Python预测分析实战

第2章　理解问题和准备数据

本章主要内容

● 理解业务问题并提出解决方案。

● 引入钻石价格数据集及相关的实践项目。

● 引入信用卡违约数据集及相关的实践项目。

我们在第1章介绍了预测分析过程、一些相关的基本定义和主要的Python生态系统库。本章开始着手处理数据集，并深入介绍预测分析过程的第一阶段和第二阶段，即理解问题和定义问题以及收集数据和准备数据。

在本章中，我们先讨论理解问题和定义问题时最需要注意的方面，比如，是否掌握了足够的背景知识、预测对象如何定义、数据如何处理，然后提出解决方案。

接着，我们将进入实践阶段，引入两个数据集（它们也将用于本书的其余章节）和一些虚拟的业务问题。这些数据集不仅将被用来讨论理解问题和定义问题，还将被用来讨论收集数据和准备数据。同时，我们还将引入该阶段的一些实践性问题，比如缺失值处理、分类特征编码、共线性问题、低方差特征等，最后还会简单介绍特征工程。

2.1　技术要求

● Python 3.6或更高版本。

● Jupyter Notebook。

● 最新版本的Python库：NumPy、pandas和Matplotlib。

2.2　理解业务问题并提出解决方案

在本节中，我们将讨论业务问题的定义和内涵，以及定义过程中的其他事宜，会使用预测分析来解决问题。该阶段的细节完全取决于项目，因此我们仅给出一般性的指导建议。但在讨论实践案例时，我们会在预测分析项目中具体介绍理解问题的一些必要考虑因素。

2.2.1　背景决定一切

上文提到的“理解问题和定义问题”是预测分析过程的第一个阶段。正如第1章所述，这个阶段非常关键，因为这时需要与利益相关方共同树立预测分析项目的目标。

● 待解决的问题是什么？

● 如何基于业务角度评价解决方案？

因此，任何预测分析项目的第一个任务就是理解问题的背景。正如第1章所述，预测分析总处在某个特定的领域。显然，对该领域的理解越全面，对问题的理解就会越准确，提出的解决方案就会越恰当。 ...