importpandas as pd
importnumpy as np
importmatplotlib.pyplot as plt
importseaborn as sns
importtime# 导入 time 库
importwarnings
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False# 防止负号显示问题
# 导入 Pipeline 和相关预处理工具
fromsklearn.pipelineimportPipeline# 用于创建机器学习工作流
fromsklearn.composeimportColumnTransformer# 用于将不同的预处理应用于不同的列，之前是对datafame的某一列手动处理，如果在pipeline中直接用standardScaler等函数就会对所有列处理，所以要用到这个工具
fromsklearn.preprocessingimportOrdinalEncoder, OneHotEncoder, StandardScaler# 用于数据预处理
fromsklearn.imputeimportSimpleImputer# 用于处理缺失值
# 机器学习相关库
fromsklearn.ensembleimportRandomForestClassifier
fromsklearn.metricsimportclassification_report, confusion_matrix, accuracy_score, precision_score, recall_score, f1_score
fromsklearn.model_selectionimporttrain_test_split# 只导入 train_test_split
# --- 加载原始数据 ---
data=pd.read_csv('D:\Desktop\Postgraduate\PythonStudy\Python打卡训练营\Python打卡训练营\python60-days-challenge-master\data.csv')
# Pipeline 将直接处理分割后的原始数据 X_train, X_test
# 原手动预处理步骤 (将被Pipeline替代):
# Home Ownership 标签编码
# Years in current job 标签编码
# Purpose 独热编码
# Term 0 - 1 映射并重命名
# 连续特征用众数补全
# --- 分离特征和标签 (使用原始数据) ---
y=data['Credit Default']
X=data.drop(['Credit Default'], axis=1)
# --- 划分训练集和测试集 (在任何预处理之前划分) ---
# X_train 和 X_test 现在是原始数据中划分出来的部分，不包含你之前的任何手动预处理结果
X_train, X_test, y_train, y_test=train_test_split(X, y, test_size=0.2, random_state=42)
# --- 定义不同列的类型和它们对应的预处理步骤 (这些将被放入 Pipeline 的 ColumnTransformer 中) ---
# 这些定义是基于原始数据 X 的列类型来确定的
# 识别原始的 object 列 (对应你原代码中的 discrete_features 在预处理前)
object_cols=X.select_dtypes(include=['object']).columns.tolist()
# 有序分类特征 (对应你之前的标签编码)
# 注意：OrdinalEncoder默认编码为0, 1, 2... 对应你之前的1, 2, 3...需要在模型解释时注意
# 这里的类别顺序需要和你之前映射的顺序一致
ordinal_features=['Home Ownership','Years in current job','Term']
# 定义每个有序特征的类别顺序，这个顺序决定了编码后的数值大小
ordinal_categories=[
['Own Home','Rent','Have Mortgage','Home Mortgage'],# Home Ownership 的顺序 (对应1, 2, 3, 4)
['< 1 year','1 year','2 years','3 years','4 years','5 years','6 years','7 years','8 years','9 years','10+ years'],# Years in current job 的顺序 (对应1-11)
['Short Term','Long Term']# Term 的顺序 (对应0, 1)
]
# 先用众数填充分类特征的缺失值，然后进行有序编码
ordinal_transformer=Pipeline(steps=[
('imputer', SimpleImputer(strategy='most_frequent')),# 用众数填充分类特征的缺失值
('encoder', OrdinalEncoder(categories=ordinal_categories, handle_unknown='use_encoded_value', unknown_value=-1))
])
# 分类特征
nominal_features=['Purpose']# 使用原始列名
# 先用众数填充分类特征的缺失值，然后进行独热编码
nominal_transformer=Pipeline(steps=[
('imputer', SimpleImputer(strategy='most_frequent')),# 用众数填充分类特征的缺失值
('onehot', OneHotEncoder(handle_unknown='ignore', sparse_output=False))# sparse_output=False 使输出为密集数组
])
# 连续特征
# 从X的列中排除掉分类特征，得到连续特征列表
continuous_features=X.columns.difference(object_cols).tolist()# 原始X中非object类型的列
# 先用众数填充缺失值，然后进行标准化
continuous_transformer=Pipeline(steps=[
('imputer', SimpleImputer(strategy='most_frequent')),# 用众数填充缺失值 (复现你的原始逻辑)
('scaler', StandardScaler())# 标准化，一个好的实践
])
# --- 构建 ColumnTransformer ---
# 将不同的预处理应用于不同的列子集，构造一个完备的转化器
preprocessor=ColumnTransformer(
transformers=[
('ordinal', ordinal_transformer, ordinal_features),
('nominal', nominal_transformer, nominal_features),
('continuous', continuous_transformer, continuous_features)
],
remainder='passthrough'# 保留没有在transformers中指定的列（如果存在的话），或者 'drop' 丢弃
)
# --- 构建完整的 Pipeline ---
# 将预处理器和模型串联起来
# 使用你原代码中 RandomForestClassifier 的默认参数和 random_state，这里的参数用到了元组这个数据结构
pipeline=Pipeline(steps=[
('preprocessor', preprocessor),# 第一步：应用所有的预处理 (ColumnTransformer)
('classifier', RandomForestClassifier(random_state=42))# 第二步：随机森林分类器
])
# --- 1. 使用 Pipeline 在划分好的训练集和测试集上评估 ---
print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")
start_time=time.time()# 记录开始时间
# 在原始的 X_train 上拟合整个Pipeline
# Pipeline会自动按顺序执行preprocessor的fit_transform(X_train)，然后用处理后的数据拟合classifier
pipeline.fit(X_train, y_train)
# 在原始的 X_test 上进行预测
# Pipeline会自动按顺序执行preprocessor的transform(X_test)，然后用处理后的数据进行预测
pipeline_pred=pipeline.predict(X_test)
end_time=time.time()# 记录结束时间
print(f"训练与预测耗时: {end_time - start_time:.4f} 秒")# 使用你原代码的输出格式
print("\n默认随机森林 在测试集上的分类报告：")# 使用你原代码的输出文本
print(classification_report(y_test, pipeline_pred))
print("默认随机森林 在测试集上的混淆矩阵：")# 使用你原代码的输出文本
print(confusion_matrix(y_test, pipeline_pred))
| 
