data_train[feature].values
y_train = data_train['y'].values

linearsvr.predict(x) ，這是y是預(yù)測后歸一化的值；
這里x,y都做過數(shù)據(jù)的歸一化處理，根據(jù)公式 y歸一值=(y歸一前的值-y.mean())/y.std() ,因此有 y歸一前的值=y歸一值*y.std()+y.mean()

#調(diào)用LinearSVR()
linearsvr = LinearSVR()
linearsvr.fit(x_train,y_train)
# 給所有數(shù)據(jù)做歸一化處理，剛才訓(xùn)練集選取的是2000-2019年數(shù)據(jù)，現(xiàn)在是全部數(shù)據(jù)集2000-2021年
x = ((new_reg_data_GM11[feature] - data_mean[feature])/data_std[feature]).values
new_reg_data_GM11['y_pred'] = linearsvr.predict(x) * data_std['y'] + data_mean['y']

最終預(yù)測的結(jié)果表格為new_reg_data_GM11

image.png

2.6 比較y-實際值與y-預(yù)測值的差異

畫出預(yù)測結(jié)果圖

fig = new_reg_data_GM11[['y','y_pred']].plot(subplots = True, style=['b-o','r-*'])  # 畫出預(yù)測結(jié)果圖
plt.show()

結(jié)果如下

image.png