baseline.py

import pandas as pd
import lightgbm as lgb

# データをロード
df_train = pd.read_csv('./train.csv')
df_test = pd.read_csv('./test.csv')

# データフレームを「訓練」「テスト」の順番に連結する
df = pd.concat([df_train, df_test], sort=False)

# 訓練データの目標変数 `price` だけ取り出す
y_train = df.iloc[:len(df_train)]['price'].values

# データフレームの量的変数 (数字だけの列データ)、カテゴリカル変数（文字列などの列データ）を処理する
# カテゴリカル変数は `factorize()` により変換する (これは sklearn の LabelEncoder と同等の処理)
# 量的変数は欠損値を平均値によって埋める
# ここでは連結したデータフレーム `df` に対して処理することで、「訓練」「テスト」の両方に対して同時に処理をしている
cols = []
categorical_cols = []
for col in df.columns:
    # データを一意に特定する Id と目標変数は変換しない
    if col in ['listing_id', 'price']:
        continue
    elif pd.api.types.is_numeric_dtype(df[col]):
        # 量的変数の場合
        df[col] = df[col].fillna(df[col].mean())
    else:
        # カテゴリカル変数の場合
        df[col] = df[col].factorize()[0]
        categorical_cols.append(col)  # カテゴリカルのカラム名を `categorical_cols` リストに追加
    cols.append(col)  # 処理済みのカラムを `cols` リストに追加

# pandas のデータフレームから、numpy の行列データを作成する
X_train = df[cols].values[:len(df_train)]
X_test = df[cols].values[len(df_train):]

# LightGBM のデータセットオブジェクトを作成する
# 説明変数ごとの名前のリストと、そのうちカテゴリカルな変数をそれぞれ `feature_name`, `categorical_feature` で指定する
lgb_train = lgb.Dataset(X_train, label=y_train, feature_name=cols, categorical_feature=categorical_cols)

# LightGBM のハイパーパラメータ
# ドキュメント：https://github.com/microsoft/LightGBM/blob/master/docs/Parameters.rst#core-parameters
params = {
    'task': 'train',
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': 'rmse',
    # 'num_leaves': 60,
    # 'learning_rate': 0.05,
    # 'feature_fraction': 0.9,
    # 'bagging_fraction': 0.9,
}

# LightGBM で加法的に増やす決定木の数を `num_boost_round` で指定
booster = lgb.train(params, lgb_train, num_boost_round=10)

# 予測を行う
df_test['price'] = booster.predict(X_test)
df_test[['listing_id', 'price']].to_csv('./_baseline_lgb_without_using_validation_set_less_param.csv', index=False)