AI入门学习-Python 最主流的机器学习库Scikit-learn

一、Scikit-learn 核心定位

是什么：Python 最主流的机器学习库，涵盖从数据预处理到模型评估的全流程。
为什么测试工程师必学：

✅ 80% 的测试机器学习问题可用它解决
✅ 无需深厚数学基础，API 设计极简
✅ 与 Pandas/Numpy 无缝集成，完美处理测试数据

二、Scikit-learn 核心模块图解

三、测试工程师必掌握的 6 大核心功能

1. 数据预处理：清洗混乱的测试数据

测试痛点：测试日志缺失值、环境配置数值差异大

python

from sklearn.impute import SimpleImputer
from sklearn.preprocessing import MinMaxScaler# 处理测试执行时间的缺失值（用中位数填充）
imputer = SimpleImputer(strategy='median')
test_data['execution_time'] = imputer.fit_transform(test_data[['execution_time']])# 将环境配置参数归一化（如内存：4GB/16GB → 0.25/1.0）
scaler = MinMaxScaler()
test_data[['cpu_cores', 'memory_gb']] = scaler.fit_transform(test_data[['cpu_cores', 'memory_gb']])

2. 文本特征提取：分析缺陷报告

测试场景：自动分类缺陷报告（崩溃/性能/UI）

python

from sklearn.feature_extraction.text import TfidfVectorizer# 将缺陷描述转为数值特征
bug_descriptions = ["UI按钮点击无响应", "API响应超时5s", "APP启动时崩溃"]
vectorizer = TfidfVectorizer(max_features=1000)  # 提取最重要的1000个词
X_text = vectorizer.fit_transform(bug_descriptions)# 输出：<3x1000 sparse matrix> 可用于训练分类模型

3. 分类模型：预测测试用例失败概率

测试场景：优先执行高失败风险的测试用例

python

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split# 特征：测试用例复杂度 + 历史失败率 + 关联代码变更次数
X = test_cases[['complexity', 'historical_fail_rate', 'code_changes']]
y = test_cases['failed']  # 标签：0=通过, 1=失败# 拆分数据集（测试集永远隔离！）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练随机森林
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)# 预测新测试用例失败概率
new_case = [[5, 0.3, 8]]  # 复杂度=5, 失败率=30%, 变更次数=8
fail_prob = model.predict_proba(new_case)[0][1]  # 输出：0.87 (87%概率失败)

4. 聚类分析：自动归档相似缺陷报告

测试场景：减少重复缺陷报告处理时间

python

from sklearn.cluster import KMeans
from sklearn.feature_extraction.text import TfidfVectorizer# 1. 提取文本特征
vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(bug_reports['description'])# 2. 聚类相似缺陷（假设分5类）
kmeans = KMeans(n_clusters=5, random_state=42)
clusters = kmeans.fit_predict(X)# 3. 结果分析
bug_reports['cluster'] = clusters
print(bug_reports.groupby('cluster')['description'].count())  # 查看每类缺陷数量

5. 回归模型：预测测试执行时间

测试场景：优化测试资源调度

python

from sklearn.linear_model import Ridge
from sklearn.metrics import mean_absolute_error# 特征：测试步骤数 + 涉及服务数 + 数据量大小
X = tests[['step_count', 'services_involved', 'data_size_mb']]
y = tests['execution_time_sec']# 训练回归模型
model = Ridge(alpha=1.0)
model.fit(X_train, y_train)# 评估模型
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)  # 平均绝对误差：12.3秒

6. 模型评估：验证测试效果

测试工程师必须掌握的评估技术：

python

from sklearn.metrics import classification_report, confusion_matrix# 分类模型评估
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))
print("混淆矩阵：\n", confusion_matrix(y_test, y_pred))# 输出示例：precision  recall  f1-score   support0       0.92      0.95      0.93       120  # 通过类1       0.88      0.82      0.85        60  # 失败类accuracy                           0.91       180

四、Scikit-learn 在测试中的典型应用场景

测试领域	问题类型	推荐算法	应用效果
缺陷优先级分类	文本分类	`SGDClassifier` (TF-IDF)	自动区分 P0/P1/P2 缺陷
测试失败根因分析	多分类问题	`RandomForest`	识别失败原因：环境/数据/代码缺陷
性能瓶颈预测	回归分析	`GradientBoostingRegressor`	提前发现接口响应时间劣化
测试用例去冗余	聚类	`DBSCAN`	合并高度相似的测试用例
视觉测试差异检测	图像特征 + 分类	`PCA` + `SVM`	识别UI细微差异

五、实操举例说明


# 场景：自动分类缺陷报告from sklearn.cluster import KMeans
from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd# 1. 提取文本特征
vectorizer = TfidfVectorizer(stop_words='english')
bug_reports = {'description': ['登录页无响应', '无法提交表单', '密码重置失败', '登录超时', '验证码不显示','按钮无法点击','按钮点击无反应','字符取值错误'],'cluster': []
}
X = vectorizer.fit_transform(bug_reports['description'])# 2. 聚类相似缺陷（假设分5类）
kmeans = KMeans(n_clusters=5, random_state=42)
clusters = kmeans.fit_predict(X)# 3. 结果分析
bug_reports['cluster'] = clusters
df = pd.DataFrame(bug_reports)# 按聚类分组后，打印每个聚类的具体描述
for cluster_id, group in df.groupby('cluster'):print(f"聚类 {cluster_id} 包含的缺陷：")for desc in group['description']:print(f"- {desc}")print("---")

vectorizer = TfidfVectorizer(stop_words='english')
- 作用是创建一个TF-IDF 文本特征提取器，用于将文本数据转换为数值特征向量。
- TfidfVectorizer：这是 scikit-learn 库中用于实现 TF-IDF算法的工具类，它能把人类可读的文本翻译成机器学习算法能理解的数字向量，同时还会自动忽略无意义的常用词，让翻译结果更精准。
  - TF（词频）：衡量一个词在某篇文档中出现的频率，出现次数越多，权重越高。
  - IDF（逆文档频率）：衡量一个词在所有文档中的普遍重要性，在越少文档中出现的词（越独特），权重越高。
    两者结合可以将文本转换为能体现词语重要性的数值向量。
- stop_words='english'：这是一个参数设置，表示在处理文本时会自动过滤掉英文停用词（如 "the"、"and"、"is" 等）。
  这些词在英文中出现频率极高，但通常不携带实际语义，过滤后可以减少噪音，让特征更聚焦于有意义的词汇。
vectorizer.fit_transform(bug_reports['description'])
- 将文本数据转换为机器学习算法可处理的数值特征矩阵，是文本特征提取的核心步骤。它完成了两个关键操作：
  - 拟合（fit）：让 vectorizer（TF-IDF 提取器）“学习” 文本数据的特征，包括：
    - 分析所有文本中的词汇，构建一个词汇表（比如将 “登录”“响应”“表单” 等词映射为唯一的索引）。
    - 计算每个词的 IDF（逆文档频率）值，评估其在整个文本集合中的重要性。
  - 转换（transform）：将原始文本数据转换为 TF-IDF 数值矩阵：
    - 矩阵 X 的每一行对应一个文本（如一条缺陷报告）。
    - 每一列对应词汇表中的一个词。
    - 矩阵中的数值是该词在对应文本中的 TF-IDF 分数（综合了词频和重要性的权重）。
KMeans
- 是一种经典的无监督聚类算法，全称为 K - 均值聚类（K-Means Clustering）。它的核心作用是：将一堆没有标签的数据，自动划分成 K 个不同的组别（聚类），使得同一组内的数据相似度高，不同组的数据相似度低。
kmeans = KMeans(n_clusters=5, random_state=42)
- random_state=42 是为了保证代码运行结果的可重复性而设置的参数。相当于给随机过程设定了一个 “种子值”（这里的种子是 42）。无论你运行多少次代码，只要 random_state 保持不变，算法中涉及的随机操作都会产生相同的结果。
- 以 KMeans 为例，它在初始阶段会随机选择 K 个聚类中心，这个随机选择会影响最终的聚类结果 —— 即使是同一组数据，不同的初始中心可能会得到略有差异的聚类结果。
- 为什么是42 ？这是编程领域的一个 “梗”（源自《银河系搭车客指南》中 “生命、宇宙及一切的终极答案是 42”）。实际使用中，你可以换成任何整数（如 0、100 等），只要保持固定，就能保证结果可重复。
```
clusters = kmeans.fit_predict(X)
```
- 对特征矩阵 X 执行 KMeans 聚类，并返回每个样本所属的聚类标签。
df = pd.DataFrame(bug_reports)
- 将字典格式的 bug_reports 转换为 pandas 数据框（DataFrame），方便进行数据处理和分析。