七夕，阿里云AI帮你算算你的撩妹战斗值

这篇文章给大家聊聊关于七夕，阿里云AI帮你算算你的撩妹战斗值 ，以及对应的知识点，希望对各位有所帮助，不要忘了收藏本站哦。

“俗话说，一个名字就像一个人一样，命运是生命的后半部分。”

“采取行动要比移动更好。让我们测试自己的名字并匹配命运！”

您一定已经在许多微信帐户，电视节目甚至奇怪的小网站上看到了这些单词。

您必须非常好奇名称命运测试背后的科学依据。

今天，作为一名经验丰富的数据科学驱动力，尽管我无法直接与特定人一起测试您的直接命运，但我们可以使用哥伦比亚大学多年的辛勤工作来研究盲日期并查找合作伙伴，并使用一些简单的特征来评估您的盲目战斗效果指数。

特定模型的测试页面在这里。在正式启动实验之前，我们需要找到一个简单，易于使用且易于使用的工具。在这里，我建议一波Alibaba Cloud的Pai-DSW Explorer版本，该版本适用于个人开发人员，可以使用免费的GPU资源。实验数据将免费保存30天。单击此处登录并直接使用它。今天，我们将使用此工具来探索人性的奥秘，并进入性别关系的神秘空间，呵呵呵呵。

从2002年到2004年，从离线快速盲目的实验中收集了整个实验的数据。在本实验中，要求参与者参加多个快速盲人日期，每轮持续4分钟。 4分钟后，两个参与者都被问到是否想再次见到伴侣。只有双方回答“是”时，这个盲人的日期才能被认为是成功的对决。

同时，还将要求参与者以定量的方式评估他们的盲日期：外表吸引力，诚意，智商，有趣，职业志向和爱好。

该数据集还包含有关参与者参加快速盲日期的许多其他相关信息，例如地理位置，偏好，理想主题的偏好，收入水平，职业和教育背景。有关整个数据集的特定特征描述，请参阅此文件。

我们实验的目的主要是要找出一个人会见他被吸引的人的机会有多大，并在他快速失明时成功握住了双手。

在我们建模和分析人性的秘密之前，让我们阅读数据，看看数据集的外观。

导入pandas作为pddf=pd.read_csv（\’速度约会data.csv\’，encoding=\’gbk\’）打印（df. shape）通过观察，并不难发现在短短的两年中，该实验的小酒馆经历了8,000多个快速的盲目实验。由此我们可以轻松地推断出小酒馆的所有者应该发财（重雾）

然后从数据的宽度来看，我们将发现总共有近200个功能。对于每个功能的具体说明，您可以参考此文档。然后，我们观察数据的完整性，以查看是否缺少数据。

百分比_missing=df.isnull（）。不难发现实际上缺少许多功能。当我们稍后分析和建模时，需要注意这一点。因为一旦功能缺少大量数据，它将导致更大的分析错误或减少模型过度/精度。阅读了数据的完整性后，我们可以继续探索。

然后出现了第一个问题。在这些超过8,000个快速盲人日期中，有多少个盲人约会成功地找到了适合双方的合适伙伴？考虑到这个问题，我们可以开始我们的第一个探索性数据分析。

有多少人找到对象plt.subplot（figsize=（3,3），dpi=110，）构造数据size_of_groups=df.match.value_counts（）。valuessingle_percentage=round=round（size_of_groups size_groups [0]/sum（size_of_groups）圆（size_of_groups [1]/sum（size_of_groups）* 100,2）名称=[\’sings3:\’ + str（single_percentage） +\’\’，\’匹配\’ + str\’ + str（matched_percentage） +\’\’\’]颜色=pastel1_3.hex_colors）plt.show（）

从上面的饼图中，我们可以发现通过快速盲日期查找对象的速率仅为16.47。

然后，我们面临第二个问题，这个比率是否与参加人的性别有关？在这里，我们还使用Pandas自己的过滤器方法

df [df.gender==0]在数据集中过滤性别。通过阅读数据集中的文件，我们知道0代表女孩，1代表男孩。然后，我们执行类似的代码

有多少女孩找到对象plt.subplot（figsize=（3,3），dpi=110，）构造data size_of_groups=df [df.gender==0] .match.value_counts（）。值男孩只需要替换为1 single_percentage=size_percentage=size_fe_f_f_f_gof_groups [0] size [0] size [0]/size [0]/size [0] *] Matched_percentage=round（size_of_groups [1]/sum（size_of_groups）* 100,2）names=[\’sings:\’ + str（single_percentage） +\’\’，\’匹配\’ + str\’ + str（matched_percentage） +\’ +\’\’] colors=pastel1_3.hex_colors）plt.show（）分别在快速盲人约会中找出男孩和男孩的机会。

女孩的赔率：

男孩的机会：

不难发现，在快速盲人日期中，女孩仍然比男孩有一点优势。一个女孩成功匹配的机会超过0.04，而男孩成功匹配的机会。

然后第二个问题是：哪些人正在参加快速盲日期之类的活动？他们真的是所有年龄较大的年轻人（年龄超过30岁）吗？目前，我们可以通过执行参与者的年龄分布来进行统计分析。

年龄分布年龄=df [np.Isfinite（df [\’age\’]）] [\’age\’] plt.Hist（年龄，bins=35）

但是，在这里，我们可以提供一种非常有用的方法来探索称为数据相关分析的相关性。通过阅读数据集的描述，我选择了一些合适的功能供您执行相关分析。这里的适当定义是指：1。数据是数字类型，而不是无法量化的值，例如字符串。 2。缺少数据速率很低

date_df=df [[[\’iid\’，\’性别\’，\’pid\’，\’匹配\’，\’int_corr\’，\’samerace\’，\’age_o\’，\’race_o\’，\’pf_o_att\’，\’pf_o_o_sin\’ \’attr_o\’，\’sinc_o\’，\’intel_o\’，\’fun_o\’，\’oke_o\’，\’prog_o\’，\’prog_o\’，\’met_o\’，\’met_o\’，\’age\’\’，\’race\’rack\’rivace\’rivace\’rivelig\’\’\’，目标\’，date\’dode\’date\’date\’date\’date\’go_out\’go_out\’go_out\’go_out\’carety_c\’carety_c\’cariew of carters\’\’\’\’\’\’\’\’\’\’\’\’\’\’\’\’\’\’\’ “远足”，“游戏”，“俱乐部”，“阅读”，“电视”，“戏剧”，“电影”，“音乐会”，“音乐\’，\’Music\’，“购物”，“ Yoga\’，\’yoga\’，\’attr1_1\’，\’sinc1_1\’，\’sinc1_1\’，\’intel1_1\’，\’intel1_1\’，fun1_1\’，fun1_1\’，\’fun1_1\’，\’amb1_1\’，\’amb1_1\’，“ \’intel3_1\’，\’dec\’，\’attr\’，\’sinc\’，\’intel\’，\’fun\’\’，\’\’，“ prob”，“ met”，]]heatmapplt.subplots（figsize=（20,15）ax=plt.axes（plt.axes（plt.axes）（） Xticklabels=corr.columns.values，yticklabels=corr.columns.values）

通过上图中相关分析的热图，我们可以首先关注一些特别明亮和黑暗的斑点。例如，我们可以发现，用PF_O_ATT表示，它代表了盲人日期对象给出的外观吸引力，基本上与其他盲人日期对象给出的分数严重呈负相关，除了PF_O_FUN功能。从中，我们可以推断出两点：

外观更具吸引力的人在智商，职业志向和诚意方面的表现相对较差。换句话说，外观越高，幽默和有趣的人越可能使人们在外观上感到有吸引力。例如，下面的幽默有趣的人（重雾）:

然后，让我们看一下我们最关注的功能匹配。哪些功能与此功能更相关？发现“ attr_o”，“ sinc_o”，“ intel_o”，“ fun_o”，“ amb_o”，“ shar_o\’的特征”并不难，这是另一方在外观，诚意，iq，iq，fun，fun，“职业，职业生涯和爱好”中给出的分数。接下来，我们可以基于此建模。首先，我们将功能和结果列放入数据框架中，然后删除包含空值的记录。最后，我们将其分为X和Y进行培训。当然，在被分为X和Y之后，由于我们一开始发现只有16.47的参与会议已成功匹配，因此我们的数据非常不平衡。在这里，我们可以使用SVMSMOTE来增加数据量，以避免过度拟合模型。

准备dataclean_df=df [[\’attr_o\’，\’sinc_o\’，\’intel_o\’，\’fun_o\’，\’amb_o\’，\’shar_o\’，\’shar_o\’，\’match\’]]] x=clean_df [[\’attr_o\’，\’sinc_o\’，\’intel_o\’，\’fun_o\’，\’amb_o\’，\’shar_o\’，]] y=clean_df [\’match\’]=imblearn.over_sampling.SVMSMOTE()X, y=oversample.fit_resample(X, y)# Do the training set and test set to split X_train, X_test, y_train, y_test=train_test_split(X, y, test_size=0.2, random_state=0, stratify=y) After the data is ready, we can build and train the model.使用以下代码，我们可以构建一个简单的逻辑回归模型并在测试集上进行测试。

逻辑回归分类模型模型=LogisticRegress（C=1，Random_State=0）lrc=model.fit（x_train，y_train）prective_train_train_lrc=lrc.predict（x_train）（xtrain）predict_test_test_test_lrc=lrc.predict（x_test） Metrics.Accuracy_score（Y_Train，Prective_train_lrc））打印（\’验证精度：\’，metrics.accuracy_score（y__test，prective_test_lrc）））））））））））））））））））））））

我们可以看到结果约为0.83，因此我们完成了一个机器学习模型，该模型可以预测它是否会在快速盲人日期中成功配对。

对于此型号，我还专门创建了一个小型游戏页面，以测试您的盲人日期战斗有效性指数。快来体验！