刘畊宏男孩女孩看过来！运动数据分析挖掘！? 数据挖掘数据分析kaggle

文章图片

作者：韩信子@ShowMeAI
数据分析 ? 技能提升系列：https://www.showmeai.tech/tutorials/33
AI 面试题库系列：https://www.showmeai.tech/tutorials/48
本文地址：https://www.showmeai.tech/article-detail/301
声明：版权所有，转载请联系平台与作者并注明出处
收藏ShowMeAI查看更多精彩内容

因为疫情，2年多的时间里，大家多了很多居家的经历，但是运动健康并不能因为居家而停止，健身随时随处可以进行！健身环大冒险等大热，而前阵子的刘畊宏跳操，带火了一大票畊宏男孩女孩，可穿戴设备市场大涨，而这些设备也记录了大量的运动数据。

文章图片

现在有非常多的运动穿戴设备，比如简单的小米手环，到fitbit，到apple watch，而数据科学领域的从业者们，我们众多的数据分析师和数据科学家，可以轻松分析健身设备上收集的数据，把数据科学和医疗保健结合起来。

文章图片

在本篇内容中，ShowMeAI就基于 fitbit 手环记录的一部分数据，讲解如何进行有效的数据分析。本次使用的数据集可以在 Kaggle 平台上免费下载。大家也可以通过ShowMeAI的网盘直接下载。

实战数据集下载（百度网盘）：公众号『ShowMeAI研究中心』回复『实战』，或者点击这里获取本文 [[12] 运动手环的数据分析挖掘与建模案例](https://www.showmeai.tech/art...) 『Fitabase 运动佩戴设备数据集』
? ShowMeAI官方GitHub：https://github.com/ShowMeAI-Hub

文章图片

本篇内容涉及的工具库，大家可以参考ShowMeAI制作的工具库速查表和教程进行学习和快速使用。

数据科学工具库速查表 | Pandas 速查表

图解数据分析：从入门到精通系列教程

数据导入我们先导入所需工具库，并读取数据：

import pandas as pd import numpy as np import matplotlib.pyplot as plt import plotly.express as px import plotly.graph_objects as go# 读取数据 data = https://www.it610.com/article/pd.read_csv('dailyActivity_merged.csv') print(data.head())

文章图片

该数据集由2016年12月3日-2016年12月5日期间通过亚马逊Mechanical Turk进行的分布式调查的受访者产生。30名符合条件的Fitbit用户同意提交个人追踪器数据，包括身体活动、心率和睡眠监测的分钟级输出。个人报告可以通过输出会话ID（A列）或时间戳（B列）进行解析。输出结果之间的差异代表了不同类型的Fitbit追踪器的使用和个人追踪行为/偏好。

初步分析我们先看看这个数据集的缺失值情况：

data.isnull().sum()

文章图片

我们可以通过info和describe查看数据基本信息。

data.info()

文章图片

我们在数据中看到记录时间的字段ActivityDate，我们把它转换为时间型，以便进行后续进一步分析。

# 更改 ActivityDate 的数据类型。 data["ActivityDate"] = pd.to_datetime(data["ActivityDate"], format="%m/%d/%Y")

我们从字段名称中可以看到，有记录『非常活跃』、『相当活跃』、『轻度活跃』和『久坐』的时间信息，分别是VeryActiveMinutes、FairlyActiveMinutes、LightlyActiveMinutes、SedentaryMinutes，我们对所有时间做一个汇总。

data["TotalMinutes"] = data["VeryActiveMinutes"] + data["FairlyActiveMinutes"] + data["LightlyActiveMinutes"] + data["SedentaryMinutes"] data["TotalMinutes"].sample(5)

文章图片

我们通过describe函数查看一下数据集的描述性统计数据。

data.describe()

文章图片

EDA 探索性数据分析数据集中的“卡路里”列记录了每天燃烧多少卡路里，我们基于它做一点分析。

# 研究一下每日总步数和消耗的卡路里之间的联系。 figure = px.scatter(data_frame = data, x="Calories", y="TotalSteps", size="VeryActiveMinutes", trendline="ols", title="总步数和消耗的卡路里的关系") figure.show()

文章图片

从上图可以看出，每日热量消耗与所采取的总步数之间存在直接关联。同样的思路我们分析一下总路程和消耗卡路里的关系：

# 研究一下每日总路程和消耗的卡路里之间的联系。 figure = px.scatter(data_frame = data.dropna(), x="Calories", y="TotalDistance", size="VeryActiveMinutes", trendline="lowess", color='TotalSteps', title="总路程和消耗的卡路里的关系") figure.show()

文章图片

上图可以看到，总路程和卡路里之间也是正相关的关系。下面让我们分析一下一天中的平均总活跃分钟数。

label = ["Very Active Minutes", "Fairly Active Minutes", "Lightly Active Minutes", "Inactive Minutes"] counts = data[["VeryActiveMinutes", "FairlyActiveMinutes", "LightlyActiveMinutes", "SedentaryMinutes"]].mean() colors = ["gold","lightgreen", "pink", "blue"]fig = go.Figure(data=https://www.it610.com/article/[go.Pie(labels=label, values=counts)]) fig.update_layout(title_text="总活动时间") fig.update_traces(hoverinfo="label+percent", textinfo="value", textfont_size=24, marker=dict(colors=colors, line=dict(color="black", width=3))) fig.show()

文章图片

一些观察结论：

81.3% 的非活动分钟数
15.8% 的轻度活动分钟数
平均21 分钟（1.74%）非常活跃
评价13 分钟（1.11%）的相当活跃的分钟数

下面我们展开做一点更详细的分析，我们先抽取更细化的信息，我们添加一个新字段“Day”记录星期几。

data["Day"] = data["ActivityDate"].dt.day_name() data["Day"].head()

文章图片

下面我们可视化对比一下一周中每一天的『非常活跃』、『相当活跃』和『轻度活跃』的分钟数。

fig = go.Figure()fig.add_trace(go.Bar( x=data["Day"], y=data["VeryActiveMinutes"], name="Very Active", marker_color="purple" ))fig.add_trace(go.Bar( x=data["Day"], y=data["FairlyActiveMinutes"], name="Fairly Active", marker_color="green" ))fig.add_trace(go.Bar( x=data["Day"], y=data["LightlyActiveMinutes"], name="Lightly Active", marker_color="pink" ))fig.update_layout(barmode="group", xaxis_tickangle=-45)fig.show()

文章图片

让我们看看一周中每一天的非活动分钟数。

day = data["Day"].value_counts() label = day.index counts = data["SedentaryMinutes"]colors = ['gold','lightgreen', "pink", "blue", "skyblue", "cyan", "orange"] fig = go.Figure(data=https://www.it610.com/article/[go.Pie(labels=label, values=counts)])fig.update_layout(title_text='Inactive Minutes Daily') fig.update_traces(hoverinfo='label+percent', textinfo='value', textfont_size=30, marker=dict(colors=colors, line=dict(color='black', width=3))) fig.show()

文章图片

从这份数据看来，星期四是大家最不活跃的一天。下面我们来看看一周中每一天燃烧的卡路里数。

calories = data["Day"].value_counts() label = calories.index counts = data["Calories"]colors = ['gold','lightgreen', "pink", "blue", "skyblue", "cyan", "orange"] fig = go.Figure(data=https://www.it610.com/article/[go.Pie(labels=label, values=counts)])fig.update_layout(title_text='Calories Burned Daily') fig.update_traces(hoverinfo='label+percent', textinfo='value', textfont_size=30, marker=dict(colors=colors, line=dict(color='black', width=3))) fig.show()

文章图片

从上图可以看出，星期二是这份数据集中的用户最活跃的日子之一，这一天燃烧的卡路里最多。下面我们分析一下每日步数：

import seaborn as sns sns.set(rc={'figure.figsize':(8,6)}) activity_by_week_day = sns.barplot(x="Day", y="TotalSteps", data=https://www.it610.com/article/data, order=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'], capsize=.2)

文章图片

每日消耗卡路里预估下面我们搭建一个模型，对于每日消耗的卡路里进行建模预估。

本部分涉及到的模型知识与建模操作方法，参见ShowMeAI以下部分教程：

图解机器学习算法：从入门到精通系列教程

机器学习实战：手把手教你玩转机器学习系列

我们剔除ID类特征和日期特征，把『Calories』作为目标，把其他字段作为特征，注意其中的『星期几/Day』字段是类别型，我们要单独编码一下。

features = ['TotalSteps', 'TotalDistance', 'TrackerDistance', 'LoggedActivitiesDistance', 'VeryActiveDistance', 'ModeratelyActiveDistance', 'LightActiveDistance', 'SedentaryActiveDistance', 'VeryActiveMinutes', 'FairlyActiveMinutes', 'LightlyActiveMinutes', 'SedentaryMinutes', 'TotalMinutes', 'Day'] target = 'Calories'# 数据切分 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(data[features], data[target], test_size=0.2, random_state=0)# 使用lightgbm训练 from lightgbm import LGBMRegressor lgbm = LGBMRegressor(n_estimators=1000, learning_rate=0.05, random_state=0)# 「星期几」字段编码 from sklearn.preprocessing import LabelEncoder le = LabelEncoder() X_train['Day'] = le.fit_transform(X_train['Day']) X_test['Day'] = le.transform(X_test['Day'])# 拟合模型 lgbm.fit(X_train, y_train)# 测试集预估 predictions = lgbm.predict(X_test)# 计算测试集RMSE from sklearn.metrics import mean_squared_error rmse = np.sqrt(mean_squared_error(y_test, predictions)) print("RMSE: %f" % (rmse))

运行得到结果为RMSE: 373.128953
为了更准确地进行建模和评估，我们使用网格搜索交叉验证进行超参数优化：

# 使用网格搜索对lightgbm模型进行超参数调优 from sklearn.model_selection import GridSearchCV parameters = { 'learning_rate': [0.02, 0.05, 0.08, 0.1], 'max_depth': [5, 7, 10], 'feature_fraction': [0.6, 0.8, 0.9], 'subsample': [0.6, 0.8, 0.9], 'n_estimators': [100, 200, 500, 1000]}# 网格搜索 grid_search = GridSearchCV(lgbm, parameters, cv=5, n_jobs=-1, verbose=1)# 最佳模型 grid_search.fit(X_train, y_train) best_lgbm = grid_search.best_estimator_ # 输出最佳超参数 print(grid_search.best_params_) # 测试集预估 predictions = best_lgbm.predict(X_test) # 计算RMSE from sklearn.metrics import mean_squared_error rmse = np.sqrt(mean_squared_error(y_test, predictions)) print("RMSE: %f" % (rmse))

最终结果输出

{'feature_fraction': 0.6, 'learning_rate': 0.05, 'max_depth': 5, 'n_estimators': 1000, 'subsample': 0.6} RMSE: 352.782209

我们可以看到，调参后的模型在测试集上表现更优。最后我们输出一下特征重要度，看看那些因素对于卡路里消耗更加重要：

#绘制特征重要度 import matplotlib.pyplot as plt plt.figure(figsize=(20,10)) importance = best_lgbm.feature_importances_ feature_importance = pd.DataFrame({'feature': features, 'importance': importance}) feature_importance = feature_importance.sort_values('importance', ascending=True) feature_importance.plot.barh(x='feature', y='importance', figsize=(20,10))

文章图片

可以看到，每日总步数对结果影响最大，大家要多多抬腿多多运动！
参考资料

实战数据集下载（百度网盘）：公众号『ShowMeAI研究中心』回复『实战』，或者点击这里获取本文 [[12] 运动手环的数据分析挖掘与建模案例](https://www.showmeai.tech/art...) 『Fitabase 运动佩戴设备数据集』
? ShowMeAI官方GitHub：https://github.com/ShowMeAI-Hub
数据科学工具库速查表 | Pandas 速查表 https://www.showmeai.tech/article-detail/101
图解数据分析：从入门到精通系列教程 https://www.showmeai.tech/tutorials/33
图解机器学习算法：从入门到精通系列教程 https://www.showmeai.tech/tutorials/34
机器学习实战：手把手教你玩转机器学习系列 https://www.showmeai.tech/tutorials/41

【刘畊宏男孩女孩看过来！运动数据分析挖掘！?】