编辑

VS Code 中的数据科学教程

Name: Visual Studio Code
Author: Microsoft

本教程演示如何使用 Visual Studio Code 和 Microsoft Python 扩展与常见数据科学库来探索基本的数据科学场景。具体来说，您将使用泰坦尼克号乘客数据，学习如何设置数据科学环境、导入和清理数据、创建用于预测泰坦尼克号生存情况的机器学习模型，并评估所生成模型的准确性。

先决条件

完成本教程需要以下安装。如果您尚未安装，请务必安装它们。

Visual Studio Code
来自 Visual Studio Marketplace 的 VS Code Python 扩展和 VS Code Jupyter 扩展。有关安装扩展的更多详细信息，请参阅扩展市场。这两个扩展均由 Microsoft 发布。
带有最新 Python 的 Miniconda

注意：如果您已安装完整的 Anaconda 发行版，则无需安装 Miniconda。或者，如果您不想使用 Anaconda 或 Miniconda，则可以创建 Python 虚拟环境并使用 pip 安装本教程所需的软件包。如果选择此方法，您将需要安装以下软件包：pandas、jupyter、seaborn、scikit-learn、keras 和 tensorflow。

设置数据科学环境

Visual Studio Code 和 Python 扩展为数据科学场景提供了一个出色的编辑器。凭借对 Jupyter 笔记本的原生支持以及 Anaconda，入门非常容易。在本节中，您将为本教程创建一个工作区，创建一个包含本教程所需数据科学模块的 Anaconda 环境，并创建一个用于创建机器学习模型的 Jupyter 笔记本。

首先为数据科学教程创建一个 Anaconda 环境。打开 Anaconda 命令提示符并运行 conda create -n myenv python=3.10 pandas jupyter seaborn scikit-learn keras tensorflow 以创建一个名为 myenv 的环境。有关创建和管理 Anaconda 环境的更多信息，请参阅 Anaconda 文档。
接下来，在方便的位置创建一个文件夹作为本教程的 VS Code 工作区，并将其命名为 hello_ds。
通过运行 VS Code 并使用文件 > 打开文件夹 命令在 VS Code 中打开项目文件夹。由于是您创建的文件夹，因此可以安全地信任并打开它。
VS Code 启动后，创建用于本教程的 Jupyter 笔记本。打开命令面板 (⇧⌘P (Windows、Linux Ctrl+Shift+P)) 并选择 创建：新建 Jupyter 笔记本。

注意：或者，在 VS Code 文件资源管理器中，您可以使用“新建文件”图标创建名为 hello.ipynb 的笔记本文件。
使用文件 > 另存为... 将文件保存为 hello.ipynb。
文件创建后，您应该会在笔记本编辑器中看到打开的 Jupyter 笔记本。有关原生 Jupyter 笔记本支持的更多信息，您可以阅读 Jupyter 笔记本主题。
现在，选择笔记本右上角的 选择内核。
选择您之前创建的 Python 环境以运行您的内核。
要从 VS Code 的集成终端管理您的环境，请使用 (⌃` (Windows、Linux Ctrl+`)) 打开它。如果您的环境未激活，您可以像在终端中一样激活它 (conda activate myenv)。

准备数据

本教程使用 OpenML.org 上提供的泰坦尼克号数据集，该数据集来自范德比尔特大学生物统计学系 https://hbiostat.org/data。泰坦尼克号数据提供了有关泰坦尼克号乘客生存情况以及乘客特征（如年龄和票务等级）的信息。使用此数据，本教程将建立一个模型来预测给定乘客是否会在泰坦尼克号沉没中幸存。本节将展示如何在 Jupyter 笔记本中加载和操作数据。

首先，从 hbiostat.org 下载泰坦尼克号数据作为 CSV 文件（右上角有下载链接），命名为 titanic3.csv 并将其保存到您在上一节中创建的 hello_ds 文件夹。
如果您尚未在 VS Code 中打开文件，请通过文件 > 打开文件夹 打开 hello_ds 文件夹和 Jupyter 笔记本 (hello.ipynb)。
在您的 Jupyter 笔记本中，首先导入 pandas 和 numpy 库，这两个是用于数据操作的常用库，并将泰坦尼克号数据加载到 pandas DataFrame 中。为此，将以下代码复制到笔记本的第一个单元格中。有关在 VS Code 中使用 Jupyter 笔记本的更多指导，请参阅使用 Jupyter 笔记本文档。
```
import pandas as pd
import numpy as np
data = pd.read_csv('titanic3.csv')
```
现在，使用运行单元格图标或 Shift+Enter 快捷键运行单元格。
单元格运行完成后，您可以使用“变量资源管理器”和“数据查看器”查看已加载的数据。首先选择笔记本上方工具栏中的变量图标。
VS Code 底部将打开一个 JUPYTER: VARIABLES 面板。它包含当前运行内核中已定义变量的列表。
要查看先前加载的 Pandas DataFrame 中的数据，请选择 data 变量左侧的“数据查看器”图标。
使用“数据查看器”查看、排序和筛选数据行。审查数据后，绘制其某些方面以帮助可视化不同变量之间的关系可能会很有用。

或者，您可以使用其他扩展（如 Data Wrangler）提供的数据查看体验。Data Wrangler 扩展提供了丰富的用户界面，可以显示有关数据的信息，并帮助您执行数据分析、质量检查、转换等。在我们的文档中了解更多关于 Data Wrangler 扩展的信息。
在绘制数据之前，您需要确保数据没有任何问题。如果您查看泰坦尼克号 CSV 文件，您会注意到一个问题是问号 ("?") 用于标识数据不可用的单元格。

虽然 Pandas 可以将此值读入 DataFrame，但对于像 age 这样的列，其数据类型将被设置为 object 而不是数字数据类型，这对于绘图来说是有问题的。

通过将问号替换为 Pandas 能够理解的缺失值，可以纠正此问题。将以下代码添加到笔记本的下一个单元格中，以将 age 和 fare 列中的问号替换为 numpy NaN 值。请注意，在替换值后，我们还需要更新列的数据类型。

提示：要添加新单元格，您可以使用现有单元格左下角的插入单元格图标。或者，您也可以使用 Esc 进入命令模式，然后按 B 键。
```
data.replace('?', np.nan, inplace= True)
data = data.astype({"age": np.float64, "fare": np.float64})
```
注意：如果您需要查看列使用的数据类型，可以使用 DataFrame dtypes 属性。

现在数据已整理好，您可以使用 seaborn 和 matplotlib 来查看数据集中某些列与生存能力的关系。将以下代码添加到笔记本的下一个单元格并运行它以查看生成的图表。

import seaborn as sns
import matplotlib.pyplot as plt

fig, axs = plt.subplots(ncols=5, figsize=(30,5))
sns.violinplot(x="survived", y="age", hue="sex", data=data, ax=axs[0])
sns.pointplot(x="sibsp", y="survived", hue="sex", data=data, ax=axs[1])
sns.pointplot(x="parch", y="survived", hue="sex", data=data, ax=axs[2])
sns.pointplot(x="pclass", y="survived", hue="sex", data=data, ax=axs[3])
sns.violinplot(x="survived", y="fare", hue="sex", data=data, ax=axs[4])

Graphing the titanic data

提示：要快速复制您的图表，您可以将鼠标悬停在图表右上角，然后单击出现的 复制到剪贴板 按钮。您还可以通过单击 展开图像 按钮更好地查看图表详情。

Plot Viewer Buttons

这些图表有助于查看生存与数据输入变量之间的一些关系，但也可以使用 pandas 计算相关性。为此，用于相关性计算的所有变量都需要是数字，而目前性别存储为字符串。要将这些字符串值转换为整数，请添加并运行以下代码。
```
data.replace({'male': 1, 'female': 0}, inplace=True)
```
现在，您可以分析所有输入变量之间的相关性，以识别最适合作为机器学习模型输入的特征。值越接近 1，该值与结果之间的相关性越高。使用以下代码关联所有变量与生存之间的关系。
```
data.corr(numeric_only=True).abs()[["survived"]]
```
查看相关性结果，您会注意到有些变量（例如性别）与生存具有相当高的相关性，而另一些变量（例如亲属，sibsp = 兄弟姐妹或配偶，parch = 父母或子女）似乎相关性很小。

让我们假设 sibsp 和 parch 在影响生存能力方面是相关的，并将它们分组到一个名为“relatives”的新列中，以查看它们的组合是否与生存能力有更高的相关性。为此，您将检查给定乘客的 sibsp 和 parch 数量是否大于 0，如果是，则可以说他们有亲属在船上。

使用以下代码在数据集中创建名为 relatives 的新变量和列，并再次检查相关性。
```
data['relatives'] = data.apply (lambda row: int((row['sibsp'] + row['parch']) > 0), axis=1)
data.corr(numeric_only=True).abs()[["survived"]]
```
你会注意到，事实上，从一个人是否有亲属的角度来看，而不是从亲属数量的角度来看，与生存的关联度更高。有了这些信息，你现在可以从数据集中删除低价值的 sibsp 和 parch 列，以及任何包含 NaN 值的行，以得到可用于训练模型的数据集。
```
data = data[['sex', 'pclass','age','relatives','fare','survived']].dropna()
```
注意：尽管年龄的直接相关性较低，但它被保留下来，因为与其他的输入结合起来，它仍然可能有相关性，这似乎是合理的。

训练和评估模型

数据集准备就绪后，您现在可以开始创建模型。对于本节，您将使用 scikit-learn 库（因为它提供了一些有用的辅助函数）进行数据集的预处理，训练一个分类模型以确定泰坦尼克号上的生存能力，然后使用该模型与测试数据一起确定其准确性。

训练模型的常见第一步是将数据集划分为训练数据和验证数据。这允许您使用一部分数据来训练模型，使用一部分数据来测试模型。如果您使用所有数据来训练模型，您将无法评估模型在它尚未见过的数据上的实际表现。scikit-learn 库的一个优点是它提供了一种专门用于将数据集拆分为训练和测试数据的方法。

在笔记本中添加并运行以下代码的单元格以拆分数据。
```
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(data[['sex','pclass','age','relatives','fare']], data.survived, test_size=0.2, random_state=0)
```
接下来，您将对输入进行归一化，以使所有特征都受到同等对待。例如，在数据集中，年龄的值范围约为 0-100，而性别仅为 1 或 0。通过归一化所有变量，您可以确保所有值的范围都相同。在新代码单元格中使用以下代码来缩放输入值。
```
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(x_train)
X_test = sc.transform(x_test)
```
您可以选择许多不同的机器学习算法来建模数据。scikit-learn 库还支持其中的许多算法，并提供一个图表来帮助选择适合您场景的算法。现在，使用朴素贝叶斯算法，这是一种用于分类问题的常用算法。添加一个包含以下代码的单元格来创建和训练算法。
```
from sklearn.naive_bayes import GaussianNB
model = GaussianNB()
model.fit(X_train, y_train)
```
有了训练好的模型，您现在可以将其用于从训练中保留的测试数据集。添加并运行以下代码以预测测试数据的结果并计算模型的准确性。
```
from sklearn import metrics
predict_test = model.predict(X_test)
print(metrics.accuracy_score(y_test, predict_test))
```
查看测试数据的结果，您会发现经过训练的算法在估计生存方面具有约 75% 的成功率。

（可选）使用神经网络

神经网络是一种利用权重和激活函数（模拟人类神经元）根据提供的输入确定结果的模型。与您之前看到的机器学习算法不同，神经网络是一种深度学习形式，您无需事先知道问题的理想算法。它可用于许多不同的场景，分类就是其中之一。在本节中，您将使用 Keras 库和 TensorFlow 来构建神经网络，并探索它如何处理泰坦尼克号数据集。

第一步是导入所需的库并创建模型。在这种情况下，您将使用顺序神经网络，它是一种分层神经网络，其中有多个层按顺序相互馈送。
```
from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
```
定义模型后，下一步是添加神经网络的层。现在，我们保持简单，只使用三层。添加以下代码以创建神经网络的层。
```
model.add(Dense(5, kernel_initializer = 'uniform', activation = 'relu', input_dim = 5))
model.add(Dense(5, kernel_initializer = 'uniform', activation = 'relu'))
model.add(Dense(1, kernel_initializer = 'uniform', activation = 'sigmoid'))
```
- 第一层将设置为维度为 5，因为您有五个输入：性别、pclass、年龄、亲属和票价。
- 最后一层必须输出 1，因为您需要一个一维输出，指示乘客是否幸存。
- 为了简单起见，中间层保持为 5，尽管该值可能有所不同。
修正线性单元 (relu) 激活函数被用作前两层的一个很好的通用激活函数，而 sigmoid 激活函数对于最后一层是必需的，因为您想要的输出（乘客是否幸存）需要缩放到 0-1 的范围（乘客幸存的概率）。

您还可以使用此行代码查看您构建的模型的摘要。
```
model.summary()
```
模型创建后，需要进行编译。作为此过程的一部分，您需要定义将使用哪种优化器、如何计算损失以及应优化哪个指标。添加以下代码来构建和训练模型。您会注意到，训练后，准确度约为 61%。

注意：此步骤可能需要几秒到几分钟才能运行，具体取决于您的机器。
```
model.compile(optimizer="adam", loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, batch_size=32, epochs=50)
```
现在模型已构建并训练，我们可以看看它在测试数据上的表现。
```
y_pred = np.rint(model.predict(X_test).flatten())
print(metrics.accuracy_score(y_test, y_pred))
```
与训练类似，您会注意到现在您在预测乘客生存方面的准确度达到了 79%。使用这个简单的神经网络，结果比之前尝试的朴素贝叶斯分类器 75% 的准确度要好。

后续步骤

现在您已经熟悉了在 Visual Studio Code 中执行机器学习的基础知识，这里还有一些其他 Microsoft 资源和教程供您查看。

数据科学配置文件模板 - 使用精选的扩展、设置和代码片段集创建新的配置文件。
了解更多关于在 Visual Studio Code 中使用 Jupyter Notebooks (视频)。
开始使用适用于 VS Code 的 Azure 机器学习，利用 Azure 的强大功能部署和优化您的模型。
在 Azure 开放数据集上查找更多可探索的数据。

1/9/2023