Machine Learning: Как да анализираме последователност от състояния/събития?

Автор: Десислава Христова

Анализът на последователност от състояния/събития е една доста интересна задача, която намира широко приложение в различни области. Например в търговията при анализ на поведението на клиентите или при изследване на определена бизнес ситуация като продажба или друга дейност, която преминава през различни етапи.

С получените резултати от анализа можем да достигнем до конкретни изводи и да предприемем действия, с които да подпомогнем работата на бизнеса.

Тази тема беше разгледана на нашия семинар от 12 март 2021 – Бизнес и маркетинг с R: Как да анализираме поредица от събития и състояния?

По време на семинара чрез практически пример бяха представени възможностите на пакетите TraMineR и arulesSequences за езика R. В тази статия ще ви покажа в контекста на същия пример как можем да анализираме последователност от състояния/събития само че с езика за програмиране Python.

С какви данни ще работим?

Извадката съдържа 2000 наблюдения с данни от социологическо проучване за семейното състояние. Участниците са на възраст между 15 и 30 години.

Състоянията са кодирани по следния начин:

Код	Състояние	Отделно	Семейство	Деца	Развод
0	Parent (P)	не	не	не	не
1	Left (L)	да	не	не	не
2	Married (M)	не	да	да/не	не
3	Left+Marr (LM)	да	да	не	не
4	Childr (C)	не	не	да	не
5	Left+Childr (LC)	да	не	да	не
6	Left+Marr+Childr (LMC)	да	да	да	не
7	Divorced (D)	да/не	да/не	да/не	да

5 произволни реда от данните:

	idhous	sex	birthyr	nat_1_02	plingu02	p02r01	p02r04	cspfaj	cspmoj	a23	a24	a25	a26	a27	a28	a29	a30	wp00tbgp	wp00tbgs	yr_cuts
327	69531	woman	1926	Switzerland	german	Protestant or Reformed Church	about once a month	qualified manual professions	nan	0	3	3	6	6	6	6	6	1385.64	1.22973	1919-28
386	nan	woman	1945	nan	nan	nan	nan	qualified non-manual professions	nan	1	1	1	1	1	1	1	1	1280.9	1.13678	1939-48
762	nan	man	1934	nan	nan	nan	nan	nan	nan	0	0	0	0	0	0	3	3	1764.67	1.56612	1929-38
1501	89821	man	1911	Switzerland	nan	nan	nan	unqualified non-manual and manual workers	nan	0	0	0	0	0	6	6	6	1158.91	1.02851	1909-18
1752	59191	man	1951	Switzerland	french	Roman Catholic	once a week	intermediate professions	nan	0	0	0	0	0	0	1	3	757.741	0.672483	1949-58

Как изглеждат описателните статистики?

За да добием малко повече представа за това с какви данни разполагаме, ще погледнем описателните статистики (мода, медиана, средна стойност, стандартно отклонение и др.). Те ни позволяват на пръв поглед да видим кои са най-често срещаните стойности в данните.

Първо ще погледнем описателните статистики за числовите променливи в извадката. За тази цел ще използваме метода describe, предоставен от библиотеката за анализ на данни Pandas.

# Извеждане на описателните статистики за числови променливи
df.describe()

1 2	# Извеждане на описателните статистики за числови променливи df.describe()

	idhous	birthyr	a15	a16	a17	a18	a19	a20	a21	a22	a23	a24	a25	a26	a27	a28	a29	a30	wp00tbgp	wp00tbgs
count	1776	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000	2000
mean	73908.7	1942.53	0.014	0.052	0.08	0.154	0.278	0.502	0.776	1.13	1.486	1.844	2.324	2.716	3.065	3.4	3.66	3.888	1193.87	1.06
std	42736	10.46	0.118	0.222	0.305	0.554	0.808	1.135	1.417	1.732	1.951	2.103	2.243	2.317	2.338	2.349	2.32	2.279	707.323	0.628
min	2761	1909	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
25%	36241	1935	0	0	0	0	0	0	0	0	0	0	0	1	1	1	1	2	797.289	0.708
50%	72716	1944	0	0	0	0	0	0	0	0.5	1	1	1	2	3	3	3	3	1007.05	0.894
75%	109864	1951	0	0	0	0	0	1	1	1	2	3	3	6	6	6	6	6	1381.11	1.226
max	148921	1957	1	1	6	6	6	6	7	7	7	7	7	7	7	7	7	7	6793.16	6.029

Годините на раждане са със стойности от 1909 до 1957. Средната година на раждане е 1943 година. За останалите колони describe не дава особено полезна информация, тъй като колоните с години на участниците в проучването (от а15 до а30) съдържат кодове на състоянията. По-нататък в задачата ще анализираме данните в тях.

За да видим описателните статистики за категорийните променливи, ще използваме отново метода describe, но на параметъра include ще зададем стойността object.

# Извеждане на описателните статистики за категорийни променливи
df.describe(include='object')

1 2	# Извеждане на описателните статистики за категорийни променливи df.describe(include='object')

	sex	nat_1_02	plingu02	p02r01	p02r04	cspfaj	cspmoj
count	2000	1775	1647	1566	1566	1584	552
unique	2	21	3	9	10	8	8
top	woman	Switzerland	german	Protestant or Reformed Church	only for family ceremonies	other self-employed	other self-employed
freq	1092	1647	1125	711	521	551	258

От таблицата става ясно например, че в извадката има най-много хора, които са швейцарци и такива с роден език немски. Също така ако погледнем колоната пол, ще видим, че мъжете и жените са приблизително равномерно разпределени. Жените са 1092 на брой, а останалите 908 са мъже.

Изследване на данните

Ще работим предимно с колоните от а15 до а30, тъй като те съдържат данните за състоянията, които ще анализираме. За няколко визуализации ще използваме и някои от останалите колони – пол (sex), година на раждане (birthyr) и роден език
(plingu02).

Първо ще отделим само тези колони в нов DataFrame.

# Избиране на определени колони от данните
df_seq = df.iloc[:,9:25]

1 2	# Избиране на определени колони от данните df_seq = df.iloc[:,9:25]

Данните изглеждат по следния начин:

	a16	a17	a18	a19	a20	a21	a22	a23	a24	a25	a26	a27	a28	a29	a30
203	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1
1539	0	0	0	0	0	0	0	0	2	2	7	7	7	7	7
1170	0	0	0	0	0	3	3	3	3	6	6	6	6	6	6
1367	0	0	0	0	6	6	6	6	6	6	6	6	6	6	6
198	1	1	1	1	1	1	6	6	6	6	6	6	6	6	6

Тъй като така с числа е малко по-трудно да разберем за кое състояние точно става въпрос и е нужно да правим справка, ще кодираме стойностите, за да е по-лесна интерпретацията на данните.

# Кодиране на състоянията
df_seq.replace({0:'P', 1:'L', 2:'M', 3:'LM', 4:'C', 5:'LC', 6:'LMC', 7:'D'}, inplace=True)

1 2	# Кодиране на състоянията df_seq.replace({0:'P', 1:'L', 2:'M', 3:'LM', 4:'C', 5:'LC', 6:'LMC', 7:'D'}, inplace=True)

След кодиране на състоянията данните изглеждат така:

	a15	a16	a17	a18	a19	a20	a21	a22	a23	a24	a25	a26	a27	a28	a29	a30
203	P	L	L	L	L	L	L	L	L	L	L	L	L	L	L	L
1539	P	P	P	P	P	P	P	P	P	M	M	D	D	D	D	D
1170	P	P	P	P	P	P	LM	LM	LM	LM	LMC	LMC	LMC	LMC	LMC	LMC
1367	P	P	P	P	P	LMC	LMC	LMC	LMC	LMC	LMC	LMC	LMC	LMC	LMC	LMC
198	P	L	L	L	L	L	L	LMC	LMC	LMC	LMC	LMC	LMC	LMC	LMC	LMC

Например нека погледнем ред 1170 от таблицата. При него до 20 годишна възраст участникът е живял при родителите си, след което е напуснал и сключил брак на 21 години и 4 години по-късно е имал дете. Състоянието не се променя след това до 30 годишна възраст.

Вероятности за преминаване от едно състояние в друго

С функцията crosstab() първо ще изчислим за всеки ред броя преходи между отделните състояния, след което ще ги групираме и агрегираме с функцията sum() в една обща кръстосана таблица и накрая ще разделим на общия брой за всеки ред, за да получим условните вероятности.

# Създаване на празен списък
trans_matrix = []

# Изчисляване на броя преходи между отделните състояния
for row in df_seq_values:
    trans_matrix.append(pd.crosstab(pd.Series(row[:-1], name='->'),
                                    pd.Series(row[1:], name='to state')))

# Сумиране на стойностите в списъка
trans_matrix = pd.concat(dict(enumerate(trans_matrix))).sum(level=1)

# Сменяне на местата на индексите и колоните
trans_matrix = trans_matrix[['P', 'L', 'M', 'LM', 'C', 'LC', 'LMC', 'D']].reindex(['P', 'L', 'M', 'LM', 'C', 'LC', 'LMC', 'D'])

# Изчисляване на условните вероятности
trans_matrix = trans_matrix.div(trans_matrix.sum(axis=1), axis=0)

# Създаване на празен списък

trans_matrix = []

# Изчисляване на броя преходи между отделните състояния

for row in df_seq_values:

trans_matrix.append(pd.crosstab(pd.Series(row[:-1], name='->'),

pd.Series(row[1:], name='to state')))

# Сумиране на стойностите в списъка

trans_matrix = pd.concat(dict(enumerate(trans_matrix))).sum(level=1)

# Сменяне на местата на индексите и колоните

trans_matrix = trans_matrix[['P', 'L', 'M', 'LM', 'C', 'LC', 'LMC', 'D']].reindex(['P', 'L', 'M', 'LM', 'C', 'LC', 'LMC', 'D'])

# Изчисляване на условните вероятности

trans_matrix = trans_matrix.div(trans_matrix.sum(axis=1), axis=0)

Резултат:

->	P	L	M	LM	C	LC	LMC	D
P	0.886	0.055	0.015	0.032	0	0.001	0.011	0
L	0	0.89	0	0.083	0	0.004	0.023	0
M	0	0	0.969	0.01	0	0	0.011	0.01
LM	0	0	0	0.787	0	0	0.199	0.014
C	0	0	0.125	0	0.812	0.062	0	0
LC	0	0	0	0	0	0.882	0.118	0
LMC	0	0	0	0	0	0	0.994	0.006
D	0	0	0	0	0	0	0	1

Получената таблица е по-различна от стандартната кръстосана таблица, която е симетрична (A -> B е равно на B -> A) и съответно стойностите по диагонала са равни на единица. Тук това не е така и елементите по диагонала отразяват вероятността даденият човек да се намира в конкретното състояние. Най-стабилно е LMC, т.е. участниците, които са семейни, не живеят при родителите и имат деца – 0.994. Другото стабилно състояние е M (сключили брак) със стойност 0.969. При D (разведените) се е получила единица, защото това е последното състояние и данните са ограничени, тъй като обхващат 30 годишен период.

Средна продължителност за пребиваване в състояние

С помощта на стълбовидни диаграми ще представим графично колко време средно участниците пребивават в дадено състояние. Първо ще видим общо за всички участници, а след това според колоната пол.

# Откриване на броя събития по редове
seq_counts = df_seq.apply(pd.Series.value_counts, axis=1).fillna(0).astype(int)

# Изчисляване на средните стойности за всяко състояние
seq_count_means = pd.DataFrame(seq_counts.mean(), columns=['mean'])

# Създаване на фигура
fig = go.Figure()

# Изграждане на стълбовидна диаграма
fig.add_trace(go.Bar(name=str(seq_count_means.index),
                     x=seq_count_means.index,
                     y=seq_count_means['mean']))

# Настройки на визуализацията
fig.update_layout(title_text='Средна продължителност за пребиваване в състояние',
                  yaxis = dict(title='Mean time (n=2000)',
                               tickmode='linear'))

# Показване на визуализацията
fig.show()

# Откриване на броя събития по редове

seq_counts = df_seq.apply(pd.Series.value_counts, axis=1).fillna(0).astype(int)

# Изчисляване на средните стойности за всяко състояние

seq_count_means = pd.DataFrame(seq_counts.mean(), columns=['mean'])

# Създаване на фигура

fig = go.Figure()

# Изграждане на стълбовидна диаграма

fig.add_trace(go.Bar(name=str(seq_count_means.index),

x=seq_count_means.index,

y=seq_count_means['mean']))

# Настройки на визуализацията

fig.update_layout(title_text='Средна продължителност за пребиваване в състояние',

yaxis = dict(title='Mean time (n=2000)',

tickmode='linear'))

# Показване на визуализацията

fig.show()

Най-високо средно време участниците прекарват в състояние P (при родителите). На второ и трето място по средно време са състоянията L (живеят самостоятелно) и LMC (живеят самостоятелно, имат брак и деца).

Нека сега да видим какви са разликите в средното време за пребиваване в дадено състояние при мъже и жени.

# Добавяне на нова колона за пол
seq_counts['sex'] = df['sex']

# Откриване на средните стойности
seq_counts_gender = seq_counts.groupby('sex').mean().T

# Премахване на колоната за пол
seq_counts.drop('sex', axis=1, inplace=True)

# Създаване на празен списък
data_means = []

# Добавяне на стълбовидни диаграми към празния списък
for x in seq_counts_gender.columns:
    data_means.append(go.Bar(name=str(x),
                              x=seq_counts_gender.index,
                              y=seq_counts_gender[x]))

# Създаване на фигура с данните
fig = go.Figure(data_means)

# Настройки на визуализацията
fig.update_layout(title_text='Средна продължителност за пребиваване в състояние по пол',
                      yaxis = dict(title='Mean time (n=2000)',
                                   tickmode='linear'))

# Показване на визуализацията
fig.show()

# Добавяне на нова колона за пол

seq_counts['sex'] = df['sex']

# Откриване на средните стойности

seq_counts_gender = seq_counts.groupby('sex').mean().T

# Премахване на колоната за пол

seq_counts.drop('sex', axis=1, inplace=True)

# Създаване на празен списък

data_means = []

# Добавяне на стълбовидни диаграми към празния списък

for x in seq_counts_gender.columns:

data_means.append(go.Bar(name=str(x),

x=seq_counts_gender.index,

y=seq_counts_gender[x]))

# Създаване на фигура с данните

fig = go.Figure(data_means)

# Настройки на визуализацията

fig.update_layout(title_text='Средна продължителност за пребиваване в състояние по пол',

yaxis = dict(title='Mean time (n=2000)',

tickmode='linear'))

# Показване на визуализацията

fig.show()

От визуализацията става ясно, че мъжете средно живеят по-дълго време при родителите, докато жените по-продължително време са семейни с деца.

Визуализация на определени последователности

На следващите визуализации ще представим определени последователности за конкретни диапазони от индекси. Първо ще видим началните 10, а след това за всички 2000 наблюдения.

# Създаване на нов DataFrame с първите 10 визуализации
seq_counts10 = seq_counts.head(10)

# Създаване на масив с имената на колоните от а15 до а30
ages = np.array(df_seq.columns)

# Създаване на празен списък
data = []

# Добавяне на стълбовидни диаграми към празния списък
for x in seq_counts10.columns:
    data.append(go.Bar(name=str(x),
                       x=seq_counts10[x],
                       y=seq_counts10.index,
                       orientation='h',
                       text=seq_counts10[x],
                       hovertemplate=
                                    '<br><b>Years in state:</b> %{text} '))

# Създаване на фигура с данните
fig = go.Figure(data)

# Настройки на визуализацаията
fig.update_layout(barmode = 'stack',
                  title_text='Първите 10 последователности от събития',
                  bargap=0,
                  xaxis = dict(
                                tickmode = 'array',
                                tickvals = np.arange(1,17),
                                ticktext = ages,
                            ),
                  yaxis = dict(tickmode='linear'))

# Показване на визуализацията
fig.show()

# Създаване на нов DataFrame с първите 10 визуализации

seq_counts10 = seq_counts.head(10)

# Създаване на масив с имената на колоните от а15 до а30

ages = np.array(df_seq.columns)

# Създаване на празен списък

data = []

# Добавяне на стълбовидни диаграми към празния списък

for x in seq_counts10.columns:

data.append(go.Bar(name=str(x),

x=seq_counts10[x],

y=seq_counts10.index,

orientation='h',

text=seq_counts10[x],

hovertemplate=

' Years in state: %{text} '))

# Създаване на фигура с данните

fig = go.Figure(data)

# Настройки на визуализацаията

fig.update_layout(barmode = 'stack',

title_text='Първите 10 последователности от събития',

bargap=0,

xaxis = dict(

tickmode = 'array',

tickvals = np.arange(1,17),

ticktext = ages,

yaxis = dict(tickmode='linear'))

# Показване на визуализацията

fig.show()

Нека погледнем например реда с индекс 4. Този участник е живял при родителите си до 19 годишна възраст, след което е напуснал дома и на 27 години е сключил брак и е имал дете.

# Създаване на празен списък
data = []

# Добавяне на стълбовидни диаграми към празния списък
for x in seq_counts.columns:
    data.append(go.Bar(name=str(x),
                       x=seq_counts[x],
                       y=seq_counts.index,
                       orientation='h',
                       text=seq_counts[x],
                       hovertemplate=
                                    '<br><b>Years in state:</b> %{text} '))

# Създаване на фигура с данните
fig = go.Figure(data)

# Настройки на визуализацията
fig.update_layout(barmode = 'stack',
                  title_text='Index plot',
                  height=600,
                  width=800,
                  bargap=0,
                  xaxis = dict(
                                tickmode = 'array',
                                tickvals = np.arange(1,17),
                                ticktext = ages,
                            ),
                 yaxis=dict(title='2000 seq. (n=2000)'))
fig.update_traces(marker_line_width=0)

# Показване на визуализацията
fig.show()

# Създаване на празен списък

data = []

# Добавяне на стълбовидни диаграми към празния списък

for x in seq_counts.columns:

data.append(go.Bar(name=str(x),

x=seq_counts[x],

y=seq_counts.index,

orientation='h',

text=seq_counts[x],

hovertemplate=

' Years in state: %{text} '))

# Създаване на фигура с данните

fig = go.Figure(data)

# Настройки на визуализацията

fig.update_layout(barmode = 'stack',

title_text='Index plot',

height=600,

width=800,

bargap=0,

xaxis = dict(

tickmode = 'array',

tickvals = np.arange(1,17),

ticktext = ages,

yaxis=dict(title='2000 seq. (n=2000)'))

fig.update_traces(marker_line_width=0)

# Показване на визуализацията

fig.show()

На тази визуализация можем да видим, че синьото надделява над останалите цветове до около 19 годишна възраст, което отново потвърждава извода, който направихме по-рано, че участниците прекарват най-много време, живеейки при родителите си. След 21 години прави впечатление най-вече розовият цвят, който е за състоянието LMC, т.е. след тази възраст повечето участници живеят самостоятелно, имат сключен брак и дете.

Използване на алгоритъма PrefixSpan за откриване на чести последователности

Алгоритъмът PrefixSpan е начин да открием кои последователности от състояния/събития се срещат по-често в нашата извадка. Това става на базата на предварително зададен праг (threshold) за честота на срещане.

Алгоритъмът първо открива тези, които са с дължина от 1 елемент, след което продължава с последователности от повече елементи. Полученият резултат е в следния вид:

<последователност> : <честота на срещане>

За нашия пример, нека кажем, че искаме да видим само онези последователности, които се срещат в 25% от данните. Тъй като имаме 2000 наблюдения, е нужно да видим тези последователности, които се срещат в минимум 500 от тях.

Ще използваме пакета на Python – prefixspan за тази цел.

# Създаване на масив от данните с последователностите
data_ps = np.array(df_seq)

# Използване на функцията PrefixSpan
ps = PrefixSpan(data_ps)

# Откриване на честите последователности
frequents = ps.frequent(500)

# Създаване на нов DataFrame
frequents_df = pd.DataFrame(frequents, columns=['count', 'frequent sequence pattern'])

# Създаване на масив от данните с последователностите

data_ps = np.array(df_seq)

# Използване на функцията PrefixSpan

ps = PrefixSpan(data_ps)

# Откриване на честите последователности

frequents = ps.frequent(500)

# Създаване на нов DataFrame

frequents_df = pd.DataFrame(frequents, columns=['count', 'frequent sequence pattern'])

	count	frequent sequence pattern
0	1972	['P']
1	1896	['P', 'P']
2	1847	['P', 'P', 'P']
3	1762	['P', 'P', 'P', 'P']
4	1631	['P', 'P', 'P', 'P', 'P']
5	1411	['P', 'P', 'P', 'P', 'P', 'P']
6	1191	['P', 'P', 'P', 'P', 'P', 'P', 'P']
7	1000	['P', 'P', 'P', 'P', 'P', 'P', 'P', 'P']
8	833	['P', 'P', 'P', 'P', 'P', 'P', 'P', 'P', 'P']
9	682	['P', 'P', 'P', 'P', 'P', 'P', 'P', 'P', 'P', 'P']
10	509	['P', 'P', 'P', 'P', 'P', 'P', 'P', 'P', 'P', 'P', 'P']
11	564	['P', 'P', 'P', 'P', 'P', 'P', 'P', 'LM']
12	677	['P', 'P', 'P', 'P', 'P', 'P', 'LM']
13	604	['P', 'P', 'P', 'P', 'P', 'P', 'LMC']
14	543	['P', 'P', 'P', 'P', 'P', 'P', 'LMC', 'LMC']
15	792	['P', 'P', 'P', 'P', 'P', 'LM']
16	538	['P', 'P', 'P', 'P', 'P', 'LM', 'LM']
17	712	['P', 'P', 'P', 'P', 'P', 'LMC']
18	638	['P', 'P', 'P', 'P', 'P', 'LMC', 'LMC']
19	556	['P', 'P', 'P', 'P', 'P', 'LMC', 'LMC', 'LMC']

От таблицата става ясно, че най-често срещаните последователности са тези, при които участникът живее известно време при родителите, след което сключва брак и напуска дома. В повече от 700 от всички случаи има и деца.

Как са разпределени състоянията във времето и какво се променя?

Със следващите графики ще представим разпределението на състоянията във времето. Първо ще видим общо за всички наблюдения, а след това според пол и роден език.

# Създаване на празен списък 
data = []

# Добавяне на стълбовидни диаграми към списъка
for x in frequencies.columns:
    data.append(go.Bar(name=str(x),
                       x=frequencies.index,
                       y=frequencies[x]))

# Създаване на фигура с данните
fig = go.Figure(data)

# Настройки на визуализацията
fig.update_layout(barmode = 'stack',
                  title_text='Обща Хронограма',
                  bargap=0)

# Показване на визуализацията
fig.show()

# Създаване на празен списък

data = []

# Добавяне на стълбовидни диаграми към списъка

for x in frequencies.columns:

data.append(go.Bar(name=str(x),

x=frequencies.index,

y=frequencies[x]))

# Създаване на фигура с данните

fig = go.Figure(data)

# Настройки на визуализацията

fig.update_layout(barmode = 'stack',

title_text='Обща Хронограма',

bargap=0)

# Показване на визуализацията

fig.show()

Можем да кажем, че 50% от участниците на възраст 22 години живеят при родителите си, след това с нарастване на възрастта това започва да се променя. Има много малко хора, които са разведени и те са след 25 годишна възраст. Преди това са много редки такива случаи.

# Създаване на списъци със стойностите за пол и роден език
genders = ['man', 'woman']
languages = ['french', 'german', 'italian']

# Филтриране на данните по определен пол и роден език и запазване в нови променливи
for gender in genders:
    locals()['df_seq_'+str(gender)] = df[df['sex']==gender].iloc[:,9:25]
for lang in languages:
    locals()['df_seq_'+str(lang)] = df[df['plingu02']==lang].iloc[:,9:25]

# Създаване на списъци с променливите и отделните наименования
dframes = [df_seq_man, df_seq_woman, df_seq_french, df_seq_german, df_seq_italian]
names = ['man','woman','french','german','italian']

# Откриване на честотите за филтрираните данни по определен пол и роден език
for name, frame in zip(names,dframes):
    frame.replace({0:'P', 1:'L', 2:'M', 3:'LM', 4:'C', 5:'LC', 6:'LMC', 7:'D'}, inplace=True)
    locals()['frequencies_'+str(name)] = frame.apply(pd.Series.value_counts, axis=0).fillna(0) / frame.shape[0]

# Създаване на списък с променливите, съдържащи стойностите за честотите
frequencies_list = [frequencies_man, frequencies_woman, frequencies_french, frequencies_german, frequencies_italian]

# Разместване на индексите и транспониране на данните
for name, frame in zip(names, frequencies_list):
    locals()['frequencies_'+str(name)+'_t'] = frame.reindex(['P','L','M','LM','C','LC','LMC','D']).T

# Създаване на списък с новите данни
transposed_freqs = [frequencies_man_t, frequencies_woman_t, frequencies_french_t, frequencies_german_t, frequencies_italian_t]

# Създаване на празен списък с определен брой елементи и списък с наименованията на визуализациите
data = [ [] for _ in range(len(transposed_freqs)) ]
labels = ['мъже', 'жени', 'хора с роден език френски', 'хора с роден език немски', 'хора с роден език италиански']

# Изграждане на визуализациите
for frame, index, label in zip(transposed_freqs, range(5), labels):

    # Добавяне на стълбовидни диаграми към празния списък
    for x in frame.columns:
        data[index].append(go.Bar(name=str(x),
                                  x=frame.index,
                                  y=frame[x]))
    # Създаване на фигурата с данните
    fig = go.Figure(data[index])

    # Настройки на визуализацията
    fig.update_layout(barmode = 'stack',
                          title_text='Хронограма ' + label,
                          bargap=0)

    # Показване на визуализацията
    fig.show()

# Създаване на списъци със стойностите за пол и роден език

genders = ['man', 'woman']

languages = ['french', 'german', 'italian']

# Филтриране на данните по определен пол и роден език и запазване в нови променливи

for gender in genders:

locals()['df_seq_'+str(gender)] = df[df['sex']==gender].iloc[:,9:25]

for lang in languages:

locals()['df_seq_'+str(lang)] = df[df['plingu02']==lang].iloc[:,9:25]

# Създаване на списъци с променливите и отделните наименования

dframes = [df_seq_man, df_seq_woman, df_seq_french, df_seq_german, df_seq_italian]

names = ['man','woman','french','german','italian']

# Откриване на честотите за филтрираните данни по определен пол и роден език

for name, frame in zip(names,dframes):

frame.replace({0:'P', 1:'L', 2:'M', 3:'LM', 4:'C', 5:'LC', 6:'LMC', 7:'D'}, inplace=True)

locals()['frequencies_'+str(name)] = frame.apply(pd.Series.value_counts, axis=0).fillna(0) / frame.shape[0]

# Създаване на списък с променливите, съдържащи стойностите за честотите

frequencies_list = [frequencies_man, frequencies_woman, frequencies_french, frequencies_german, frequencies_italian]

# Разместване на индексите и транспониране на данните

for name, frame in zip(names, frequencies_list):

locals()['frequencies_'+str(name)+'_t'] = frame.reindex(['P','L','M','LM','C','LC','LMC','D']).T

# Създаване на списък с новите данни

transposed_freqs = [frequencies_man_t, frequencies_woman_t, frequencies_french_t, frequencies_german_t, frequencies_italian_t]

# Създаване на празен списък с определен брой елементи и списък с наименованията на визуализациите

data = [ [] for _ in range(len(transposed_freqs)) ]

labels = ['мъже', 'жени', 'хора с роден език френски', 'хора с роден език немски', 'хора с роден език италиански']

# Изграждане на визуализациите

for frame, index, label in zip(transposed_freqs, range(5), labels):

# Добавяне на стълбовидни диаграми към празния списък

for x in frame.columns:

data[index].append(go.Bar(name=str(x),

x=frame.index,

y=frame[x]))

# Създаване на фигурата с данните

fig = go.Figure(data[index])

# Настройки на визуализацията

fig.update_layout(barmode = 'stack',

title_text='Хронограма ' + label,

bargap=0)

# Показване на визуализацията

fig.show()

Хронограмите според пола на участниците изглеждат по следния начин:

Има доста повече разведени при жените отколкото при мъжете. На 23 годишна възраст 51% от мъжете живеят при родителите си, за разлика от жените, от които 34% са в това състояние на тази възраст. Можем да кажем, че жените по-рано напускат родния дом и живеят самостоятелно. Също отново можем да достигнем до извода, че повече жени са със сключен брак и имат деца отколкото мъже.

Хронограмите според родния език на участниците са следните:

18% от всички италианци, на 29 годишна възраст все още живеят при родителите си за разлика от французите и германците, които са респективно 7% и 9%. За сметка на това обаче само 1% от италианците са разведени. Най-голям е броят на разведените при французите.

Ентропия

Като метрика за оценка на състоянията ще използваме ентропия. Тя е мярка за неопределеност и се повишава с нарастване на състоянията. Ентропията достига максимум, когато всички състояния са с равна вероятност и може да е вертикална или хоризонтална

При изчисление на ентропията ще използваме основа 8, защото имаме 8 възможни състояния. Необходимо е първо да открием стойностите на метриката по колони (вертикална), след което ще визуализираме данните в линейна диаграма.

# Изчисление на ентропията по колони
entropy_df = pd.DataFrame({'ages': frequencies.T.columns,
                           'entropy': np.round(entropy(frequencies.T, base=8), 3)})

# Създаване на фигура
fig = go.Figure()

# Изграждане на визуализация
fig.add_trace(go.Scatter(x = entropy_df['ages'],
                         y= entropy_df['entropy']))

# Настройки на визуализацията
fig['layout']['title'] = 'Entropy index line chart'
fig['layout']['xaxis']['title'] = 'Index'
fig['layout']['yaxis']['title'] = 'Entropy index (n=2000)'

# Показване на визуализацията
fig.show()

# Изчисление на ентропията по колони

entropy_df = pd.DataFrame({'ages': frequencies.T.columns,

'entropy': np.round(entropy(frequencies.T, base=8), 3)})

# Създаване на фигура

fig = go.Figure()

# Изграждане на визуализация

fig.add_trace(go.Scatter(x = entropy_df['ages'],

y= entropy_df['entropy']))

# Настройки на визуализацията

fig['layout']['title'] = 'Entropy index line chart'

fig['layout']['xaxis']['title'] = 'Index'

fig['layout']['yaxis']['title'] = 'Entropy index (n=2000)'

# Показване на визуализацията

fig.show()

От графиката можем да достигнем до следните изводи:

на 15 години всички се намират в едно и също състояние (при родителите) ~ 0
между 24-27 години – активна смяна на семейния статус
над 27 има лек спад, но нивото остава високо

Нека сега да видим какво е положението според пола на участниците и годините на раждане. Ще изчислим ентропията по редове (хоризонтална), след което ще запазим данните в нов DataFrame и след това ще изградим диаграми тип “кутия”.

# Изчисляване на ентропията по редове
entropy_rows = pd.DataFrame({'entropy': entropy(seq_counts, base=8, axis=1)})

# Разделяне на данните по години
df['yr_cuts'] = pd.cut(df['birthyr'],
                       bins=[1909, 1918, 1928, 1938, 1948, 1958],
                       labels=['1909-18', '1919-28', '1929-38', '1939-48', '1949-58']) 

# Създаване на нов DataFrame
df_ge_yr = pd.DataFrame({'sex': df['sex'], 'yrs': df['yr_cuts'], 'entropy': entropy_rows['entropy']})

# Сортиране на стойностите по колоната с годините
df_ge_yr.sort_values(by='yrs', inplace=True)

# Изчисляване на ентропията по редове

entropy_rows = pd.DataFrame({'entropy': entropy(seq_counts, base=8, axis=1)})

# Разделяне на данните по години

df['yr_cuts'] = pd.cut(df['birthyr'],

bins=[1909, 1918, 1928, 1938, 1948, 1958],

labels=['1909-18', '1919-28', '1929-38', '1939-48', '1949-58'])

# Създаване на нов DataFrame

df_ge_yr = pd.DataFrame({'sex': df['sex'], 'yrs': df['yr_cuts'], 'entropy': entropy_rows['entropy']})

# Сортиране на стойностите по колоната с годините

df_ge_yr.sort_values(by='yrs', inplace=True)

В следната таблица са представени 5 случайни реда от данните, които ще използваме за изграждане на визуализациите по-надолу:

	sex	yrs	entropy
940	man	1929-38	0.37388
61	woman	1939-48	0.329566
1298	man	1949-58	0.423927
1103	woman	1949-58	0.473246
1392	woman	1949-58	0.5

# Създаване на фигура
fig = go.Figure()

# Изграждане на визуализация
fig.add_trace(go.Box(x=df_ge_yr['sex'],
                     y=df_ge_yr['entropy'],
                     boxmean=True))

# Настройки на визуализацията
fig['layout']['title'] = 'Entropy boxplots by gender'
fig['layout']['yaxis']['title'] = 'Entropy index'

# Показване на визуализацията
fig.show()

# Създаване на фигура

fig = go.Figure()

# Изграждане на визуализация

fig.add_trace(go.Box(x=df_ge_yr['sex'],

y=df_ge_yr['entropy'],

boxmean=True))

# Настройки на визуализацията

fig['layout']['title'] = 'Entropy boxplots by gender'

fig['layout']['yaxis']['title'] = 'Entropy index'

# Показване на визуализацията

fig.show()

На визуализацията можете да видите диаграми тип “кутия”, представящи разпределението на ентропията според пола на участниците. Можем да кажем, че жените са по-склонни да сменят социалния си статус отколкото мъжете.

# Създаване на фигура
fig = go.Figure()

# Изграждане на визуализацията
fig.add_trace(go.Box(x=df_ge_yr['sex'],
                     y=df_ge_yr['entropy'],
                     boxmean=True))

# Настройки на визуализацията
fig['layout']['title'] = 'Entropy boxplots by gender'
fig['layout']['yaxis']['title'] = 'Entropy index'

# Показване на визуализацията
fig.show()

# Създаване на фигура

fig = go.Figure()

# Изграждане на визуализацията

fig.add_trace(go.Box(x=df_ge_yr['sex'],

y=df_ge_yr['entropy'],

boxmean=True))

# Настройки на визуализацията

fig['layout']['title'] = 'Entropy boxplots by gender'

fig['layout']['yaxis']['title'] = 'Entropy index'

# Показване на визуализацията

fig.show()

Необходимо е към годините на раждане да добавим съответните години от колоните a15-a30, за да добием представа за кой период става въпрос. От визуализацията можем да стигнем до извод, че през 70-те и 80-те години на XX век, хората са били по-активни в смяната на своя социален статус, отколкото в първата половина на века.

Цялостния пример можете да изтеглите от тук.

Извод

С получените резултати от анализа на състояния и събития можем да намерим отговорите на конкретни бизнес въпроси като например кои са типичните последователности, има ли прилики между тях и можем ли да отделим определени модели. Това би помогнало много за подобряването на работата на бизнеса.

Искате да научите повече за машинното обучение?

Включете се в курса по машинно обучение и анализ на данни с Python.

Научете повече

Споделяне чрез:

Подобни статии

Програмиране

Web Scraping: Как да извлечем данни на приложения от Google Play със средствата на Selenium?

Автор: Десислава Христова Случвало ли ви се е да искате да съберете данни от Интернет и да ги анализирате? Например да изтеглите ревюта на потребители

Прочетете повече »

Програмиране

Selenium Webdriver: Автоматизирано тестване на уеб сайтове

Автор: Десислава Христова От ключово значение за успеха на един бизнес е правилното функциониране на неговия уеб сайт. За да сме сигурни, че всичко работи

Прочетете повече »

Програмиране

Machine Learning: Как да прогнозираме цени на автомобили?

Автор: Десислава Христова Регресията е един от методите, прилагани от специалистите в областта на машинното обучение за решаване на конкретни бизнес задачи. В зависимост от

Прочетете повече »

Machine Learning: Как да анализираме последователност от състояния/събития?

С какви данни ще работим?

Изследване на данните

Вероятности за преминаване от едно състояние в друго

Средна продължителност за пребиваване в състояние

Визуализация на определени последователности

Използване на алгоритъма PrefixSpan за откриване на чести последователности

Как са разпределени състоянията във времето и какво се променя?

Ентропия

Извод

Искате да научите повече за машинното обучение?

Споделяне чрез:

Подобни статии

Web Scraping: Как да извлечем данни на приложения от Google Play със средствата на Selenium?

Selenium Webdriver: Автоматизирано тестване на уеб сайтове

Machine Learning: Как да прогнозираме цени на автомобили?

За да предложим по-висококачествена услуга сайта ни използваме бисквитки (cookies)