Предварительная подготовка данных в Python: Том 1. Инструменты и валидация

А. В. Груздев

Предварительная 
подготовка данных 
в Python

Том 1 
Инструменты и валидация

Москва, 2023

УДК 004.04Python 
ББК  32.372

Г90

Груздев А. В.
Г90 
Предварительная подготовка данных в Python: Том 1. Инструменты 
и валидация. – М.: ДМК Пресс, 2023. – 816 с.: ил.

ISBN 978-5-93700-156-6

В двухтомнике представлены материалы по применению классических методов машинного обучения в различных промышленных задачах. Первый том 
посвящен инструментам Python – основным библиотекам, классам и функциям, 
необходимым для предварительной подготовки данных, построения моделей 
машинного обучения, выполнения различных стратегий валидации. В конце 
первого тома разбираются задачи с собеседований по SQL, Python, математической статистике и теории вероятностей.
Издание рассчитано на специалистов по анализу данных, а также может быть 

полезно широкому кругу специалистов, интересующихся машинным обучением.

УДК 004.04Python 
ББК 32.372

Все права защищены. Любая часть этой книги не может быть воспроизведена в какой 

бы то ни было форме и какими бы то ни было средствами без письменного разрешения 
владельцев авторских прав.

Материал, изложенный в данной книге, многократно проверен. Но, поскольку вероятность технических ошибок все равно существует, издательство не может гарантировать 
абсолютную точность и правильность приводимых сведений. В связи с этим издательство 
не несет ответственности за возможные ошибки, связанные с использованием книги.

© Груздев А. В., 2023
© Оформление, издание, перевод, ДМК Пресс, 2023
ISBN 978-5-93700-156-6

Моей Матильде, прошедшей
 путь бескорыстной любви 
длиной в 22 года, посвящается

Оглавление

Введение ............................................................................................ 10

ЧАСТЬ 1. НЕМНОГО МАТЕМАТИКИ ......................................... 11
1.1. Функция ......................................................................................................11
1.2. Производная ...............................................................................................12
1.3. Дифференцирование сложных функций .................................................15
1.4. Частная производная .................................................................................16
1.5. Градиент .....................................................................................................17
1.6. Функция потерь и градиентный спуск .....................................................18

Часть 2. Инструменты ....................................................................... 23

1. Введение ........................................................................................ 23
1.1. Структуры данных .....................................................................................23
1.1.1. Кортеж (tuple) ......................................................................................23
1.1.2. Список (list) .........................................................................................24
1.1.3. Словарь (dictionary) .............................................................................27
1.1.4. Множество (set) ...................................................................................31
1.2. Функция ......................................................................................................34
1.3. Полезные встроенные функции ................................................................35
1.3.1. Функция enumerate() ..........................................................................35
1.3.2. Функция sorted()..................................................................................36
1.3.3. Функция zip() .......................................................................................36
1.4. Класс ............................................................................................................38
1.5. Знакомство с Anaconda ..............................................................................43

2. IPython и Jupyter Notebook .......................................................... 44

3. NumPy ............................................................................................. 50
3.1. Создание массивов NumPy ........................................................................50
3.2. Обращение к элементам массива .............................................................55
3.3. Получение краткой информации о массиве ............................................57
3.4. Изменение формы массива .......................................................................58
3.5. Конкатенация массивов ............................................................................61
3.6. Функции математических операций, знакомство  
с правилами транслирования ..........................................................................65
3.7. Обработка пропусков .................................................................................70
3.8. Функция np.linspace() ................................................................................72
3.9. Функция np.logspace() ................................................................................74

Оглавление  5

3.10. Функция np.digitize()................................................................................75
3.11. Функция np.searchsorted() .......................................................................76
3.12. Функция np.bincount() .............................................................................78
3.13. Функция np.apply_along_axis() .................................................................79
3.14. Функция np.insert() ..................................................................................80
3.15. Функция np.repeat() .................................................................................81
3.16. Функция np.unique() ................................................................................82
3.17. Функция np.take_along_axis() ...................................................................84
3.18. Функция np.array_split() ...........................................................................86

4. Библиотеки Numba, datatable, bottleneck  
для ускорения вычислений ............................................................. 88
4.1. Numba .........................................................................................................88
4.2. Datatable .....................................................................................................94
4.3. Bottleneck ....................................................................................................98

5. SciPy ................................................................................................ 99

6. pandas ...........................................................................................111
6.1. Почему pandas?  .......................................................................................111
6.2. Библиотека pandas построена на NumPy ...............................................111
6.3. pandas работает с табличными данными ...............................................111
6.4. Объекты DataFrame и Series ....................................................................111
6.5. Задачи, выполняемые pandas..................................................................113
6.6. Кратко о типах данных ............................................................................113
6.7. Представление пропусков .......................................................................114
6.8. Какую версию pandas использовать? .....................................................115
6.9. Подробно знакомимся с типами данных ...............................................115
6.9.1. Типы данных для работы с числами  
и логическими значениями .......................................................................115
6.9.2. Типы данных для работы со строками ............................................126
6.10. Чтение данных .......................................................................................136
6.11. Получение общей информации о датафрейме ....................................137
6.12. Изменение настроек вывода с помощью функции get_options() .......139
6.13. Знакомство с индексаторами [], loc и iloc.............................................140
6.14. Фильтрация данных ...............................................................................147
6.14.1. Одно условие ...................................................................................147
6.14.2. Несколько условий ..........................................................................148
6.14.3. Несколько условий в одном столбце ..............................................148
6.14.4. Использование метода .query() ......................................................149
6.15. Агрегирование данных ..........................................................................151
6.15.1. Группировка и агрегирование с помощью одного столбца .........151
6.15.2. Группировка и агрегирование с помощью нескольких столбцов 153
6.15.3. Группировка с помощью сводных таблиц .....................................156
6.16. Анализ частот с помощью таблиц сопряженности ..............................166
6.17. Выполнение SQL-запросов в pandas .................................................169

 Оглавление

7. scikit-learn .....................................................................................179
7.1. Основы работы с классами, строящими модели предварительной  
подготовки данных и модели машинного обучения ...................................179
7.2. Строим свой первый конвейер моделей ................................................198
7.3. Разбираемся с дилеммой смещения–дисперсии и знакомимся  
с бутстрепом ...................................................................................................210
7.4. Обработка пропусков с помощью классов MissingIndicator 
и SimpleImputer ..............................................................................................228
7.5. Выполнение дамми-кодирования с помощью класса OneHotEncoder 
и функции get_dummies(), знакомство с разреженными матрицами.........235
7.6. Автоматическое построение конвейеров моделей с помощью  
класса Pipeline .................................................................................................246
7.7. Знакомство с классом ColumnTransformer ..............................................250
7.8. Класс FeatureUnion ...................................................................................263
7.9. Выполнение перекрестной проверки с помощью функции  
cross_val_score(), получение прогнозов перекрестной проверки  
с помощью функции cross_val_predict(), сохранение моделей  
перекрестной проверки с помощью функции cross_validate() ....................264
7.10. Виды перекрестной проверки для данных формата  
«один объект – одно наблюдение» (отсутствует ось времени)   ..................273
7.10.1. Обычная нестратифицированная k-блочная перекрестная  
проверка с помощью класса KFold ............................................................274
7.10.2. Обычная стратифицированная k-блочная перекрестная проверка 
с помощью класса StratifiedKFold ..............................................................281
7.10.3. Повторная нестратифицированная k-блочная перекрестная проверка с помощью класса RepeatedKFold ...................................................283
7.10.4. Повторная стратифицированная k-блочная перекрестная проверка с помощью класса RepeatedStratifiedKFold ..........................................286
7.10.5. k-кратное случайное разбиение на обучающую  
и тестовую выборки (перекрестная проверка Монте-Карло) .................288
7.10.6. Перекрестная проверка со случайными перестановками  
при разбиении с помощью класса ShuffleSplit .........................................294
7.10.7. Стратифицированная перекрестная проверка  
со случайными перестановками при разбиении  
с помощью класса  StratifiedShuffleSplit ...................................................296
7.10.8. Перекрестная проверка с исключением по одному  
с помощью класса LeaveOneOut ................................................................297
7.10.9. Перекрестная проверка с исключением p наблюдений  
с помощью класса LeavePOut .....................................................................299
7.11. Виды перекрестной проверки для данных формата  
«один объект – несколько наблюдений» и стратифицированных  
данных (отсутствует ось времени)   ..............................................................301
7.11.1. Перекрестная проверка, учитывающая группы связанных  
наблюдений, с помощью классов GroupKFold  .........................................301
7.11.2. Перекрестная проверка, учитывающая группы связанных  
наблюдений с исключением из обучения одной группы, с помощью  
класса LeaveOneGroupOut  .........................................................................302

Оглавление  7

7.11.3. Перекрестная проверка, учитывающая группы связанных  
наблюдений с исключением из обучения p групп, с помощью  
класса LeavePGroupsOut .............................................................................304
7.11.4. Перекрестная проверка, учитывающая группы связанных  
наблюдений и распределение классов, с помощью класса 
StratifiedGroupKFold ...................................................................................305
7.11.5. Перекрестная проверка со случайными перестановками  
при разбиении и учитывающая группы связанных наблюдений  
с помощью класса GroupShuffleSplit .........................................................307
7.12. Обычный и случайный поиск наилучших гиперпараметров  
по сетке с помощью классов GridSearchCV и RandomizedSearchCV ............309
7.12.1. Обычный поиск оптимальных значений гиперпараметров  
моделей предварительной подготовки и модели  
машинного обучения .................................................................................312
7.12.2. Обычный поиск оптимальных значений гиперпараметров  
моделей предварительной подготовки и модели машинного  
обучения с добавлением строки прогресса ..............................................318
7.12.3. Случайный поиск оптимальных значений  
гиперпараметров моделей предварительной подготовки  
и модели машинного обучения .................................................................320
7.12.4. Обычный поиск оптимальных значений гиперпараметров  
для CatBoost при обработке категориальных признаков «как есть»  
(заданы индексы категориальных признаков) ........................................321
7.12.5. Отбор оптимальной модели предварительной подготовки  
данных в рамках отдельного трансформера ............................................324
7.12.6. Отбор оптимального метода машинного обучения среди  
разных методов машинного обучения (перебор значений  
гиперпараметров  с отдельной предобработкой данных  
под каждый метод машинного обучения) ................................................329
7.13. Вложенная перекрестная проверка.......................................................335
7.14. Классы PowerTransformer, KBinsDiscretizer и FunctionTransformer .....341
7.15. Написание собственных классов предварительной подготовки  
для применения в конвейере ........................................................................350
7.16. Модификация классов библиотеки scikit-learn для работы  
с датафреймами ..............................................................................................375
7.17. Полный цикл построения конвейера моделей в scikit-learn ...............381
7.17.1. Первая задача ...................................................................................381
7.17.2. Вторая задача ...................................................................................393
7.18. Калибровка модели ................................................................................404
7.18.1. Актуальность калибровки ...............................................................404
7.18.2. Функция calibration_curve().............................................................406
7.18.3. Оценка Брайера ...............................................................................413
7.18.4. Оценка качества калибровки моделей до применения  
калибратора ................................................................................................415
7.18.5. Класс CalibratedClassifierCV ............................................................420
7.18.6. Оценка качества калибровки моделей после применения  
калибратора ................................................................................................421

 Оглавление

7.18.7. Оценка качества калибровки моделей после применения  
калибратора с уже обученным классификатором ....................................423
7.18.8. Калибровка на основе сплайнов.....................................................426
7.19. Полезные классы CountVectorizer и TfidfVectorizer для работы  
с текстом ..........................................................................................................436
7.20. Сравнение моделей, полученных в ходе поиска по сетке,  
с помощью статистических тестов ................................................................450
7.20.1. Простое сравнение всех построенных моделей ............................451
7.20.2. Сравнение двух моделей: частотный подход ................................454
7.20.3. Сравнение двух моделей: байесовский подход .............................458
7.20.4. Попарное сравнение всех моделей: частотный подход ...............463
7.20.5. Попарное сравнение всех моделей: байесовский подход ............465
7.20.6. Итоговые выводы ............................................................................467
7.21. Разбиение на обучающую, проверочную и тестовую выборки  
с учетом временной структуры для валидации временных рядов   ...........468
7.22. Виды перекрестной проверки для данных формата  
«один объект – одно наблюдение» (присутствует ось времени)   ...............521
7.22.1. Перекрестная проверка расширяющимся окном .........................525
7.22.2. Перекрестная проверка скользящим окном .................................542
7.22.3. Перерестная проверка расширяющимся/скользящим  
окном с гэпом .............................................................................................552
7.23. Перекрестная проверка для данных формата  
«один объект – несколько наблюдений» (присутствует ось времени)   ......563
7.24. Многоклассовая классификация:  
подходы «один против всех», «один против одного» и «коды,  
исправляющие ошибки» ................................................................................567
7.24.1. Подход «один против остальных» или «один против всех» 
(«one versus rest», «one versus all») .............................................................568
7.24.2. Подход «один против одного» («one versus one») ..........................573
7.24.3. Подход «коды, исправляющие ошибки»  
(«error-correcting output codes») .................................................................592

ЧАСТЬ 3. ДРУГИЕ ПОЛЕЗНЫЕ БИБЛИОТЕКИ .....................602

1. Библиотеки визуализации matplotlib, seaborn и plotly ........602
1.1. Matplotlib ..................................................................................................602
1.2. Seaborn ......................................................................................................621
1.3. Plotly ..........................................................................................................629

2. Библиотека прогнозирования временных рядов ETNA .......634
2.1. Общее знакомство ...................................................................................634
2.2. Создание объекта TSDataset  ...................................................................641
2.3. Визуализация рядов объекта TSDataset .................................................645
2.4. Получение сводки характеристик по объекту TSDataset  .....................646
2.5. Модель наивного прогноза .....................................................................647
2.6. Модель скользящего среднего ................................................................654

Оглавление  9

2.7. Модель сезонного скользящего среднего ...............................................658
2.8. Модель SARIMAX ......................................................................................662
2.9. Модель Хольта–Винтерса (модель тройного экспоненциального  
сглаживания, модель ETS) ..............................................................................671
2.10. Модель Prophet .......................................................................................677
2.11. Модель CatBoost .....................................................................................689
2.12. Модель линейной регрессии с регуляризацией «эластичная сеть» ....709
2.13. Объединение процедуры построения модели, оценки качества  
и визуализации прогнозов в одной функции ..............................................714
2.14. Перекрестная проверка нескольких моделей ......................................717

2.15. Ансамбли ................................................................................................722
2.16. Стекинг ...................................................................................................724
2.17. Создание собственных классов для обучения моделей .......................725
2.18. Импутация пропусков ...........................................................................741
2.19. Работа с трендом и сезонностью ..........................................................751
2.20. Обработка выбросов ..............................................................................766
2.21. Собираем все вместе ..............................................................................772
2.22. Модели нейронных сетей ......................................................................787
2.23. Оптимизация гиперпараметров с помощью  
Optuna от разработчиков ...............................................................................789

Ответы на вопросы с собеседований ..........................................794

Введение

Настоящая книга является коллекцией избранных материалов из первого модуля Подписки – обновляемых в режиме реального времени материалов по 
применению классических методов машинного обучения в различных промышленных задачах, которые автор делает вместе с коллегами и учениками.
Автор благодарит Игоря Яковлева за предоставленные материалы к первой части, Антона Вахрушева за помощь в подготовке раздела, посвященного 
NumPy, во второй части книги, Теда Петру за помощь в подготовке раздела, 
посвященного pandas, во второй части книги.
Первая и вторая части книги содержат несложные вопросы с собеседований 
по SQL, Python, математической статистике и теории вероятностей. Автором 
не ставится задача закрыть пробелы соискателей в этих областях, вопросы 
даны как напоминание, что помимо машинного обучения потребуются знания 
и в некоторых других сферах. В конце книги вы найдете ответы к вопросам.
В первом томе мы сконцентрируемся на инструментах предварительной 
обработки данных и рассмотрим различные способы валидации модели.