Analyse pratique des composants principaux avec PyCaret [Normalisation + visualisation (tracé)] Mémo

Aperçu

• L'APC a été réalisée avec PyCaret. (Les hyper paramètres etc. ne sont pas optimisés)
• L'ACP a été réalisée avec une certaine quantité de données de puissance.

Code source

• Propre code source de formatage des données (sale): 13 lignes

Propre code de formatage des données

import pandas as pd
def load_sampledata():
    data = pd.read_csv(r'pycaret_sample.csv',
            encoding='shift-jis',
            engine='python',
            index_col=[0],
            parse_dates=[0])

    data = data.resample('h').sum()
    data['hour'] = data.index.hour
    data['date'] = data.index.strftime('%Y-%m-%d (%a)')
    dataset = data.pivot(index='hour',columns='date',values='Énergie électrique')
    dataset = dataset.T.reset_index()
    return dataset

• Configuration PyCaret: 2 lignes

setup

from pycaret.clustering import * 
clu = setup(data = load_sampledata(),normalize=True)

• Vous pouvez vérifier le contenu de la configuration

• Modélisation PyCaret + tracé: 2 lignes

create_model&plot

# creating a model
hclust = create_model('hclust')
# plotting a model
plot_model(hclust,plot='cluster',feature='date')

• Vous pouvez même visualiser PCA en 2 lignes.

Résumé

• PyCaret est incroyable.
• Si vous commencez à écrire avec cela, vous ne pourrez pas écrire sans wrapper.
• Vous pouvez régler et écrire très rapidement. C'est incroyable.