.. _tdnote20191rst: ================================= 1A.e - Enoncé 23 octobre 2018 (1) ================================= .. only:: html **Links:** :download:`notebook `, :downloadlink:`html `, :download:`python `, :downloadlink:`slides `, :githublink:`GitHub|_doc/notebooks/exams/td_note_2019_1.ipynb|*` Correction du premier énoncé de l’examen du 23 octobre 2018. L’énoncé propose une méthode pour renseigner les valeurs manquantes dans une base de deux variables. .. code:: ipython3 from jyquickhelper import add_notebook_menu add_notebook_menu() .. contents:: :local: On sait d’après les dernières questions qu’il faudra tout répéter plusieurs fois. On prend le soin d’écrire chaque question dans une fonction. Q1 - échantillon aléatoire -------------------------- Générer un ensemble de :math:`N=1000` couples aléatoires :math:`(X_i,Y_i)` qui vérifient : - :math:`X_i` suit une loi normale de variance 1. - :math:`Y_i = 2 X_i + \epsilon_i` où :math:`\epsilon_i` suit une loi normale de variance 1. .. code:: ipython3 import numpy.random as rnd import numpy def random_mat(N): mat = numpy.zeros((N, 2)) mat[:, 0] = rnd.normal(size=(N,)) mat[:, 1] = mat[:, 0] * 2 + rnd.normal(size=(N,)) return mat N = 1000 mat = random_mat(N) mat[:5] .. parsed-literal:: array([[-0.21542897, -1.02478399], [-0.89552004, -2.24733264], [-1.393163 , -5.40164738], [ 1.32997878, 2.70660631], [-1.20765567, -2.43301488]]) **Remarque 1 :** Un élève a retourné cette réponse, je vous laisse chercher pourquoi ce code produit deux variables tout-à-fait décorrélées. :: def random_mat(N=1000): A = np.random.normal(0,1,(N,2)) A[:,1] = 2*A[:,1] + np.random.normal(0,1,N)/10 return A Cela peut se vérifier en calculant la corrélation. **Remarque 2 :** Un élève a généré le nuage :math:`X + 2\epsilon` ce qui produit un nuage de points dont les deux variable sont moins corrélées. Voir à la fin pour plus de détail. Q2 - matrice m1 --------------- On définit la matrice :math:`M \in \mathbb{M}_{N,2}(\mathbb{R})` définie par les deux vecteurs colonnes :math:`(X_i)` et :math:`(Y_i)`. Choisir aléatoirement 20 valeurs dans cette matrice et les remplacer par ``numpy.nan``. On obtient la matrice :math:`M_1`. .. code:: ipython3 import random def build_m1(mat, n=20): mat = mat.copy() positions = [] while len(positions) < n: h = random.randint(0, mat.shape[0] * mat.shape[1] - 1) pos = h % mat.shape[0], h // mat.shape[0] if pos in positions: # La position est déjà tirée. continue positions.append(pos) mat[pos] = numpy.nan return mat, positions m1, positions = build_m1(mat) p = positions[0][0] m1[max(p-2, 0):min(p+3, mat.shape[0])] .. parsed-literal:: array([[ 0.26184685, 0.41751593], [-0.53354327, 0.34849608], [-1.96298222, nan], [ 1.51815696, 1.58374784], [ 0.71569523, 3.12326482]]) **Remarque 1:** l’énoncé ne précisait pas s’il fallait choisir les valeurs aléatoires sur une ou deux colonnes, le faire sur une seule colonne est sans doute plus rapide et ne change rien aux conclusions des dernières questions. **Remarque 2:** il ne faut pas oublier de copier la matrice ``mat.copy()``, dans le cas contraire, la fonction modifie la matrice originale. Ce n’est pas nécessairement un problème excepté pour les dernières questions qui requiert de garder cette matrice. **Remarque 3:** l’énoncé ne précisait pas avec ou sans remise. L’implémentation précédente le fait sans remise. Q3 - moyenne ------------ Calculer :math:`\mathbb{E}{X} = \frac{1}{N}\sum_i^N X_i` et :math:`\mathbb{E}Y = \frac{1}{N}\sum_i^N Y_i`. Comme on ne tient pas compte des valeurs manquantes, les moyennes calculées se font avec moins de :math:`N` termes. Si on définit :math:`V_x` et :math:`V_y` l’ensemble des valeurs non manquantes, on veut calculer :math:`\mathbb{E}{X} = \frac{\sum_{i \in V_x} X_i}{\sum_{i \in V_x} 1}` et :math:`\mathbb{E}Y = \frac{\sum_{i \in V_y} Y_i}{\sum_{i \in V_y} 1}`. .. code:: ipython3 def mean_no_nan(mat): res = [] for i in range(mat.shape[1]): ex = numpy.mean(mat[~numpy.isnan(mat[:, i]), i]) res.append(ex) return numpy.array(res) mean_no_nan(m1) .. parsed-literal:: array([0.05543522, 0.0564421 ]) **Remarque 1 :** il était encore plus simple d’utiliser la fonction `nanmean `__. **Remarque 2 :** Il fallait diviser par le nombre de valeurs non nulles et non le nombre de lignes de la matrice. Q4 - matrice m2 --------------- Remplacer les valeurs manquantes de la matrice :math:`M_1` par la moyenne de leurs colonnes respectives. On obtient la matrice :math:`M_2`. .. code:: ipython3 def build_m2(mat): means = mean_no_nan(mat) m2 = mat.copy() for i in range(len(means)): m2[numpy.isnan(m2[:, i]), i] = means[i] return m2 m2 = build_m2(m1) m2[max(p-2, 0):min(p+3, mat.shape[0])] .. parsed-literal:: array([[ 0.26184685, 0.41751593], [-0.53354327, 0.34849608], [-1.96298222, 0.0564421 ], [ 1.51815696, 1.58374784], [ 0.71569523, 3.12326482]]) Q5 - matrice m3 --------------- On trie la matrice :math:`M_1` selon la première colonne. On remplace chaque :math:`y` manquant par la moyenne des deux valeurs qui l’entourent. On recommence avec les :math:`x` manquant. On obtient la matrice :math:`M_3`. .. code:: ipython3 def fill_column(mat, col): nlin, ncol = mat.shape order = numpy.argsort(mat[:, 1-col]) reverse_order = numpy.arange(0, nlin) for i, v in enumerate(order): reverse_order[v] = i bmat = mat[order, :] last = None replace = [] for i in range(0, nlin): if numpy.isnan(bmat[i, col]): replace.append(i) else: if replace: current = bmat[i, col] if last is None: for r in replace: bmat[r, col] = current else: for k, r in enumerate(replace): bmat[r, col] = last + (current - last) * float(k + 1) / (len(replace) + 1) last = bmat[i, col] replace = [] if len(replace) > 0: # Il reste des valeurs manquantes à la fin. for r in replace: bmat[r, col] = last return bmat[reverse_order, :] def build_m3(mat): m3 = mat.copy() for i in range(0, mat.shape[1]): m3 = fill_column(m3, i) return m3 m3 = build_m3(m1) m3[max(p-2, 0):min(p+3, mat.shape[0])] .. parsed-literal:: array([[ 0.26184685, 0.41751593], [-0.53354327, 0.34849608], [-1.96298222, -3.18717541], [ 1.51815696, 1.58374784], [ 0.71569523, 3.12326482]]) On vérifie avec *pandas* que tout s’est bien passe. .. code:: ipython3 from pandas import DataFrame df = DataFrame(m3) df[df.iloc[:, 0].isnull()] .. raw:: html
0 1
.. code:: ipython3 df[df.iloc[:, 1].isnull()] .. raw:: html
0 1
Tout va bien. Q6 - norme ---------- On a deux méthodes pour compléter les valeurs manquantes, quelle est la meilleure ? Il faut vérifier numériquement en comparant :math:`\parallel M-M_2 \parallel^2` et :math:`\parallel M-M_3 \parallel^2`. .. code:: ipython3 def distance(m1, m2): d = m1.ravel() - m2.ravel() return d @ d d2 = distance(mat, m2) d3 = distance(mat, m3) d2, d3 .. parsed-literal:: (115.16303767944946, 12.990990757306854) **Remarque :** Un élève a écrit avoir trouvé ces résultats : :: Calcul_norme(M - M2) = 56,57 Calcul_norme(M- M3) = 0.0 Un résultat nul doit automatiquement mettre la puce à l’oreille puisque car il est hautement improbable que la matrice ``M`` et la matrice ``M3`` soit identique à moins que la matrice ``M`` n’ait été modifiée. On en déduit que le premier nombre est en fait la distance ``Calcul_norme(M2 - M3)``. Q7 - répétition --------------- Une experience réussie ne veut pas dire que cela fonctionne. Recommencer 10 fois en changeant le nuages de points et les valeurs manquantes ajoutées. .. code:: ipython3 def repetition(N=1000, n=20, nb=10): res = [] for i in range(nb): mat = random_mat(N) m1, _ = build_m1(mat, n) m2 = build_m2(m1) m3 = build_m3(m1) d2, d3 = distance(mat, m2), distance(mat, m3) res.append((d2, d3)) return numpy.array(res) repetition() .. parsed-literal:: array([[ 49.25531314, 19.070392 ], [ 76.57432808, 18.73422968], [ 43.43834865, 15.07553875], [ 50.49648148, 10.11340377], [116.28344822, 23.90363643], [ 52.90465816, 14.88595361], [117.28824424, 28.05673836], [ 83.37972659, 14.28703801], [ 48.97835736, 13.49136146], [ 99.70723528, 27.34848088]]) Q8 - plus de valeurs manquantes ------------------------------- Et si on augmente le nombre de valeurs manquantes, l’écart se creuse-t-il ou se réduit -il ? Montrez-le numériquement. .. code:: ipython3 diff = [] ns = [] for n in range(10, 1000, 10): res = repetition(n=n, nb=10) diff.append(res.mean(axis=0) / n) ns.append(n) diff = numpy.array(diff) diff[:5] .. parsed-literal:: array([[3.10112512, 1.1306255 ], [2.94022724, 0.91916954], [2.96721215, 1.14121786], [3.35629971, 0.99870181], [3.48138722, 1.00467304]]) .. code:: ipython3 %matplotlib inline .. code:: ipython3 import pandas df = pandas.DataFrame(diff, columns=["d2", "d3"]) df['N'] = ns df = df.set_index('N') df["ratio2/3"] = df["d2"] / df["d3"] import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 2, figsize=(10, 4)) df[["d2", "d3"]].plot(ax=ax[0]) df[["ratio2/3"]].plot(ax=ax[1]) ax[0].set_title("d2, d3\nErreur moyenne par valeur manquante") ax[1].set_title("d2 / d3"); .. image:: td_note_2019_1_28_0.png Plus il y a de valeurs manquantes, plus le ratio tend vers 1 car il y a moins d’informations pour compléter les valeurs manquantes autrement que par la moyenne. Il y a aussi plus souvent des couples de valeurs manquantes qui ne peuvent être remplacés que par la moyenne. Q9 - 1 valeur manquante ? ------------------------- S’il n’y qu’une valeur manquante, peut-on sans changer le résultat se passer de tri pour avoir un coût linéaire ? Si la valeur manquante est dans la colonne 0, il suffit de chercher l’intervalle le plus petit qui encadre la valeur sur la colonne 1 puis de faire la moyenne des valeurs sur les deux valeurs sur la colonne 0. .. code:: ipython3 def build_m3_just1(mat): for i in range(0, mat.shape[0]): if numpy.isnan(mat[i, 0]): pos = i, 0 col = 1 value = mat[i, 1] break if numpy.isnan(mat[i, 1]): pos = i, 1 col = 0 value = mat[i, 0] break imin, imax = None, None for i in range(0, mat.shape[0]): if i == pos[0]: continue if imin is None or mat[imin, col] < mat[i, col] <= value: imin = i if imax is None or mat[imax, col] > mat[i, col] >= value: imax = i mat = mat.copy() mat[pos] = (mat[imin, col] + mat[imax, col]) / 2 return mat mat = numpy.array([[10, 11], [9, 10], [8, numpy.nan], [7, 9], [6, 8]]) build_m3_just1(mat) .. parsed-literal:: array([[10. , 11. ], [ 9. , 10. ], [ 8. , 9.5], [ 7. , 9. ], [ 6. , 8. ]]) Un élève a suggéré le tri dichotomique qui n’est évidemment pas une option puisque la dichotomie nécessite qu’une colonne soit triée au préalable et c’est justement ce qu’on cherche à éviter. Q10 - plus de deux colonnes ? ----------------------------- Pour cette question, vous avez le choix entre implémenter la solution que vous proposez à la question précédente ou proposer une façon d’étendre la méthode dans le cas où il y a 3 dimensions. Dans le cas de notre matrice, on utilise l’autre colonne pour ordonner les lignes. Avec plusieurs colonnes, il faudrait choisir la colonne la plus corrélée. .. code:: ipython3 def random_mat(N, alpha): mat = numpy.zeros((N, 2)) mat[:, 0] = rnd.normal(size=(N,)) mat[:, 1] = mat[:, 0] * alpha + rnd.normal(size=(N,)) return mat rows = [] for alpha in [0.01 * h for h in range(0, 500)]: m = random_mat(1000, alpha) m1, _ = build_m1(m, 20) m2 = build_m2(m1) m3 = build_m3(m1) d2, d3 = distance(m, m2), distance(m, m3) cc = numpy.corrcoef(m.T)[0, 1] rows.append(dict(corr=cc, d2=d2**0.5, d3=d3**0.5)) df = pandas.DataFrame(rows) df.tail() .. raw:: html
corr d2 d3
495 0.979253 19.308262 4.616462
496 0.980323 21.790158 2.667422
497 0.977415 15.050925 2.430873
498 0.980746 21.885168 3.995820
499 0.978955 5.935248 4.137125
.. code:: ipython3 ax = df.sort_values("corr").plot(x="corr", y=["d2", "d3"]) ax.set_title("Evolution de l'erreur en fonction de la corrélation"); .. image:: td_note_2019_1_37_0.png On voit que la second méthode est meilleure si la corrélation est supérieur à 0.7. Plutôt moins bonne avant.