Python語(yǔ)言在數(shù)據(jù)分析、挖掘場(chǎng)景中常用特性

Python語(yǔ)言：

簡(jiǎn)要概括一下Python語(yǔ)言在數(shù)據(jù)分析、挖掘場(chǎng)景中常用特性：

列表（可以被修改），元組（不可以被修改）

字典（結(jié)構(gòu)）

集合（同數(shù)學(xué)概念上的集合）

函數(shù)式編程（主要由lambda()、map()、reduce()、filter()構(gòu)成）

Python數(shù)據(jù)分析常用庫(kù)：

Python數(shù)據(jù)挖掘相關(guān)擴(kuò)展庫(kù)

NumPy

提供真正的數(shù)組，相比Python內(nèi)置列表來(lái)說(shuō)速度更快，NumPy也是Scipy、Matplotlib、Pandas等庫(kù)的依賴庫(kù)，內(nèi)置函數(shù)處理數(shù)據(jù)速度是C語(yǔ)言級(jí)別的，因此使用中應(yīng)盡量使用內(nèi)置函數(shù)。

示例：NumPy基本操作

import numpy as np # 一般以np為別名 a = np.array([2, 0, 1, 5]) print(a) print(a[:3]) print(a.min()) a.sort() # a被覆蓋 print(a) b = np.array([[1, 2, 3], [4, 5, 6]]) print(b*b)

輸出：

[2 0 1 5] [2 0 1] 0 [0 1 2 5] [[ 1 4 9] [16 25 36]]

Scipy

NumPy和Scipy讓Python有了MATLAB味道。Scipy依賴于NumPy，NumPy提供了多維數(shù)組功能，但只是一般的數(shù)組并不是矩陣。比如兩個(gè)數(shù)組相乘時(shí)，只是對(duì)應(yīng)元素相乘。Scipy提供了真正的矩陣，以及大量基于矩陣運(yùn)算的對(duì)象與函數(shù)。

Scipy包含功能有最優(yōu)化、線性代數(shù)、積分、插值、擬合、特殊函數(shù)、快速傅里葉變換、信號(hào)處理、圖像處理、常微分方程求解等常用計(jì)算。

示例：Scipy求解非線性方程組和數(shù)值積分

# 求解方程組 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) # 積分 from scipy import integrate def g(x): # 定義被積函數(shù) return (1 - x ** 2) ** 0.5 pi_2, err = integrate.quad(g, -1, 1) # 輸出積分結(jié)果和誤差 print(pi_2 * 2, err)

輸出：

[ 1.91963957 1.68501606] 3.141592653589797 1.0002356720661965e-09

Matplotlib

Python中著名的繪圖庫(kù)，主要用于二維繪圖，也可以進(jìn)行簡(jiǎn)單的三維繪圖。

示例：Matplotlib繪圖基本操作

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 10000) # 自變量x，10000為點(diǎn)的個(gè)數(shù) y = np.sin(x) + 1 # 因變量y z = np.cos(x ** 2) + 1 # 因變量z plt.figure(figsize=(8, 4)) # 設(shè)置圖像大小 # plt.rcParams['font.sans-serif'] = 'SimHei' # 標(biāo)簽若有中文，則需設(shè)置字體 # plt.rcParams['axes.unicode_minus'] = False # 保存圖像時(shí)若負(fù)號(hào)顯示不正常，則添加該句 # 兩條曲線 plt.plot(x, y, label='$\sin (x+1)$', color='red', linewidth=2) # 設(shè)置標(biāo)簽，線條顏色，線條大小 plt.plot(x, z, 'b--', label='$\cos x^2+1$') plt.xlim(0, 10) # x坐標(biāo)范圍 plt.ylim(0, 2.5) # y坐標(biāo)范圍 plt.xlabel("Time(s)") # x軸名稱 plt.ylabel("Volt") # y軸名稱 plt.title("Matplotlib Sample") # 圖的標(biāo)題 plt.legend() # 顯示圖例 plt.show() # 顯示作圖結(jié)果

輸出：

Pandas

Pandas是Python下非常強(qiáng)大的數(shù)據(jù)分析工具。它建立在NumPy之上，功能很強(qiáng)大，支持類似SQL的增刪改查，并具有豐富的數(shù)據(jù)處理函數(shù)，支持時(shí)間序列分析功能，支持靈活處理缺失數(shù)據(jù)等。

Pandas基本數(shù)據(jù)結(jié)構(gòu)是Series和DataFrame。Series就是序列，類似一維數(shù)組，DataFrame則相當(dāng)于一張二維表格，類似二維數(shù)組，它每一列都是一個(gè)Series。為定位Series中的元素，Pandas提供了Index對(duì)象，類似主鍵。

DataFrame本質(zhì)上是Series的容器。

示例：Pandas簡(jiǎn)單操作

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()) # 預(yù)覽前5行 print(d.describe()) # 讀取文件(路徑最好別帶中文) df=pd.read_csv("G:\\data.csv", encoding="utf-8") print(df)

輸出：

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, 散稱, 生鮮, 千克, 0.973, 5.43, 2.58, 否] Index: []

Scikit-Learn

Scikit-Learn依賴NumPy、Scipy和Matplotlib，是Python中強(qiáng)大的機(jī)器學(xué)習(xí)庫(kù)，提供了諸如數(shù)據(jù)預(yù)處理、分類、回歸、聚類、預(yù)測(cè)和模型分析等功能。

示例：創(chuàng)建線性回歸模型

from sklearn.linear_model import LinearRegression model= LinearRegression() print(model)

所有模型都提供的接口：

model.fit()：訓(xùn)練模型，監(jiān)督模型是fit(X,y)，無(wú)監(jiān)督模型是fit(X)

監(jiān)督模型提供的接口：

model.predict(X_new)：預(yù)測(cè)新樣本model.predict_proba(X_new)：預(yù)測(cè)概率，僅對(duì)某些模型有用（LR）

無(wú)監(jiān)督模型提供的接口：

model.ransform()：從數(shù)據(jù)中學(xué)到新的“基空間”model.fit_transform()：從數(shù)據(jù)中學(xué)到的新的基，并將這個(gè)數(shù)據(jù)按照這組“基”進(jìn)行轉(zhuǎn)換

Scikit-Learn本身自帶了一些數(shù)據(jù)集，如花卉和手寫(xiě)圖像數(shù)據(jù)集等，下面以花卉數(shù)據(jù)集舉個(gè)栗子，訓(xùn)練集包含4個(gè)維度——萼片長(zhǎng)度、寬度，花瓣長(zhǎng)度和寬度，以及四個(gè)亞屬分類結(jié)果。

示例：

from sklearn import datasets # 導(dǎo)入數(shù)據(jù)集 from sklearn import svm iris = datasets.load_iris() # 加載數(shù)據(jù)集 clf = svm.LinearSVC() # 建立線性SVM分類器 clf.fit(iris.data, iris.target) # 用數(shù)據(jù)訓(xùn)練模型 print(clf.predict([[5, 3, 1, 0.2], [5.0, 3.6, 1.3, 0.25]]))

輸出：

[0 0]

Keras

Keras是基于Theano的深度學(xué)習(xí)庫(kù)，它不僅可以搭建普通神經(jīng)網(wǎng)絡(luò)，還可以搭建各種深度學(xué)習(xí)模型，如自編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等，運(yùn)行速度也很快，簡(jiǎn)化了搭建各種神經(jīng)網(wǎng)絡(luò)模型的步驟，允許普通用戶輕松搭建幾百個(gè)輸入節(jié)點(diǎn)的深層神經(jīng)網(wǎng)絡(luò)，定制度也很高。

示例：簡(jiǎn)單的MLP（多層感知器）

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)) # 添加輸入層（20節(jié)點(diǎn)）、第一隱藏層（64節(jié)點(diǎn)）的連接 model.add(Activation('tanh')) # 第一隱藏層用tanh作為激活函數(shù) model.add(Dropout(0.5)) # 使用Dropout防止過(guò)擬合 model.add(Dense(64, 64)) # 添加第一隱藏層（64節(jié)點(diǎn)）、第二隱藏層（64節(jié)點(diǎn)）的連接 model.add(Activation('tanh')) # 第二隱藏層用tanh作為激活函數(shù) model.add(Dense(64, 1)) # 添加第二隱藏層（64節(jié)點(diǎn)）、輸出層（1節(jié)點(diǎn)）的連接 model.add(Activation('sigmod')) # 第二隱藏層用sigmod作為激活函數(shù) sgd=SGD(lr=0.1,decay=1e-6,momentum=0.9,nesterov=True) # 定義求解算法 model.compile(loss='mean_squared_error',optimizer=sgd) # 編譯生成模型，損失函數(shù)為平均誤差平方和 model.fit(x_train,y_train,nb_epoch=20,batch_size=16) # 訓(xùn)練模型 score = model.evaluate(X_test,y_test,batch_size=16) # 測(cè)試模型

參考：

Keras中文文檔

如何計(jì)算兩個(gè)文檔的相似度（二）

Genism

Genism主要用來(lái)處理語(yǔ)言方面的任務(wù)，如文本相似度計(jì)算、LDA、Word2Vec等。

示例：

import logging from gensim import models logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) sentences = [['first', 'sentence'], ['second', 'sentence']] # 將分好詞的句子按列表形式輸入 model = models.Word2Vec(sentences, min_count=1) # 用以上句子訓(xùn)練詞向量模型 print(model['sentence']) # 輸出單詞sentence的詞向量

輸出：

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]