背景

以前、Pandasを活用し相関の高い記述子を除去するを書いたが、相関の高い特徴が見つかった場合、適当にどちらかの特徴を除去していた。その後、参考に記載しているURLに「その他との相関の絶対値が大きい方を除去している」という記載を見つけたためプログラムを修正した。合わせて処理時間の大幅な改善も行った。

環境

Windows10
python 3.7.3
pandas 0.24.2

ソース

今までいろいろ実験したが、毎回同じようなコードを書くのに嫌気がさしたため、今後はできるだけ関数の形にしていこうと思う。
で、今回早速、関数にした。
dfには説明変数が各列に記載されたデータフレームを与え、thresholdは取り除きたい相関係数のしきい値を与えると、最終的に除去されずに残った特徴のリストを返すようにした。


def corr_column(df, threshold):

    df_corr = df.corr()
    df_corr = abs(df_corr)
    columns = df_corr.columns

    # 対角線の値を0にする
    for i in range(0, len(columns)):
        df_corr.iloc[i, i] = 0

    while True:
        columns = df_corr.columns
        max_corr = 0.0
        query_column = None
        target_column = None

        df_max_column_value = df_corr.max()
        max_corr = df_max_column_value.max()
        query_column = df_max_column_value.idxmax()
        target_column = df_corr[query_column].idxmax()

        if max_corr < threshold:
            # しきい値を超えるものがなかったため終了
            break
        else:
            # しきい値を超えるものがあった場合
            delete_column = None
            saved_column = None

            # その他との相関の絶対値が大きい方を除去
            if sum(df_corr[query_column]) <= sum(df_corr[target_column]):
                delete_column = target_column
                saved_column = query_column
            else:
                delete_column = query_column
                saved_column = target_column

            # 除去すべき特徴を相関行列から消す（行、列）
            df_corr.drop([delete_column], axis=0, inplace=True)
            df_corr.drop([delete_column], axis=1, inplace=True)

    return df_corr.columns

実行速度

前回は、データフレームのindex, columnsでループし、1セルずつ相関をチェックしていたが、今回pandasのmax, idxmax関数を駆使することで大幅に処理時間を短縮できた。
Pandasのデータフレームを1セルずつ処理するのは、実行速度の面で非効率であるということを実感した。

参考

データセットをそのまま解析してエラーになってしまう方へ、基本的なデータの前処理方法を紹介します！