交通大数据-代码复习

“本代码仅用于学习交流使用，请于24小时内删除”

*本代码内容带有作者个人观点，仅供参考

*本二维码内容为代码的详解，请查阅

# 1. 归一化代码
# (1) 最大最小归一化，公式(X-Min)/(Max-Min)
def maxmin(list):
    # 依照公式，获取所需值
    max_,min_=np.max(list),np.min(list)
    # 运用公式，处理数据
    newlist=[]    # 用一个新列表存储归一化后的结果
    for x in list:    # 循环源列表，依次对原数据进行归一化
        newlist.append((x - min_) / (max_ - min_))    # 存储归一化后的结果
    print(newlist)    # 打印查看，结果为 [0.0, 0.25, 0.5, 0.75, 1.0]

# (2)Z-score归一化，公式(x-μ)/σ
def z_score(list):
    # 根据公式，可知需要求均值
    mu=sum(list)/len(list)    # 计算μ(mu)：列表之和/列表长度
    # 根据公式，可知需要求标准差
    count=0    # 计算σ(sigma)
    for i in list:
        count = count + (i - mu) ** 2    # 单样本减去总体样本平均值的平方相加：Z=(x1-x)^2 +(x2-x)^2 +......(xn-x)^2
    sigma = np.sqrt(count / len(list))    # 把上述的结果除以(n-1)后开根号：s=np.sqrt(Z/(n-1))
    # 处理数据，与上相似，故不再赘述
    newlist=[]
    for i in list:
        newlist.append((i - mu) / sigma)
    print(newlist)  # 打印结果，结果为：[-1.41..., -0.70..., 0.0, 0.70..., 1.41...]

import numpy as np
list=[1,2,3,4,5]
maxmin(list)
z_score(list)


# 2. 多元线性回归代码
import numpy as np
from sklearn.linear_model import LinearRegression    # 线性回归分析模块
from sklearn.model_selection import train_test_split    # 数据集划分工具

def muti_linear_regre(X,Y):
    X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=2,random_state=1)    # 划分数据集
    reg=LinearRegression()    # 线性回归分析
    reg.fit(X_train, Y_train)    # 拟合
    print(reg.predict(X_test))    # 检验训练结果

X=np.array([[1, 2, 3, 4],    # X值为6行四列
            [5, 6, 7, 8],
            [9, 10,11,12],
            [13,14,15,16],
            [17,18,19,20],
            [21,22,23,24]])
y=np.array([sum(x) for x in X])    # y值为每一行求和，即y=[10，26，42，58，74，90]
if __name__=="__main__":    # 当 Python 文件作为主程序运行时，运行以下代码
    muti_linear_regre(X,y)