用Python预测收入，我用Python机器学习了5万人的数据

Python界的网红机器学习，这股浪潮已经逐渐成为热点，而Python是机器学习方向的头牌语言，用机器学习来玩一些好玩的项目一定很有意思。比如根据你的职业，婚姻，家庭，教育时间等等来预测你的收入，这么神奇！不信的话，一起跟我往下看。

1.数据集

收入问题一直是大家比较关心的热点，在kaggle比赛中，也出现过此类的数据集，因此，本次小实战的数据集就是来源于kaggle比赛的数据集，数据集长得样子如下:

上面密密麻麻一堆记录了几万人的收入数据，每个人的收入数据其实就是下面这些特征值，比如你的年龄，工作类型啊，婚否，教育水平啊，时间啊，职业等等，详细如下:

1).导入数据集

我们将训练集和测试集加入列标签，然后查看训练集的信息，如下图所示：

2.数据清洗

2).去掉缺失值

数据集中存在缺失值，并且以‘ ？’形式来代替，所以我们要对这样的数据进行剔除。并将剔除后的数据集进行重新排序，如下图所示：

3).数值处理

• 因为测试集和训练集中标签‘income’的数据存在不统一的问题，在测试集中是以‘<=50K.’的形式，而训练集中是‘<=50K’，所以要将测试集中的数据形式改为训练集中的数据形式。

• 为了使得数据集中的编码类型一致，我们将数据集中的string类型，转化为数值类型，用到的是pandas库中的Categorical函数，转化完成后，通过观察数据集中的‘income’数据值来检查是否完成转换。

转化完成后，原先数据集中的字符串便被数字所代替，例如‘income’中的数据，原先是’<=50K’和’>50K’。现在分别对应为0和1。其他的列也是同样的改变方式。也就是说最后我们预测收入如果为0，表示收入小于50k。

到目前为止，数据清洗的工作基本上完成，下面，我们通过pandas库中的交叉表函数(crosstab)来观察‘受教育时间’和收入之间的关系：

其中‘income’下的1代表收入大于50K，由上图可以看出，当受教育时间小于8年时，收入大于50K的人数可谓是寥寥无几，所以说从统计概率的角度上讲，九年义务教育，对大家的收入还是很有帮助的。

3.用决策树来构建模型

什么是决策树，看下面这个形象的比如，就一清二楚了。

社区大妈经验丰富，有一套自己的判断逻辑。假设“抽烟”、“染发”和“讲脏话”是社区大妈认为的区分“好坏”学生的三项关键特征，那么这样一个有先后次序的判断逻辑就构成一个决策树模型。在决策树中，最能区分类别的特征将作为最先判断的条件，然后依次向下判断各个次优特征。决策树的核心就在于如何选取每个节点的最优判断条件，也即特征选择的过程。

而在每一个判断节点，决策树都会遵循一套IF-THEN的规则：

IF “抽烟” THEN -> “坏学生”

ELSE

        IF “染发” THEN -> “坏学生”

        ELSE IF “讲脏话” THEN -> “坏学生”

                       ELSE -> “好学生”

通过sklearn库提供的决策树算法，可以很方便的进行分类：

• 首先是建立一个clf的决策树分类器

• 然后将我们的训练数据导入fit函数，这里我们用到数据集中所有的特征值，因为数据集中的特征值只有14维，并不是很高的特征维度，因此，并不需要进行降维处理。

• 接着将数据导入训练决策树算法，训练完成后再我们的测试集上进行测试，

• 最后训练结果显示，准确率在80%左右，效果还是很不错的。

4.预测你的收入

看到这里小白是不是有点晕，这个模型到底靠不靠谱，我们用更直观的收入的例子来试试就知道啦：

上面的这个人有一堆参数，如果我们输入模型里面，通过模型来预测一些它的收入到底是多少呢，是不是真的是小于50K：

这里的array[0]表示最后的预测收入是小于50k的，而实际上这组数据的收入也确实如此！懂点机器学习还是很有用的，尤其是喂了大量的数据之后，当然我们还可以通过网格来寻找最佳参数，有兴趣的同学可以动手试试！

扫码下面的二维码

输入:【收入】

获得源码