144 lines
5.7 KiB
Python
144 lines
5.7 KiB
Python
import pandas as pd
|
||
from sklearn.linear_model import LinearRegression
|
||
from sklearn.model_selection import train_test_split
|
||
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
|
||
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
|
||
import joblib
|
||
import re
|
||
|
||
# Шаг 1: Загрузка данных
|
||
df = pd.read_csv('laptops.csv')
|
||
|
||
# Шаг 2: Проверка и очистка имен столбцов
|
||
print("Имена столбцов до очистки:")
|
||
print(df.columns.tolist())
|
||
|
||
# Приведение имен столбцов к нижнему регистру и удаление пробелов
|
||
df.columns = df.columns.str.strip().str.lower()
|
||
print("\nИмена столбцов после очистки:")
|
||
print(df.columns.tolist())
|
||
|
||
# Шаг 3: Переименование столбцов (если необходимо)
|
||
df = df.rename(columns={
|
||
'processor': 'processor',
|
||
'ram': 'ram',
|
||
'os': 'os',
|
||
'ssd': 'ssd',
|
||
'display': 'display',
|
||
'price': 'price'
|
||
# Другие столбцы можно оставить без изменений или переименовать по необходимости
|
||
})
|
||
|
||
# Шаг 4: Проверка наличия необходимых столбцов
|
||
required_columns = ['processor', 'ram', 'os', 'ssd', 'display', 'price']
|
||
missing_columns = [col for col in required_columns if col not in df.columns]
|
||
|
||
if missing_columns:
|
||
print(f"\nОтсутствуют следующие столбцы: {missing_columns}")
|
||
# Здесь можно добавить дополнительную обработку или завершить выполнение
|
||
raise Exception(f"Отсутствуют столбцы: {missing_columns}")
|
||
else:
|
||
print("\nВсе необходимые столбцы присутствуют.")
|
||
|
||
# Шаг 5: Удаление строк с пропущенными значениями
|
||
df = df.dropna(subset=required_columns)
|
||
print(f"\nКоличество строк после удаления пропусков: {df.shape[0]}")
|
||
|
||
# Шаг 6: Очистка и преобразование колонок
|
||
|
||
# Функция для очистки числовых колонок, содержащих символы
|
||
def clean_numeric_column(column, remove_chars=['₹', ',', ' ']):
|
||
for char in remove_chars:
|
||
column = column.str.replace(char, '', regex=False)
|
||
return pd.to_numeric(column, errors='coerce')
|
||
|
||
# Очистка колонки 'price'
|
||
df['price'] = clean_numeric_column(df['price'])
|
||
|
||
# Очистка колонки 'ram' (например, '16 GB DDR4 RAM' -> 16)
|
||
def extract_numeric_ram(ram_str):
|
||
match = re.search(r'(\d+)', ram_str)
|
||
if match:
|
||
return int(match.group(1))
|
||
else:
|
||
return None
|
||
|
||
df['ram'] = df['ram'].apply(extract_numeric_ram)
|
||
|
||
# Очистка колонки 'ssd' (например, '512 GB SSD' -> 512)
|
||
def extract_numeric_ssd(ssd_str):
|
||
match = re.search(r'(\d+)', ssd_str)
|
||
if match:
|
||
return int(match.group(1))
|
||
else:
|
||
return None
|
||
|
||
df['ssd'] = df['ssd'].apply(extract_numeric_ssd)
|
||
|
||
# Очистка колонки 'display' (убираем лишние символы, если есть)
|
||
def clean_display(display_str):
|
||
match = re.search(r'([\d.]+)', display_str)
|
||
if match:
|
||
return float(match.group(1))
|
||
else:
|
||
return None
|
||
|
||
df['display'] = df['display'].apply(clean_display)
|
||
|
||
# Проверка на пропущенные значения после очистки
|
||
df = df.dropna(subset=['price', 'ram', 'ssd', 'display'])
|
||
print(f"\nКоличество строк после очистки числовых колонок: {df.shape[0]}")
|
||
|
||
# Шаг 7: Выбор необходимых столбцов
|
||
df = df[required_columns]
|
||
print("\nПример данных после предобработки:")
|
||
print(df.head())
|
||
|
||
# Шаг 8: Преобразование категориальных переменных с помощью One-Hot Encoding
|
||
df = pd.get_dummies(df, columns=['processor', 'os'], drop_first=True)
|
||
print("\nИмена колонок после One-Hot Encoding:")
|
||
print(df.columns.tolist())
|
||
|
||
# Шаг 9: Разделение данных на обучающую и тестовую выборки
|
||
X = df.drop('price', axis=1)
|
||
y = df['price']
|
||
|
||
X_train, X_test, y_train, y_test = train_test_split(
|
||
X, y, test_size=0.2, random_state=42
|
||
)
|
||
|
||
print(f"\nРазмер обучающей выборки: {X_train.shape}")
|
||
print(f"Размер тестовой выборки: {X_test.shape}")
|
||
|
||
# Шаг 10: Обучение модели
|
||
model = RandomForestRegressor(n_estimators=100, random_state=42)
|
||
model.fit(X_train, y_train)
|
||
|
||
# Обучение моделей
|
||
gbr = GradientBoostingRegressor(n_estimators=100, random_state=42)
|
||
gbr.fit(X_train, y_train)
|
||
|
||
lr = LinearRegression()
|
||
lr.fit(X_train, y_train)
|
||
print("\nМодели успешно обучена.")
|
||
|
||
# Оценка моделей
|
||
|
||
models = {'Random Forest': model, 'Gradient Boosting': gbr, 'Linear Regression': lr}
|
||
|
||
for name, mdl in models.items():
|
||
y_pred = mdl.predict(X_test)
|
||
mae = mean_absolute_error(y_test, y_pred)
|
||
rmse = mean_squared_error(y_test, y_pred, squared=False)
|
||
r2 = r2_score(y_test, y_pred)
|
||
print(f"{name} - MAE: {mae}, RMSE: {rmse}, R²: {r2}")
|
||
|
||
# Шаг 12: Сохранение модели
|
||
joblib.dump(model, 'laptop_price_model.pkl')
|
||
print("\nМодель сохранена как 'laptop_price_model.pkl'.")
|
||
|
||
# Дополнительно: Сохранение колонок, полученных после One-Hot Encoding, для использования в бэкенде
|
||
feature_columns = X.columns.tolist()
|
||
joblib.dump(feature_columns, 'feature_columns.pkl')
|
||
print("Сохранены названия признаков в 'feature_columns.pkl'.")
|