多重共線性が発生していそうな組み合わせを抜き出す

まず相関係数をcorr()メソッドで出してあげる

train_corr = train.corr()
train_corr = train_corr.mask(train_corr[train_corr.columns] == 1.0)
train_corr

実行結果(kaggleのNotebook画面)

この実行結果からfor文を利用し、多重共線性が発生している要素の組み合わせを求める

今回の多重共線性が発生しているとする基準は相関係数が0.8より大きい要素の組み合わせとする。

# for文で実行した相関係数の値を格納するために宣言
corr_list = []

# for文開始を2行目から始めたい為、変数に1を渡し、後に配列番号として利用する。
# 2行目から開始したい理由としては同じ要素同士の相関係数は1になり、計算にリソースを取られた
# くないことに加えてfor文の中で1ずつ加算することによって必要のない計算はスキップできる。
ind_st = 1

# カラムでfor文を回す。最後の列は計算に含めたくなため、:-1で指定している
for col in train_corr.columns[:-1]:

    # カラムfor文の中でインデックスfor文を回すことで1列毎に対して指定した分の行を回すことができる
    for ind in train_corr.index[ind_st:]:
        # [col][ind]で列と行の相関係数を見ることで相関係数をtmpに渡す
        tmp = train_corr[col][ind]
        
        if tmp > 0.8:
            print(tmp)
            
            #appendの際に(())で二重括弧にしているのはタプル形式で変数に追加するため。
            corr_list.append((col, ind, tmp))
            
    #次の周回の時に一つ下の行で処理を行うために、1加算する
    ind_st += 1

実行結果

0.8256674841743408
0.8195299750050339
0.8254893743088425
0.882475414281462

これだけではどの組み合わせかわからないので、for文の中のif文で定義づけた、相関係数が0.8より大き要素名と、相関係数を渡した変数corr_listを呼び出す

corr_list

実行結果

[('YearBuilt', 'GarageYrBlt', 0.8256674841743408),
 ('TotalBsmtSF', '1stFlrSF', 0.8195299750050339),
 ('GrLivArea', 'TotRmsAbvGrd', 0.8254893743088425),
 ('GarageCars', 'GarageArea', 0.882475414281462)]

カラム名, インデックス名, 相関係数といった形がタプルとして保管されている。

ハマったところ

今回個人的にハマってわからなかった場所としては列x行総当たりのような処理。

for col in df.columns:
    for ind in df.index:

こういった書き方で1列に全行という処理ができることを学習した。
今後も使うことがあると思うのでメモ