kaggleのテーブルコンペで初心者がとりあえず提出するまで #Python

とりあえず最初の提出を

kaggle初心者の私が、テーブルコンペに参加時にまずやることをまとめました。
今回はTitanicコンペを例に説明します。

まずは以下の3つのことをやっちゃいます。

欠損値処理
カテゴリ変数のエンコーディング
学習

欠損値処理

まずは欠損値の確認をします。

import pandas as pd
import numpy as np

train = pd.read_csv('../input/titanic/train.csv')
train.isna().sum()

PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64

欠損値を処理する方法として、カテゴリ変数の場合は最も多いカテゴリに、数値の場合は平均値や中央値として埋めます。
以下のような関数を定義して使いまわしています。

def process_missing_category(df, columns):
    for column in columns:
        most_category = df[column].value_counts().index[0]
        df[column].fillna((most_category), inplace=True)
    return df

def process_missing_value(df, columns, operations):
    for idx, column in enumerate(columns):
        ope = operations[idx]
        if ope == 'mean':
            df[column].fillna((df[column].mean()), inplace=True)
        elif ope == 'median':
            df[column].fillna((df[column].median()), inplace=True)
        else:
            pass
    return df

以下のように使っています。

train = process_missing_category(train, ['Embarked'])
train = process_missing_value(train, ['Fare'], ['mean'])

カテゴリ変数のエンコーディング

カテゴリ変数となりうるカラムを探します。

train.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          891 non-null    float64
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object 
 11  Embarked     891 non-null    object 
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB

objectであるカラムがカテゴリ変数となりうることが多いです。
ここではSexとEmbarkedをエンコーティングしていきます。
以下のような関数を定義して使いまわしています。

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()

def encode_columns(df, columns=[]):
    categorical_features = []
    for column in columns:
        enc_column = f'{column}_enc'
        df[enc_column] = le.fit_transform(df[column])
        categorical_features.append(enc_column)
    df.drop(columns, axis=1, inplace=True)
    return df, categorical_features

以下のように使っています。

train, categorical_features = encode_columns(train, ["Sex", "Embarked"])

学習

学習前に学習データを必要なカラムだけにします。(現状ではうまく数値に変換できなさそうなものを除いています)

delete_columns = ['Name', 'PassengerId','Ticket', 'Cabin']
train.drop(delete_columns, axis=1, inplace=True)

あとはlightgbmを使って学習させます。

from sklearn.model_selection import train_test_split

y = train['Survived']
X = train.drop('Survived', axis=1)

X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.3, random_state=0, stratify=y)

lgb_train = lgb.Dataset(X_train, y_train, categorical_feature=categorical_features)
lgb_eval = lgb.Dataset(X_valid, y_valid, reference=lgb_train, categorical_feature=categorical_features)

params = {
    'objective': 'binary'
}

model = lgb.train(
    params, lgb_train,
    valid_sets=[lgb_train, lgb_eval],
    verbose_eval=10,
    num_boost_round=1000,
    early_stopping_rounds=10
)

終わりに

とりあえず提出したあとは、

ハイパーパラメータチューニング(誰かがチューニングしたものをみて使用することが多い)
交差検定
特徴量探索

といった形で進めていくことが多いです。
来年は一つでもメダルが取れるように頑張るぞ！