上一篇的反省

機器學習常犯錯的十件事，提到「在分析數據前先繪製圖表的重要性，以及離群值對統計的影響之大」。

筆者在閱讀該文後，發現自己只有透過 console print 出來而已，並沒有進行資料視覺化，可能會產生一些思考盲點。

資料視覺化

承襲著我們前一篇要用星期幾分類來個別預測每天的時間的小結，我們試著將每天的關門時間用圖表呈現出來。

在此選用散佈圖作為呈現的方式，讓我們回到 predict.py 實作！

時間格式轉化

因為目前具體時間這個欄位是字串，一來呈現不易，二來不易進行比較，讓我們先把它轉化為數值。

首先讓我們在讀取 csv 那行以後，建立一個 convert_time_to_int 的 function：

def convert_time_to_int(time_str: str):
    time_split_arr = time_str.split(':')
    hours_to_minutes = int(time_split_arr[0]) * 60
    minutes = int(time_split_arr[1])
    total_minutes = hours_to_minutes + minutes
    return total_minutes

以上內容為將具體時間裡，冒號以前的小時乘以 60 轉化為分鐘，再加上冒號以後的分鐘加總起來回傳。例如 20:54，加總後即為 1254。

接著讓我們在 df 裡面新增一個欄位，叫 time_in_minutes。我們加在 groupby 那一行後面：

df['time_in_minutes'] = df['具體時間'].apply(convert_time_to_int)

這邊的 apply method 可以將 df 既有的具體時間欄位，透過我們寫好的 convert_time_to_int function 加以處理後，輸入到 time_in_minutes 這一欄。

實作散佈圖

參考了這篇做法，筆者以星期幾當作 x 軸，剛剛新增的 time_in_minutes 作為 y 軸。

先讓我們 import 套件：

import matplotlib.pyplot as plt

接著實作散佈圖的內容：

# visualization using plt
# ref: https://stackoverflow.com/questions/21654635/scatter-plots-in-pandas-pyplot-how-to-plot-by-category
fig, ax = plt.subplots()
for name, group in group_by_weekdays:
    ax.plot(group['星期幾'], group['time_in_minutes'], marker='o', linestyle='', label=name)
ax.legend()

ax.plot 的參數可以代入不同的值，會得到不同的圖表效果，有興趣的讀者不妨試試看。

最後我們需要讓圖表呈現出來：

plt.show()

讓我們執行 predict.py 看圖表：

視覺化後的檢討

筆者忘記原來自己也有記錄到早上的時間（中午 12:00 為 720，少於 720 者為早上的時間），推測可能是員工上班後的關門聲。

幸好我們有增加視覺化的步驟，才能發現了這些離群值！否則我們如果希望達成的效果是預測晚上人員下班關門的時間，那麼在原始筆數已經夠少的情形，這些早上的時間若連同晚上關門的時間一起處理，就會造成極大的誤差！

預告一下明天我們要決定分析的實作內容。

今天收工！