點擊上方藍色“程序猿DD”，選擇“設為星標”

回復“資源”獲取獨家整理的學習資料！

你，要不要擺脫技術人單身率高的魔咒？

這里有一份相親戰(zhàn)斗力評估指數(shù)，阿里云幫你測一測以后還能不能找到對象。

據(jù)說是借助哥倫比亞大學多年研究相親找對象的心血，通過幾個簡單的特征來做評估。

具體模（yuan）型（fen）的測試頁面掃下方二維碼即可試玩~

在正式開始實驗之前，我們需要尋找一個簡單好用方便上手的工具，這里我推薦一波阿里云的PAI-DSW探索者版，它對于個人開發(fā)者是免費的，還有免費GPU資源可以使用，實驗的數(shù)據(jù)更會免費保存30天。

點擊這里（鏈接：https://dsw-dev.data.aliyun.com/#/）只要登陸就可直接使用。今天，我們就會通過這個工具來探索人性的奧秘，走進兩性關系的神秘空間，嘿嘿嘿。

整個實驗的數(shù)據(jù)收集于一個線下快速相親的實驗。（鏈接：https://faculty.chicagobooth.edu/emir.kamenica/documents/genderDifferences.pdf）這個實驗中，參與者被要求參加多輪與異性進行的快速相親，每輪相親持續(xù)4分鐘，在4分鐘結束后，參與者雙方會被詢問是否愿意與他們的對象再見面。只有當雙方都回答了“是”的時候，這次相親才算是配對成功。

同時，參與者也會被要求通過以量化的方式從外觀吸引力，真誠度，智商，風趣程度，事業(yè)心，興趣愛好這六個方向來評估他們的相親對象。

這個數(shù)據(jù)集也包含了很多參加快速相親的參與者的其他相關信息，比如地理位置，喜好，對于理想對象的偏好，收入水平，職業(yè)以及教育背景等等。關于整個數(shù)據(jù)集的具體特征描述可以參考這個文件。（鏈接：https://pai-public-data.oss-cn-beijing.aliyuncs.com/speed_dating/Speed%20Dating%20Data%20Key.doc）

本次我們實驗的目的主要是為了找出，當一個人在參加快速相親時，到底會有多高的幾率能夠遇到自己心動的人并成功牽手。

在我們建模分析探索人性的秘密之前，讓我們先讀入數(shù)據(jù)，來看看我們的數(shù)據(jù)集長什么樣。

import?pandas?as?pd

df?=?pd.read_csv('Speed?Dating?Data.csv',?encoding='gbk')

print(df.shape)

通過觀察，我們不難發(fā)現(xiàn)，在這短短的兩年中，這個實驗的小酒館經歷了8000多場快速相親的實驗。由此我們可以非常輕易的推斷出，小酒館的老板應該賺的盆滿缽滿（大霧）

然后從數(shù)據(jù)的寬度來看，我們會發(fā)現(xiàn)一共有接近200個特征。

關于每個特征的具體描述大家可以參考這篇文檔鏈接：https://pai-public-data.oss-cn-beijing.aliyuncs.com/speed_dating/Speed%20Dating%20Data%20Key.doc。

然后我們再觀察數(shù)據(jù)的完整度，看看是否有缺失數(shù)據(jù)。

percent_missing?=?df.isnull().sum()?*?100?/?len(df)

missing_value_df?=?pd.DataFrame({

'column_name':?df.columns,

'percent_missing':?percent_missing

})

missing_value_df.sort_values(by='percent_missing')

通過以上代碼，我們不難發(fā)現(xiàn)，其實還有很多的特征是缺失的。這一點在我們后面做分析和建模的時候，都需要關注到。因為一旦一個特征缺失的數(shù)據(jù)較多，就會導致分析誤差變大或者模型過擬合/精度下降。看完數(shù)據(jù)的完整程度，我們就可以繼續(xù)往下探索了。

然后第一個問題就來了，在這8000多場的快速相親中，到底有多少場相親成功為參加的雙方找到了合適的伴侶的？帶著這個問題，我們就可以開始我們的第一個探索性數(shù)據(jù)分析。

#?多少人通過Speed?Dating找到了對象

plt.subplots(figsize=(3,3),?dpi=110,)

#?構造數(shù)據(jù)

size_of_groups=df.match.value_counts().values



single_percentage?=?round(size_of_groups[0]/sum(size_of_groups)?*?100,2)

matched_percentage?=?round(size_of_groups[1]/sum(size_of_groups)*?100,2)

names?=?[

'Single:'?+?str(single_percentage)?+?'%',

'Matched'?+?str(matched_percentage)?+?'%']



#?創(chuàng)建餅圖

plt.pie(

size_of_groups,

labels=names,

labeldistance=1.2,

colors=Pastel1_3.hex_colors

)

plt.show()

從上邊的餅圖我們可以發(fā)現(xiàn)，真正通過快速相親找到對象的比率僅有16.47%。

然后我們就迎來了我們的第二個問題，這個比率和參加的人的性別是否有關呢？這里我們也通過Pandas自帶的filter的方式

df[df.gender?==?0]

來篩選數(shù)據(jù)集中的性別。通過閱讀數(shù)據(jù)集的文檔，我們知道0代表的是女生，1代表的是男生。然后同理，我們執(zhí)行類似的代碼

#?多少女生通過Speed?Dating找到了對象

plt.subplots(figsize=(3,3),?dpi=110,)

#?構造數(shù)據(jù)

size_of_groups=df[df.gender?==?0].match.value_counts().values?#?男生只需要吧0替換成1即可



single_percentage?=?round(size_of_groups[0]/sum(size_of_groups)?*?100,2)

matched_percentage?=?round(size_of_groups[1]/sum(size_of_groups)*?100,2)

names?=?[

'Single:'?+?str(single_percentage)?+?'%',

'Matched'?+?str(matched_percentage)?+?'%']



#?創(chuàng)建餅圖

plt.pie(

size_of_groups,

labels=names,

labeldistance=1.2,

colors=Pastel1_3.hex_colors

)

plt.show()

來找出女生和男生分別在快速相親中找到對象的幾率的。

女生的幾率：

男生的幾率：

不難發(fā)現(xiàn)，在快速相親中，女生相比于男生還是稍微占據(jù)一些優(yōu)勢的。女生成功匹配的幾率比男生成功匹配的幾率超出了0.04。

然后第二個問題來了：是什么樣的人在參加快速相親這樣的活動呢？真的都是大齡青年（年齡大于30）嘛？這個時候我們就可以通過對參加人群的年齡分布來做一個統(tǒng)計分析。

#?年齡分布

age?=?df[np.isfinite(df['age'])]['age']

plt.hist(age,bins=35)

plt.xlabel('Age')

plt.ylabel('Frequency')

不難發(fā)現(xiàn)，參加快速相親的人群主要是22～28歲的群體。這點與我們的預期有些不太符合，因為主流人群并不是大齡青年。接下來的問題就是，年齡是否會影響相親的成功率呢？和性別相比，哪個對于成功率的影響更大？這兩個問題在本文就先埋下一個伏筆，不一一探索了，希望閱讀文章的你能夠自己探索。

但是這里可以給出一個非常好用的探索相關性的方式叫做數(shù)據(jù)相關性分析。通過閱讀數(shù)據(jù)集的描述，我已經為大家選擇好了一些合適的特征去進行相關性分析。這里合適的定義是指：1. 數(shù)據(jù)為數(shù)字類型，而不是字符串等無法量化的值。2.數(shù)據(jù)的缺失比率較低

date_df?=?df[[

'iid',?'gender',?'pid',?'match',?'int_corr',?'samerace',?'age_o',

'race_o',?'pf_o_att',?'pf_o_sin',?'pf_o_int',?'pf_o_fun',?'pf_o_amb',

'pf_o_sha',?'dec_o',?'attr_o',?'sinc_o',?'intel_o',?'fun_o',?'like_o',

'prob_o',?'met_o',?'age',?'race',?'imprace',?'imprelig',?'goal',?'date',

'go_out',?'career_c',?'sports',?'tvsports',?'exercise',?'dining',

'museums',?'art',?'hiking',?'gaming',?'clubbing',?'reading',?'tv',

'theater',?'movies',?'concerts',?'music',?'shopping',?'yoga',?'attr1_1',

'sinc1_1',?'intel1_1',?'fun1_1',?'amb1_1',?'attr3_1',?'sinc3_1',

'fun3_1',?'intel3_1',?'dec',?'attr',?'sinc',?'intel',?'fun',?'like',

'prob',?'met'

]]



#?heatmap

plt.subplots(figsize=(20,15))

ax?=?plt.axes()

ax.set_title("Correlation?Heatmap")

corr?=?date_df.corr()

sns.heatmap(corr,

xticklabels=corr.columns.values,

yticklabels=corr.columns.values)

通過上面這張圖這張相關性分析的熱力圖，我們可以先關注一些特別亮的和特別暗的點。比如我們可以發(fā)現(xiàn)，在 pf_o_att這個表示相親對象給出的外觀吸引力這個特征上，和其他相親對象給出的評分基本都是嚴重負相關的，除了pf_o_fun這一特征。由此我們可以推斷出兩個點：

1. 大家會認為外觀更加吸引人的人在智商，事業(yè)心，真誠度上表現(xiàn)會相對較差。換句話說，可能就是顏值越高越浪

2. 幽默風趣的人更容易讓人覺得外觀上有吸引力,比如下面這位幽默風趣的男士(大霧):

然后我們再看看我們最關注的特征 match，和這一個特征相關性比較高的特征是哪幾個呢？不難發(fā)現(xiàn)，其實就是'attr_o','sinc_o','intel_o','fun_o','amb_o','shar_o'這幾個特征，分別是相親對方給出的關于外觀，真誠度，智商，風趣程度，事業(yè)線以及興趣愛好的打分。接下來我們就可以根據(jù)這個來進行建模了。首先我們將我們的特征和結果列都放到一個Dataframe中，然后再去除含有空值的紀錄。最后我們再分為X和Y用來做訓練。當然分為X，y之后，由于我們在最開始就發(fā)現(xiàn)只有16.47%的參與場次中成功匹配了，所以我們的數(shù)據(jù)有嚴重的不均衡，這里我們可以用SVMSMOTE（鏈接：https://imbalanced-learn.readthedocs.io/en/stable/generated/imblearn.over_sampling.SVMSMOTE.html）來增加一下我們的數(shù)據(jù)量避免模型出現(xiàn)過度擬合。

#?preparing?the?data

clean_df?=?df[['attr_o','sinc_o','intel_o','fun_o','amb_o','shar_o','match']]

clean_df.dropna(inplace=True)

X=clean_df[['attr_o','sinc_o','intel_o','fun_o','amb_o','shar_o',]]

y=clean_df['match']



oversample?=?imblearn.over_sampling.SVMSMOTE()

X,?y?=?oversample.fit_resample(X,?y)



#?做訓練集和測試集分割

X_train,?X_test,?y_train,?y_test?=?train_test_split(X,?y,?test_size=0.2,?random_state=0,?stratify=y)

數(shù)據(jù)準備好之后，我們就可以進行模型的構建和訓練了。通過以下代碼，我們可以構建一個簡單的邏輯回歸的模型，并在測試集上來測試。

#?logistic?regression?classification?model

model?=?LogisticRegression(C=1,?random_state=0)

lrc?=?model.fit(X_train,?y_train)

predict_train_lrc?=?lrc.predict(X_train)

predict_test_lrc?=?lrc.predict(X_test)

print('Training?Accuracy:',?metrics.accuracy_score(y_train,?predict_train_lrc))

print('Validation?Accuracy:',?metrics.accuracy_score(y_test,?predict_test_lrc))

我們可以看到結果為0.83左右，這樣我們就完成了一個預測在快速相親中是否能夠成功配對的機器學習模型。

針對這個模型，數(shù)據(jù)科學老司機我還專門制作了一個小游戲頁面），來測試你的相親戰(zhàn)斗力指數(shù)?？靵眢w驗吧：

https://tianchi.aliyun.com/specials/promotion/dsw-hol?referFrom=mvp?