Python语言在数据分析、挖掘场景中常用特性

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：

列表（可以被修改），元组（不可以被修改）

字典（结构）

集合（同数学概念上的集合）

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

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：

[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

# 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：

[ 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

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

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：

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

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

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)

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）

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：

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：   

[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）

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：

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：

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]