完整的 Python 数据分析案例：在线教育课程用户学习时长预测

最新推荐文章于 2026-01-12 13:59:35 发布

原创

最新推荐文章于 2026-01-12 13:59:35 发布 · 1.2k 阅读

2.2 特征工程 - 新特征计算与独热编码

1.

案例背景

在在线教育领域，了解用户的学习时长有助于平台优化课程设计、提供个性化学习推荐以及评估教学效果。通过分析用户的基本信息、课程特征、学习行为等数据，构建学习时长预测模型，能够帮助平台更好地满足用户需求，提高用户的学习体验和学习效果。

代码实现

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error, r2_score

# 数据读取
data = pd.read_csv('online_education_data.csv')

# 数据探索性分析
print('数据基本信息：')
data.info()

# 查看数据集行数和列数
rows, columns = data.shape

if rows < 1000:
    # 小数据集（行数少于 1000）查看全量数据信息
    print('数据全部内容信息：')
    print(data.to_csv(sep='\t', na_rep='nan'))
else:
    # 大数据集查看数据前几行信息
    print('数据前几行内容信息：')
    print(data.head().to_csv(sep='\t', na_rep='nan'))

# 数据清洗
# 处理缺失值
data['age'] = data['age'].fillna(data['age'].median())
data['course_rating'] = data['course_rating'].fillna(data['course_rating'].mean())
data = data.dropna(subset=['learning_duration'])

# 特征工程
# 计算课程难度得分（课程章节数 * 课程平均难度系数）
data['course_difficulty_score'] = data['course_chapters'] * data['course_difficulty_coefficient']

# 对课程类型进行独热编码
course_type_dummies = pd.get_dummies(data['course_type'], prefix='course_type')
data = pd.concat([data, course_type_dummies], axis=1)

# 特征选择
features = ['age', 'course_rating', 'course_difficulty_score'] + list(course_type_dummies.columns)
target = 'learning_duration'
X = data[features]
y = data[target]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 模型训练
model = KNeighborsRegressor(n_neighbors=5)
model.fit(X_train, y_train)

# 模型预测
y_pred = model.predict(X_test)

# 模型评估
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)
print(f"均方误差 (MSE): {mse}")
print(f"均方根误差 (RMSE): {rmse}")
print(f"决定系数 (R²): {r2}")

# 数据可视化
# 不同课程类型的平均学习时长柱状图
course_type_avg_duration = data.groupby('course_type')['learning_duration'].mean()
plt.figure(figsize=(10, 6))
sns.barplot(x=course_type_avg_duration.index, y=course_type_avg_duration.values)
plt.title('不同课程类型的平均学习时长')
plt.xlabel('课程类型')
plt.xticks(rotation=45)
plt.ylabel('平均学习时长')
plt.show()

# 课程评分与学习时长的散点图
plt.figu

标签