前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python数据分析、挖掘常用工具

Python数据分析、挖掘常用工具

作者头像
小小科
发布2018-05-04 12:24:28
1.3K0
发布2018-05-04 12:24:28
举报
文章被收录于专栏:北京马哥教育

作者:深度沉迷学习 Python爱好者社区专栏作者

简书地址:https://www.jianshu.com/u/d76c6535dbc5

Python语言:

简要概括一下Python语言在数据分析、挖掘场景中常用特性:

  1. 列表(可以被修改),元组(不可以被修改)
  2. 字典(<k,v>结构)
  3. 集合(同数学概念上的集合)
  4. 函数式编程(主要由lambda()、map()、reduce()、filter()构成)

Python数据分析常用库:

Python数据挖掘相关扩展库

NumPy

提供真正的数组,相比Python内置列表来说速度更快,NumPy也是Scipy、Matplotlib、Pandas等库的依赖库,内置函数处理数据速度是C语言级别的,因此使用中应尽量使用内置函数。

示例:NumPy基本操作

代码语言:javascript
复制
import numpy as np  # 一般以np为别名

a = np.array([2, 0, 1, 5])
print(a)
print(a[:3])
print(a.min())
a.sort()  # a被覆盖
print(a)
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b*b)

输出:

代码语言:javascript
复制
[2 0 1 5]
[2 0 1]
0
[0 1 2 5]
[[ 1  4  9]
 [16 25 36]]
Scipy

NumPy和Scipy让Python有了MATLAB味道。Scipy依赖于NumPy,NumPy提供了多维数组功能,但只是一般的数组并不是矩阵。比如两个数组相乘时,只是对应元素相乘。Scipy提供了真正的矩阵,以及大量基于矩阵运算的对象与函数。

Scipy包含功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理、图像处理、常微分方程求解等常用计算。

示例:Scipy求解非线性方程组和数值积分

代码语言:javascript
复制
# 求解方程组
from scipy.optimize import fsolve

def f(x):
    x1 = x[0]
    x2 = x[1]
    return [2 * x1 - x2 ** 2 - 1, x1 ** 2 - x2 - 2]


result = fsolve(f, [1, 1])
print(result)

# 积分
from scipy import integrate

def g(x):  # 定义被积函数
    return (1 - x ** 2) ** 0.5

pi_2, err = integrate.quad(g, -1, 1)  # 输出积分结果和误差
print(pi_2 * 2, err)

输出:

代码语言:javascript
复制
[ 1.91963957  1.68501606]
3.141592653589797 1.0002356720661965e-09
Matplotlib

Python中著名的绘图库,主要用于二维绘图,也可以进行简单的三维绘图。

示例:Matplotlib绘图基本操作

代码语言:javascript
复制
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 10000)  # 自变量x,10000为点的个数
y = np.sin(x) + 1  # 因变量y
z = np.cos(x ** 2) + 1  # 因变量z

plt.figure(figsize=(8, 4))  # 设置图像大小
# plt.rcParams['font.sans-serif'] = 'SimHei'  # 标签若有中文,则需设置字体
# plt.rcParams['axes.unicode_minus'] = False  # 保存图像时若负号显示不正常,则添加该句

# 两条曲线
plt.plot(x, y, label='$\sin (x+1)$', color='red', linewidth=2)  # 设置标签,线条颜色,线条大小
plt.plot(x, z, 'b--', label='$\cos x^2+1$')

plt.xlim(0, 10)  # x坐标范围
plt.ylim(0, 2.5)  # y坐标范围

plt.xlabel("Time(s)")  # x轴名称
plt.ylabel("Volt")  # y轴名称
plt.title("Matplotlib Sample")  # 图的标题

plt.legend()  # 显示图例
plt.show()  # 显示作图结果

输出:

Pandas

Pandas是Python下非常强大的数据分析工具。它建立在NumPy之上,功能很强大,支持类似SQL的增删改查,并具有丰富的数据处理函数,支持时间序列分析功能,支持灵活处理缺失数据等。

Pandas基本数据结构是Series和DataFrame。Series就是序列,类似一维数组,DataFrame则相当于一张二维表格,类似二维数组,它每一列都是一个Series。为定位Series中的元素,Pandas提供了Index对象,类似主键。

DataFrame本质上是Series的容器。

示例:Pandas简单操作

代码语言:javascript
复制
import pandas as pd

s = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
d = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]], columns=['a', 'b', 'c'])
d2 = pd.DataFrame(s)

print(s)
print(d.head())  # 预览前5行
print(d.describe())

# 读取文件(路径最好别带中文)
df=pd.read_csv("G:\\data.csv", encoding="utf-8")
print(df)

输出:

代码语言:javascript
复制
a    1
b    2
c    3
dtype: int64
    a   b   c
0   1   2   3
1   4   5   6
2   7   8   9
3  10  11  12
4  13  14  15
               a          b          c
count   6.000000   6.000000   6.000000
mean    8.500000   9.500000  10.500000
std     5.612486   5.612486   5.612486
min     1.000000   2.000000   3.000000
25%     4.750000   5.750000   6.750000
50%     8.500000   9.500000  10.500000
75%    12.250000  13.250000  14.250000
max    16.000000  17.000000  18.000000
Empty DataFrame
Columns: [1068, 12, 蔬果, 1201, 蔬菜, 120104, 花果, 20150430, 201504, DW-1201040010, 散称, 生鲜, 千克, 0.973, 5.43, 2.58, 否]
Index: []
Scikit-Learn

Scikit-Learn依赖NumPy、Scipy和Matplotlib,是Python中强大的机器学习库,提供了诸如数据预处理、分类、回归、聚类、预测和模型分析等功能。

示例:创建线性回归模型

代码语言:javascript
复制
from sklearn.linear_model import LinearRegression
model= LinearRegression()
print(model)
  1. 所有模型都提供的接口:

model.fit():训练模型,监督模型是fit(X,y),无监督模型是fit(X)

  1. 监督模型提供的接口:

model.predict(X_new):预测新样本 model.predict_proba(X_new):预测概率,仅对某些模型有用(LR)

  1. 无监督模型提供的接口:

model.ransform():从数据中学到新的“基空间” model.fit_transform():从数据中学到的新的基,并将这个数据按照这组“基”进行转换

Scikit-Learn本身自带了一些数据集,如花卉和手写图像数据集等,下面以花卉数据集举个栗子,训练集包含4个维度——萼片长度、宽度,花瓣长度和宽度,以及四个亚属分类结果。

示例:

代码语言:javascript
复制
from sklearn import datasets  # 导入数据集
from sklearn import svm 

iris = datasets.load_iris()  # 加载数据集
clf = svm.LinearSVC()  # 建立线性SVM分类器
clf.fit(iris.data, iris.target)  # 用数据训练模型
print(clf.predict([[5, 3, 1, 0.2], [5.0, 3.6, 1.3, 0.25]]))

输出:

代码语言:javascript
复制
[0 0]
Keras

Keras是基于Theano的深度学习库,它不仅可以搭建普通神经网络,还可以搭建各种深度学习模型,如自编码器、循环神经网络、递归神经网络、卷积神经网络等,运行速度也很快,简化了搭建各种神经网络模型的步骤,允许普通用户轻松搭建几百个输入节点的深层神经网络,定制度也很高。

示例:简单的MLP(多层感知器)

代码语言:javascript
复制
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD

model = Sequential()  # 模型初始化
model.add(Dense(20, 64))  # 添加输入层(20节点)、第一隐藏层(64节点)的连接
model.add(Activation('tanh'))  # 第一隐藏层用tanh作为激活函数
model.add(Dropout(0.5))  # 使用Dropout防止过拟合
model.add(Dense(64, 64))  # 添加第一隐藏层(64节点)、第二隐藏层(64节点)的连接
model.add(Activation('tanh'))  # 第二隐藏层用tanh作为激活函数
model.add(Dense(64, 1))  # 添加第二隐藏层(64节点)、输出层(1节点)的连接
model.add(Activation('sigmod'))  # 第二隐藏层用sigmod作为激活函数

sgd=SGD(lr=0.1,decay=1e-6,momentum=0.9,nesterov=True)  # 定义求解算法
model.compile(loss='mean_squared_error',optimizer=sgd)  # 编译生成模型,损失函数为平均误差平方和
model.fit(x_train,y_train,nb_epoch=20,batch_size=16)  # 训练模型
score = model.evaluate(X_test,y_test,batch_size=16)  # 测试模型

参考:

  • Keras中文文档
  • 如何计算两个文档的相似度(二)
Genism

Genism主要用来处理语言方面的任务,如文本相似度计算、LDA、Word2Vec等。

示例:

代码语言:javascript
复制
import logging
from gensim import models

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s',
                    level=logging.INFO)

sentences = [['first', 'sentence'], ['second', 'sentence']]  # 将分好词的句子按列表形式输入
model = models.Word2Vec(sentences, min_count=1)  # 用以上句子训练词向量模型
print(model['sentence'])  # 输出单词sentence的词向量

输出:

代码语言:javascript
复制
2017-10-24 19:02:40,785 : INFO : collecting all words and their counts
2017-10-24 19:02:40,785 : INFO : PROGRESS: at sentence #0, processed 0 words, keeping 0 word types
2017-10-24 19:02:40,785 : INFO : collected 3 word types from a corpus of 4 raw words and 2 sentences
2017-10-24 19:02:40,785 : INFO : Loading a fresh vocabulary
2017-10-24 19:02:40,785 : INFO : min_count=1 retains 3 unique words (100% of original 3, drops 0)
2017-10-24 19:02:40,785 : INFO : min_count=1 leaves 4 word corpus (100% of original 4, drops 0)
2017-10-24 19:02:40,786 : INFO : deleting the raw counts dictionary of 3 items
2017-10-24 19:02:40,786 : INFO : sample=0.001 downsamples 3 most-common words
2017-10-24 19:02:40,786 : INFO : downsampling leaves estimated 0 word corpus (5.7% of prior 4)
2017-10-24 19:02:40,786 : INFO : estimated required memory for 3 words and 100 dimensions: 3900 bytes
2017-10-24 19:02:40,786 : INFO : resetting layer weights
2017-10-24 19:02:40,786 : INFO : training model with 3 workers on 3 vocabulary and 100 features, using sg=0 hs=0 sample=0.001 negative=5 window=5
2017-10-24 19:02:40,788 : INFO : worker thread finished; awaiting finish of 2 more threads
2017-10-24 19:02:40,788 : INFO : worker thread finished; awaiting finish of 1 more threads
2017-10-24 19:02:40,788 : INFO : worker thread finished; awaiting finish of 0 more threads
2017-10-24 19:02:40,789 : INFO : training on 20 raw words (0 effective words) took 0.0s, 0 effective words/s
2017-10-24 19:02:40,789 : WARNING : under 10 jobs per worker: consider setting a smaller `batch_words' for smoother alpha decay
[ -1.54225400e-03  -2.45212857e-03  -2.20486755e-03  -3.64410551e-03
  -2.28137174e-03  -1.70348200e-03  -1.05830852e-03  -4.37875278e-03
  -4.97106137e-03   3.93485563e-04  -1.97932171e-03  -3.40653211e-03
   1.54990738e-03   8.97102174e-04   2.94041773e-03   3.45200230e-03
  -4.60584508e-03   3.81468004e-03   3.07120802e-03   2.85422982e-04
   7.01598416e-04   2.69670971e-03   4.17246483e-03  -6.48593705e-04
   1.11404411e-03   4.02203249e-03  -2.34672683e-03   2.35153269e-03
   2.32632101e-05   3.76200466e-03  -3.95653257e-03   3.77303245e-03
   8.48884694e-04   1.61545759e-03   2.53374409e-03  -4.25464474e-03
  -2.06338940e-03  -6.84972096e-04  -6.92955102e-04  -2.27969326e-03
  -2.13766913e-03   3.95324081e-03   3.52649018e-03   1.29243149e-03
   4.29229392e-03  -4.34781052e-03   2.42843386e-03   3.12117115e-03
  -2.99768522e-03  -1.17538485e-03   6.67148328e-04  -6.86432002e-04
  -3.58940102e-03   2.40547652e-03  -4.18888079e-03  -3.12567432e-03
  -2.51603196e-03   2.53451476e-03   3.65199335e-03   3.35336081e-03
  -2.50071986e-04   4.15537134e-03  -3.89242987e-03   4.88173496e-03
  -3.34603712e-03   3.18462006e-03   1.57053335e-04   3.51517834e-03
  -1.20337342e-03  -1.81524854e-04   3.57784083e-05  -2.36600707e-03
  -3.77405947e-03  -1.70441647e-03  -4.51521482e-03  -9.47134569e-04
   4.53894213e-03   1.55767589e-03   8.57840874e-04  -1.12304837e-03
  -3.95945460e-03   5.37869288e-04  -2.04461766e-03   5.24829782e-04
   3.76719423e-03  -4.38512256e-03   4.81262803e-03  -4.20147832e-03
  -3.87057988e-03   1.67581497e-03   1.51928759e-03  -1.31744961e-03
   3.28474329e-03  -3.28777428e-03  -9.67226923e-04   4.62622894e-03
   1.34165725e-03   3.60148447e-03   4.80416557e-03  -1.98963983e-03]

参考:

  • 如何计算两个文档的相似度(二)

本次笔记是对数据分析和挖掘中常用工具的简要介绍,详细使用会在以后笔记中进行介绍。

赞赏作者

转载声明:本文转载自「Python爱好者社区」,搜索「python_shequ」即可关注。

《Python人工智能和全栈开发》2018年07月23日即将在北京开课,120天冲击Python年薪30万,改变速约~~~~

*声明:推送内容及图片来源于网络,部分内容会有所改动,版权归原作者所有,如来源信息有误或侵犯权益,请联系我们删除或授权事宜。

- END -


本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-03-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 马哥Linux运维 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Python数据分析常用库:
    • NumPy
      • Scipy
        • Matplotlib
          • Pandas
            • Scikit-Learn
              • Keras
                • Genism
                相关产品与服务
                容器服务
                腾讯云容器服务(Tencent Kubernetes Engine, TKE)基于原生 kubernetes 提供以容器为核心的、高度可扩展的高性能容器管理服务,覆盖 Serverless、边缘计算、分布式云等多种业务部署场景,业内首创单个集群兼容多种计算节点的容器资源管理模式。同时产品作为云原生 Finops 领先布道者,主导开源项目Crane,全面助力客户实现资源优化、成本控制。
                领券
                问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档