Get了！用Python制作数据预测集成工具

 大数据预测是大数据最核心的应用，是它将传统意义的预测拓展到“现测”。大数据预测的优势体现在，它把一个非常困难的预测问题，转化为一个相对简单的描述问题，而这是传统小数据集根本无法企及的。从预测的角度看，大数据预测所得出的结果不仅仅是用于处理现实业务的简单、客观的结论，更是能用于帮助企业经营的决策。

宁县网站建设公司成都创新互联,宁县网站设计制作，有大型网站制作公司丰富经验。已为宁县上1000+提供企业网站建设服务。企业网站搭建\外贸网站制作要多少钱，请找那个售后服务好的宁县做网站的公司定做！

在过去，人们的决策主要是依赖 20% 的结构化数据，而大数据预测则可以利用另外 80% 的非结构化数据来做决策。大数据预测具有更多的数据维度，更快的数据频度和更广的数据宽度。与小数据时代相比，大数据预测的思维具有 3 大改变：实样而非抽样;预测效率而非精确;相关关系而非因果关系。

而今天我们就将利用python制作可视化的大数据预测部分集成工具，其中数据在这里使用一个实验中的数据。普遍性的应用则直接从文件读取即可。其中的效果图如下：

实验前的准备

首先我们使用的python版本是3.6.5所用到的模块如下：

  • sklearn模块用来创建整个模型训练和保存调用以及算法的搭建框架等等。
  • numpy模块用来处理数据矩阵运算。
  • matplotlib模块用来可视化拟合模型效果。
  • Pillow库用来加载图片至GUI界面。
  • Pandas模块用来读取csv数据文件。
  • Tkinter用来创建GUI窗口程序。

数据的训练和训练的GUI窗口

经过算法比较，发现这里我们选择使用sklearn简单的多元回归进行拟合数据可以达到比较好的效果。

(1)首先是是数据的读取，通过设定选定文件夹函数来读取文件，加载数据的效果：

 
 
 
 
    
  
  
  
  
  1. '''选择文件功能''' 
    2.   
  
  
  
  2. def selectPath(): 
    3.   
  
  
  
  3.     # 选择文件path_接收文件地址 
    4.   
  
  
  
  4.     path_ =tkinter.filedialog.askopenfilename() 
    5.   
  
  
  
  5.     # 通过replace函数替换绝对文件地址中的/来使文件可被程序读取 
    6.   
  
  
  
  6.     # 注意：\\转义后为\，所以\\\\转义后为\\ 
    7.   
  
  
  
  7.     path_ =path_.replace("/", "\\\\") 
    8.   
  
  
  
  8.     # path设置path_的值 
    9.   
  
  
  
  9.     path.set(path_) 
    10.   
  
  
  
  10.     return path 
    11.   
  
  
  
  11.  
    12.   
  
  
  
  12. # 得到的DataFrame读入所有数据 
    13.   
  
  
  
  13. data = pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H,I") 
    14.   
  
  
  
  14. # DataFrame转化为array 
    15.   
  
  
  
  15. DataArray = data.values 
    16.   
  
  
  
  16. # 读取已使用年限作为标签 
    17.   
  
  
  
  17. Y = DataArray[:, 8] 
    18.   
  
  
  
  18. # 读取其他参数作为自变量，影响因素 
    19.   
  
  
  
  19. X = DataArray[:, 0:8] 
    20.   
  
  
  
  20. # 字符串转变为整数 
    21.   
  
  
  
  21. for i in range(len(Y)): 
    22.   
  
  
  
  22.     Y[i] = int(Y[i].replace("年", "")) 
    23.   
  
  
  
  23. X = np.array(X)  # 转化为array 
    24.   
  
  
  
  24. Y = np.array(Y)  # 转化为array 
    25.   
  
  
  
  25.  
    26.   
  
  
  
  26. root = Tk() 
    27.   
  
  
  
  27. root.geometry("+500+260") 
    28.   
  
  
  
  28. # 背景图设置 
    29.   
  
  
  
  29. canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0) 
    30.   
  
  
  
  30. imgpath = '1.jpg' 
    31.   
  
  
  
  31. img = Image.open(imgpath) 
    32.   
  
  
  
  32. photo = ImageTk.PhotoImage(img) 
    33.   
  
  
  
  33. #背景图大小设置 
    34.   
  
  
  
  34. canvas.create_image(700, 400, image=photo) 
    35.   
  
  
  
  35. canvas.pack() 
    36.   
  
  
  
  36. path = StringVar() 
    37.   
  
  
  
  37. #标签名称位置 
    38.   
  
  
  
  38. label1=tk.Label(text = "目标路径:") 
    39.   
  
  
  
  39. label1.pack() 
    40.   
  
  
  
  40. e1=tk.Entry( textvariable = path) 
    41.   
  
  
  
  41. e1.pack() 
    42.   
  
  
  
  42. bn1=tk.Button(text = "路径选择", command = selectPath) 
    43.   
  
  
  
  43. bn1.pack() 
    44.   
  
  
  
  44. bn2=tk.Button(text = "模型训练", command = train) 
    45.   
  
  
  
  45. bn2.pack() 
    46.   
  
  
  
  46. bn3=tk.Button(text = "模型预测", command = test) 
    47.   
  
  
  
  47. bn3.pack() 
    48.   
  
  
  
  48. #标签按钮等放在背景图上 
    49.   
  
  
  
  49. canvas.create_window(50, 50, width=150, height=30, 
    50.   
  
  
  
  50.                      window=label1) 
    51.   
  
  
  
  51. canvas.create_window(280, 50, width=300, height=30, 
    52.   
  
  
  
  52.                      window=e1) 
    53.   
  
  
  
  53. canvas.create_window(510, 50, width=150, height=30, 
    54.   
  
  
  
  54.                      window=bn1) 
    55.   
  
  
  
  55. canvas.create_window(50, 100, width=150, height=30, 
    56.   
  
  
  
  56.                      window=bn2) 
    57.   
  
  
  
  57. canvas.create_window(510, 100, width=150, height=30, 
    58.   
  
  
  
  58.                      window=bn3) 
    59.   
  
  
  
  59.  
    60.   
  
  
  
  60. root.mainloop() 
    61.

效果如下可见：

(2)然后是数据的拟合和可视化模型效果：

 
 
 
 
    
  
  
  
  
  1. # 模型拟合 
    2.   
  
  
  
  2. reg = LinearRegression() 
    3.   
  
  
  
  3. reg.fit(X, Y) 
    4.   
  
  
  
  4. # 预测效果 
    5.   
  
  
  
  5. predict = reg.predict(np.array([X[0]])) 
    6.   
  
  
  
  6. Y_predict = reg.predict(X) 
    7.   
  
  
  
  7. print(Y_predict) 
    8.   
  
  
  
  8. # 横坐标 
    9.   
  
  
  
  9. x_label = [] 
    10.   
  
  
  
  10. for i in range(len(Y)): 
    11.   
  
  
  
  11.     x_label.append(i) 
    12.   
  
  
  
  12. # 绘图 
    13.   
  
  
  
  13. fig, ax = plt.subplots() 
    14.   
  
  
  
  14. # 真实值分布散点图 
    15.   
  
  
  
  15. plt.scatter(x_label, Y) 
    16.   
  
  
  
  16. # 预测值分布散点图 
    17.   
  
  
  
  17. plt.scatter(x_label, Y_predict) 
    18.   
  
  
  
  18. # 预测值拟合直线图 
    19.   
  
  
  
  19. plt.plot(x_label, Y_predict) 
    20.   
  
  
  
  20. # 横纵坐标 
    21.   
  
  
  
  21. ax.set_xlabel('预测值与真实值模型拟合效果图') 
    22.   
  
  
  
  22. ax.set_ylabel('蓝色为真实值，黄色为预测值') 
    23.   
  
  
  
  23. # 将绘制的图形显示到tkinter:创建属于root的canvas画布,并将图f置于画布上 
    24.   
  
  
  
  24. canvas = FigureCanvasTkAgg(fig, master=root) 
    25.   
  
  
  
  25. canvas.draw()  # 注意show方法已经过时了,这里改用draw 
    26.   
  
  
  
  26. canvas.get_tk_widget().pack() 
    27.   
  
  
  
  27. # matplotlib的导航工具栏显示上来(默认是不会显示它的) 
    28.   
  
  
  
  28. toolbar = NavigationToolbar2Tk(canvas, root) 
    29.   
  
  
  
  29. toolbar.update() 
    30.   
  
  
  
  30. canvas._tkcanvas.pack() 
    31.   
  
  
  
  31. #弹窗显示 
    32.   
  
  
  
  32. messagebox.showinfo(title='模型情况', message="模型训练完成！") 
    33.   
  
  
  
  33. 其中的效果如下可见： 
    34.

其中的效果如下可见：

模型的预测和使用

其中模型的预测主要通过两种方式进行预测，分别是：手动输入单个数据进行预测和读取文件进行预测。

其中手动输入数据进行预测需要设置更多的GUI按钮，其中代码如下：

 
 
 
 
    
  
  
  
  
  1. #子窗口 
    2.   
  
  
  
  2. LOVE = Toplevel(root) 
    3.   
  
  
  
  3. LOVE.geometry("+100+260") 
    4.   
  
  
  
  4. LOVE.title = "模型测试" 
    5.   
  
  
  
  5. #子窗口各标签名 
    6.   
  
  
  
  6. label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脉宽(ns)", "低状态电平（mv）", "低电平方差（mv2)x10-3", "高状态电平（v）", "高电平方差(v2)", "信号质量因子"] 
    7.   
  
  
  
  7. Label(LOVE, text="1、输入参数预测", font=("微软雅黑", 20)).grid(row=0, column=0) 
    8.   
  
  
  
  8. #标签名称，字体位置 
    9.   
  
  
  
  9. Label(LOVE, text=label[0], font=("微软雅黑",10)).grid(row=1, column=0) 
    10.   
  
  
  
  10. Label(LOVE, text=label[1], font=("微软雅黑", 10)).grid(row=1, column=1) 
    11.   
  
  
  
  11. Label(LOVE, text=label[2], font=("微软雅黑", 10)).grid(row=1, column=2) 
    12.   
  
  
  
  12. Label(LOVE, text=label[3], font=("微软雅黑", 10)).grid(row=1, column=3) 
    13.   
  
  
  
  13. Label(LOVE, text=label[4], font=("微软雅黑", 10)).grid(row=1, column=4) 
    14.   
  
  
  
  14. Label(LOVE, text=label[5], font=("微软雅黑", 10)).grid(row=1, column=5) 
    15.   
  
  
  
  15. Label(LOVE, text=label[6], font=("微软雅黑", 10)).grid(row=1, column=6) 
    16.   
  
  
  
  16. Label(LOVE, text=label[7], font=("微软雅黑", 10)).grid(row=1, column=7) 
    17.   
  
  
  
  17. #编辑框位置和字体 
    18.   
  
  
  
  18. en1=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    19.   
  
  
  
  19. en1.grid(row=2, column=0) 
    20.   
  
  
  
  20. en2=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    21.   
  
  
  
  21. en2.grid(row=2, column=1) 
    22.   
  
  
  
  22. en3=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    23.   
  
  
  
  23. en3.grid(row=2, column=2) 
    24.   
  
  
  
  24. en4=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    25.   
  
  
  
  25. en4.grid(row=2, column=3) 
    26.   
  
  
  
  26. en5=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    27.   
  
  
  
  27. en5.grid(row=2, column=4) 
    28.   
  
  
  
  28. en6=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    29.   
  
  
  
  29. en6.grid(row=2, column=5) 
    30.   
  
  
  
  30. en7=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    31.   
  
  
  
  31. en7.grid(row=2, column=6) 
    32.   
  
  
  
  32. en8=tk.Entry(LOVE, font=("微软雅黑", 8)) 
    33.   
  
  
  
  33. en8.grid(row=2, column=7) 
    34.   
  
  
  
  34. Label(LOVE, text="", font=("微软雅黑", 10)).grid(row=3, column=0) 
    35.   
  
  
  
  35. #测试输入框预测 
    36.   
  
  
  
  36. def pp(): 
    37.   
  
  
  
  37.     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())]) 
    38.   
  
  
  
  38.     # 预测效果 
    39.   
  
  
  
  39.     predict = reg.predict(np.array([x])) 
    40.   
  
  
  
  40.     Label(LOVE, text="预测结果已使用年数为："+str(predict[0])+"年", font=("微软雅黑", 10)).grid(row=4, column=3) 
    41.   
  
  
  
  41.     print(predict) 
    42.   
  
  
  
  42. Button(LOVE, text="预测：", font=("微软雅黑", 15),command=pp).grid(row=4, column=0) 
    43.   
  
  
  
  43. Label(LOVE, text="2、选择文件预测", font=("微软雅黑", 20)).grid(row=5, column=0) 
    44.   
  
  
  
  44. path1 = StringVar() 
    45.   
  
  
  
  45. label1 = tk.Label(LOVE,text="目标路径:", font=("微软雅黑", 10)) 
    46.   
  
  
  
  46. label1.grid(row=6, column=0) 
    47.   
  
  
  
  47. e1 = tk.Entry(LOVE,textvariable=path1, font=("微软雅黑", 10)) 
    48.   
  
  
  
  48. e1.grid(row=6, column=2) 
    49.   
  
  
  
  49. label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脉宽(ns)", "低状态电平（mv）", "低电平方差（mv2)x10-3", "高状态电平（v）", "高电平方差(v2)", 
    50.   
  
  
  
  50.              "信号质量因子"] 
    51.   
  
  
  
  51.     n = 0 
    52.   
  
  
  
  52.     for i in predict_value: 
    53.   
  
  
  
  53.         print(str(label) + "分别为" + str(X[n]) + "预测出来的结果为：" + str(i) + "年" + "\n") 
    54.   
  
  
  
  54.         f = open("预测结果.txt", "a") 
    55.   
  
  
  
  55.         f.write(str(label) + "分别为" + str(X[n]) + "预测出来的结果为：" + str(i) + "年" + "\n") 
    56.   
  
  
  
  56.         f.close() 
    57.   
  
  
  
  57.         f = open("result.txt", "a") 
    58.   
  
  
  
  58.         f.write(str(i) + "\n") 
    59.   
  
  
  
  59.         f.close() 
    60.   
  
  
  
  60.         n += 1 
    61.   
  
  
  
  61.     messagebox.showinfo(title='模型情况', message="预测结果保存在当前文件夹下的TXT文件中！") 
    62.   
  
  
  
  62.     os.system("result.txt") 
    63.   
  
  
  
  63.     os.system("预测结果.txt") 
    64.   
  
  
  
  64. Button(LOVE, text="预测：", font=("微软雅黑", 15), command=ppt).grid(row=7, column=0) 
    65.

效果如下可见：

选择文件进行读取预测和模型训练数据的读取类似，代码如下：

 
 
 
 
    
  
  
  
  
  1. #选择文件预测 
    2.   
  
  
  
  2. def selectPath1(): 
    3.   
  
  
  
  3.     # 选择文件path_接收文件地址 
    4.   
  
  
  
  4.     path_ =tkinter.filedialog.askopenfilename() 
    5.   
  
  
  
  5.     # 通过replace函数替换绝对文件地址中的/来使文件可被程序读取 
    6.   
  
  
  
  6.     # 注意：\\转义后为\，所以\\\\转义后为\\ 
    7.   
  
  
  
  7.     path_ =path_.replace("/", "\\\\") 
    8.   
  
  
  
  8.     # path设置path_的值 
    9.   
  
  
  
  9.     path1.set(path_) 
    10.   
  
  
  
  10.     return path 
    11.   
  
  
  
  11. bn1 = tk.Button(LOVE,text="路径选择", font=("微软雅黑", 10), command=selectPath1) 
    12.   
  
  
  
  12. bn1.grid(row=6, column=6) 
    13.   
  
  
  
  13. def ppt(): 
    14.   
  
  
  
  14.     try: 
    15.   
  
  
  
  15.         os.remove("预测结果.txt") 
    16.   
  
  
  
  16.         os.remove("result.txt") 
    17.   
  
  
  
  17.     except: 
    18.   
  
  
  
  18.         pass 
    19.   
  
  
  
  19.     # 文件的名字 
    20.   
  
  
  
  20.     FILENAME =path1.get() 
    21.   
  
  
  
  21.     # 禁用科学计数法 
    22.   
  
  
  
  22.     pd.set_option('float_format', lambda x: '%.3f' % x) 
    23.   
  
  
  
  23.     np.set_printoptions(threshold=np.inf) 
    24.   
  
  
  
  24.     # 得到的DataFrame读入所有数据 
    25.   
  
  
  
  25.     data =pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H") 
    26.   
  
  
  
  26.     # DataFrame转化为array 
    27.   
  
  
  
  27.     DataArray =data.values 
    28.   
  
  
  
  28.     # 读取其他参数作为自变量，影响因素 
    29.   
  
  
  
  29.     X = DataArray[:,0:8] 
    30.   
  
  
  
  30.     predict_value = reg.predict(X) 
    31.   
  
  
  
  31.     print(predict_value) 
    32.

效果如下：

由于读取文件进行预测的话，数据较多故直接存储在TXT中方便查看：

文章名称：Get了！用Python制作数据预测集成工具
链接地址：http://www.gawzjz.com/qtweb/news49/179399.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联

猜你还喜欢下面的内容

搜索引擎优化知识

分类信息网站

网站建设方案　　 　成都微商城　　 　成都企业网站制作　　 　公路打桩机　　 　成都门窗定制　　 　网络推广公司　　 　微信小程序　　 　重庆网络营销　　 　瑞杰企业管理　　 　成都网络推广　　 　简阳电信机房　　 　东方电机技改服务有限公司　　 　证企宝企业　　 　成都网站运维　　 　营销型网站建设　　 　微官网开发　　 　腾讯香港空间　　 　全网营销　　 　江油网站建设　　 　定制网站