溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章運用簡單易懂的例子給大家介紹利用Python編寫一個數據預測工具，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。
大數據預測是大數據最核心的應用，是它將傳統意義的預測拓展到“現測”。大數據預測的優勢體現在，它把一個非常困難的預測問題，轉化為一個相對簡單的描述問題，而這是傳統小數據集根本無法企及的。從預測的角度看，大數據預測所得出的結果不僅僅是用于處理現實業務的簡單、客觀的結論，更是能用于幫助企業經營的決策。
在過去，人們的決策主要是依賴 20% 的結構化數據，而大數據預測則可以利用另外 80% 的非結構化數據來做決策。大數據預測具有更多的數據維度，更快的數據頻度和更廣的數據寬度。與小數據時代相比，大數據預測的思維具有 3 大改變：實樣而非抽樣;預測效率而非精確;相關關系而非因果關系。
而今天我們就將利用python制作可視化的大數據預測部分集成工具，其中數據在這里使用一個實驗中的數據。普遍性的應用則直接從文件讀取即可。其中的效果圖如下：
實驗前的準備
首先我們使用的python版本是3.6.5所用到的模塊如下：
數據的訓練和訓練的GUI窗口
經過算法比較，發現這里我們選擇使用sklearn簡單的多元回歸進行擬合數據可以達到比較好的效果。
(1)首先是是數據的讀取，通過設定選定文件夾函數來讀取文件，加載數據的效果：
'''選擇文件功能'''
def selectPath():
# 選擇文件path_接收文件地址
path_ =tkinter.filedialog.askopenfilename()
# 通過replace函數替換絕對文件地址中的/來使文件可被程序讀取
# 注意：\\轉義后為\，所以\\\\轉義后為\\
path_ =path_.replace("/", "\\\\")
# path設置path_的值
path.set(path_)
return path
# 得到的DataFrame讀入所有數據
data = pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H,I")
# DataFrame轉化為array
DataArray = data.values
# 讀取已使用年限作為標簽
Y = DataArray[:, 8]
# 讀取其他參數作為自變量，影響因素
X = DataArray[:, 0:8]
# 字符串轉變為整數
for i in range(len(Y)):
Y[i] = int(Y[i].replace("年", ""))
X = np.array(X) # 轉化為array
Y = np.array(Y) # 轉化為array
root = Tk()
root.geometry("+500+260")
# 背景圖設置
canvas = tk.Canvas(root, width=600, height=200, bd=0, highlightthickness=0)
imgpath = '1.jpg'
img = Image.open(imgpath)
photo = ImageTk.PhotoImage(img)
#背景圖大小設置
canvas.create_image(700, 400, image=photo)
canvas.pack()
path = StringVar()
#標簽名稱位置
label1=tk.Label(text = "目標路徑:")
label1.pack()
e1=tk.Entry( textvariable = path)
e1.pack()
bn1=tk.Button(text = "路徑選擇", command = selectPath)
bn1.pack()
bn2=tk.Button(text = "模型訓練", command = train)
bn2.pack()
bn3=tk.Button(text = "模型預測", command = test)
bn3.pack()
#標簽按鈕等放在背景圖上
canvas.create_window(50, 50, width=150, height=30,
window=label1)
canvas.create_window(280, 50, width=300, height=30,
window=e1)
canvas.create_window(510, 50, width=150, height=30,
window=bn1)
canvas.create_window(50, 100, width=150, height=30,
window=bn2)
canvas.create_window(510, 100, width=150, height=30,
window=bn3)
root.mainloop() 效果如下可見：
(2)然后是數據的擬合和可視化模型效果：
# 模型擬合
reg = LinearRegression()
reg.fit(X, Y)
# 預測效果
predict = reg.predict(np.array([X[0]]))
Y_predict = reg.predict(X)
print(Y_predict)
# 橫坐標
x_label = []
for i in range(len(Y)):
x_label.append(i)
# 繪圖
fig, ax = plt.subplots()
# 真實值分布散點圖
plt.scatter(x_label, Y)
# 預測值分布散點圖
plt.scatter(x_label, Y_predict)
# 預測值擬合直線圖
plt.plot(x_label, Y_predict)
# 橫縱坐標
ax.set_xlabel('預測值與真實值模型擬合效果圖')
ax.set_ylabel('藍色為真實值，黃色為預測值')
# 將繪制的圖形顯示到tkinter:創建屬于root的canvas畫布,并將圖f置于畫布上
canvas = FigureCanvasTkAgg(fig, master=root)
canvas.draw() # 注意show方法已經過時了,這里改用draw
canvas.get_tk_widget().pack()
# matplotlib的導航工具欄顯示上來(默認是不會顯示它的)
toolbar = NavigationToolbar2Tk(canvas, root)
toolbar.update()
canvas._tkcanvas.pack()
#彈窗顯示
messagebox.showinfo(title='模型情況', message="模型訓練完成！")
其中的效果如下可見：其中的效果如下可見：
模型的預測和使用
其中模型的預測主要通過兩種方式進行預測，分別是：手動輸入單個數據進行預測和讀取文件進行預測。
其中手動輸入數據進行預測需要設置更多的GUI按鈕，其中代碼如下：
#子窗口
LOVE = Toplevel(root)
LOVE.geometry("+100+260")
LOVE.title = "模型測試"
#子窗口各標簽名
label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態電平（mv）", "低電平方差（mv2)x10-3", "高狀態電平（v）", "高電平方差(v2)", "信號質量因子"]
Label(LOVE, text="1、輸入參數預測", font=("微軟雅黑", 20)).grid(row=0, column=0)
#標簽名稱，字體位置
Label(LOVE, text=label[0], font=("微軟雅黑",10)).grid(row=1, column=0)
Label(LOVE, text=label[1], font=("微軟雅黑", 10)).grid(row=1, column=1)
Label(LOVE, text=label[2], font=("微軟雅黑", 10)).grid(row=1, column=2)
Label(LOVE, text=label[3], font=("微軟雅黑", 10)).grid(row=1, column=3)
Label(LOVE, text=label[4], font=("微軟雅黑", 10)).grid(row=1, column=4)
Label(LOVE, text=label[5], font=("微軟雅黑", 10)).grid(row=1, column=5)
Label(LOVE, text=label[6], font=("微軟雅黑", 10)).grid(row=1, column=6)
Label(LOVE, text=label[7], font=("微軟雅黑", 10)).grid(row=1, column=7)
#編輯框位置和字體
en1=tk.Entry(LOVE, font=("微軟雅黑", 8))
en1.grid(row=2, column=0)
en2=tk.Entry(LOVE, font=("微軟雅黑", 8))
en2.grid(row=2, column=1)
en3=tk.Entry(LOVE, font=("微軟雅黑", 8))
en3.grid(row=2, column=2)
en4=tk.Entry(LOVE, font=("微軟雅黑", 8))
en4.grid(row=2, column=3)
en5=tk.Entry(LOVE, font=("微軟雅黑", 8))
en5.grid(row=2, column=4)
en6=tk.Entry(LOVE, font=("微軟雅黑", 8))
en6.grid(row=2, column=5)
en7=tk.Entry(LOVE, font=("微軟雅黑", 8))
en7.grid(row=2, column=6)
en8=tk.Entry(LOVE, font=("微軟雅黑", 8))
en8.grid(row=2, column=7)
Label(LOVE, text="", font=("微軟雅黑", 10)).grid(row=3, column=0)
#測試輸入框預測
def pp():
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())])
# 預測效果
predict = reg.predict(np.array([x]))
Label(LOVE, text="預測結果已使用年數為："+str(predict[0])+"年", font=("微軟雅黑", 10)).grid(row=4, column=3)
print(predict)
Button(LOVE, text="預測：", font=("微軟雅黑", 15),command=pp).grid(row=4, column=0)
Label(LOVE, text="2、選擇文件預測", font=("微軟雅黑", 20)).grid(row=5, column=0)
path2 = StringVar()
label1 = tk.Label(LOVE,text="目標路徑:", font=("微軟雅黑", 10))
label1.grid(row=6, column=0)
e1 = tk.Entry(LOVE,textvariable=path2, font=("微軟雅黑", 10))
e1.grid(row=6, column=2)
label = ["上升沿斜率（v/us）", "下降沿斜率（v/us）", "脈寬(ns)", "低狀態電平（mv）", "低電平方差（mv2)x10-3", "高狀態電平（v）", "高電平方差(v2)",
"信號質量因子"]
n = 0
for i in predict_value:
print(str(label) + "分別為" + str(X[n]) + "預測出來的結果為：" + str(i) + "年" + "\n")
f = open("預測結果.txt", "a")
f.write(str(label) + "分別為" + str(X[n]) + "預測出來的結果為：" + str(i) + "年" + "\n")
f.close()
f = open("result.txt", "a")
f.write(str(i) + "\n")
f.close()
n += 1
messagebox.showinfo(title='模型情況', message="預測結果保存在當前文件夾下的TXT文件中！")
os.system("result.txt")
os.system("預測結果.txt")
Button(LOVE, text="預測：", font=("微軟雅黑", 15), command=ppt).grid(row=7, column=0) 效果如下可見：
選擇文件進行讀取預測和模型訓練數據的讀取類似，代碼如下：
#選擇文件預測
def selectPath2():
# 選擇文件path_接收文件地址
path_ =tkinter.filedialog.askopenfilename()
# 通過replace函數替換絕對文件地址中的/來使文件可被程序讀取
# 注意：\\轉義后為\，所以\\\\轉義后為\\
path_ =path_.replace("/", "\\\\")
# path設置path_的值
path2.set(path_)
return path
bn1 = tk.Button(LOVE,text="路徑選擇", font=("微軟雅黑", 10), command=selectPath2)
bn1.grid(row=6, column=6)
def ppt():
try:
os.remove("預測結果.txt")
os.remove("result.txt")
except:
pass
# 文件的名字
FILENAME =path2.get()
# 禁用科學計數法
pd.set_option('float_format', lambda x: '%.3f' % x)
np.set_printoptions(threshold=np.inf)
# 得到的DataFrame讀入所有數據
data =pd.read_excel(FILENAME, header=0, usecols="A,B,C,D,E,F,G,H")
# DataFrame轉化為array
DataArray =data.values
# 讀取其他參數作為自變量，影響因素
X = DataArray[:,0:8]
predict_value = reg.predict(X)
print(predict_value) 效果如下：
由于讀取文件進行預測的話，數據較多故直接存儲在TXT中方便查看
關于利用Python編寫一個數據預測工具就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
