python数据分析与挖掘知识点有哪些
这篇文章主要讲解了“python数据分析与挖掘知识点有哪些”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“python数据分析与挖掘知识点有哪些”吧！
成都创新互联公司是一家以网站建设、网页设计、品牌设计、软件运维、营销推广、小程序App开发等移动开发为一体互联网公司。已累计为三轮搅拌车等众行业中小客户提供优质的互联网建站和软件开发服务。
python数据分析简介
2.2、python使用入门
2.2.3、数据结构
python有4个内建的数据结构–list（列表）、tuple（元组）、dictionary（字典）以及set（集合），它们可以统称为容器。
(1)列表/元组
从功能上看，列表与元组的区别是，列表可以被修改，而元组不可以。
如果已经有了一个列表a，同时想复制a，命名为变量b，那么b==a是无效的，这个时候b仅仅是a的一个别名（或者说引用），修改b也会修改a的。正确的复制方法应该是b==a[:]
表2-1 列表/元组相关的函数
| 函数 | 功能 | 函数 | 功能 |
|---|---|---|---|
| cmp(a,b) | 比较两个列表/元组的元素 | min(a) | 返回列表/元组元素最小值 |
| len(a) | 列表/元组元素个数 | sum(a) | 将列表/元组中的元素求和 |
| max(a) | 返回列表/元组元素最大值 | sorted(a) | 对列表的元素进行升序排序 |
表2-2列表相关的方法
| 函 数 | 功 能 |
|---|---|
| a.append(1) | 将1添加到列表a末尾 |
| a.count(1) | 统计列表a中元素1出现的次数 |
| a.extend([1, 2]) | 将列表[1, 2]的内容追加到列表a的末尾中 |
| a.index(1) | 从列表a中找出第一个1的索引位置 |
| a.insert(2, 1) | 将1插入列表a的索引为2的位置 |
| a.pop(1) | 移除列表a中索引为1的元素 |
(2)字典
dict([['today',20],['tomorrow',30]]) #也相当于{'today':20, 'tomorrow':30 }
dict.fromkeys(['today', 'tomorrow'],20) #相当于{'today':20, 'tomorrow':20}(3)集合
Python内置了集合这一数据结构，同数学上的集合概念基本上是一致的，它与列表的区 别在于：1.它的元素是不重复的，而且是无序的；2.它不支持索引。一般我们通过花括号{} 或者set()函数来创建一个集合。
s = (1, 2, 2, 3} #注意2会自动去重，得到{1, 2, 3}
s = set([1, 2, 2, 3]) #同样，它将列表转换为集合，得到{1, 2, 3}由于集合的特殊性(特别是无序性)，因此集合有一些特别的运算。
a = t | s # t和s的并集 b = t & s #t和s的交集 c = t - s #求差集(项在t中，但不在s中) d = t^s #对称差集(项在t或s中，但不会同时出现在二者中)
(4)函数式编程
在python中，函数式编程主要由几个函数的使用构成：lambda()、map()、reduces()、filter()，
f=lambda x : x+2 #定义函数f(x)=x+2 g=lambda x,y : x+y # 定义函数g(x,y)=x+y a=[1,2,3] b=map(lambda x: x+2,a) b=list(b) # 结果是[3,4,5]
在3.x需要b=list(b)这一步，在2.x不需要这步，原因是在3.x中，map函数仅仅是创建一个待运行的命令容器，只有其它函数调用它的时候才返回结果。
reduce()函数用于递归计算
reduce(lambda x,y: x*y,range(1,n+1)) 等价于 s=1 for i in range(1,n+1): s=s*i
在2.x中上述命令可以直接运行，在3.x中reduce函数已经被移除了全局命名空间，它被置于fuctools库中，如需使用，则需要通过 from fuctools import reduce
filter()函数是一个过滤器
b=filter(lambda x :x>5 and x<8,range(10)) b=list(b) # 结果是[6,7]
2.2.4、库的导入与添加
（1）库的导入
import math math.sin (1) #计算正弦 math.exp (1) #计算指数 math.pi #内置的圆周率常数 import math as m m.sin (1) #计算正弦 from math import exp as e #只导入math库中的exp函数，并起别名e e(1) #计算指数 sin (1) #此时sin (1)和math.sin(l)都会出错，因为没被导入
（2）导入 future 特征(For 2.x)
Python 2.x与3.x之间的差别不仅仅在内核上，也表现在代码的实现中。比如，在2.x 中，print是作为一个语句出现的，用法为print a :但是在3.x中，它是作为函数出现的，用 法为print(a)。为了保证兼容性，本书的基本代数是使用3.x的语法编写的，而使用2.x的读 者，可以通过引入fbture特征的方式兼容代码，如，
#将print变成函数形式，即用print (a)格式输出 from __future__ import print_function #3.x的3/2=1.5, 3//2才等于 1; 2.x中3/2=1 from __future__ import division
2.3、python数据分析工具
表2-4 Python数据挖掘相关扩展库
| 扩展库 | 简 介 |
|---|---|
| Numpy | 提供数组支持，以及相应的高效的处理函数 |
| Scipy | 提供矩阵支持，以及矩阵相关的数值计算模块 |
| Matplotlib | 强大的数据可视化工具、作图库 |
| Pandas | 强大、灵活的数据分析和探索工具 |
| StatsModels | 统计建模和计量经济学，包括描述统计、统计模型估计和推断 |
| Scikit-Leam | 支持回归、分类、聚类等的强大的机器学习库 |
| Keras | 深度学习库，用于建立神经网络以及深度学习模型 |
| Gensim | 用来做文本主题模型的库，文本挖掘可能用到 |
2.3.1、numpy
pip install numpy
代码清单2-1，numpy基本操作
# -*- coding: utf-8 -*- import numpy as np #一般以np作为numpy的别名 a = np.array([2, 0, 1, 5]) #创建数组 print(a) #输出数组 print(a[:3]) #引用前三个数字（切片） print(a.min()) #输出a的最小值 a.sort() #将a的元素从小到大排序，此操作直接修改a，因此这时候a为[0, 1, 2, 5] print(a) b= np.array([[1, 2, 3], [4, 5, 6]]) #创建二维数组 print(b*b) #输出数组的平方阵，即[[1, 4, 9], [16, 25, 36]]
2.3.2、scipy
scipy包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变化、信号处理和图像处理、常微分方程求解和其它科学与工程中常用的计算，这些功能都是数据挖掘和建模必备的。
scipy依赖于numpy
pip install scipy
代码清单2-2，scipy求解非线性方程组和数值积分
# -*- coding: utf-8 -*- #求解非线性方程组2x1-x2^2=1,x1^2-x2=2 from scipy.optimize import fsolve #导入求解方程组的函数 def f(x): #定义要求解的方程组 x1 = x[0] x2 = x[1] return [2*x1 - x2**2 - 1, x1**2 - x2 -2] result = fsolve(f, [1,1]) #输入初值[1, 1]并求解 print(result) #输出结果，为array([ 1.91963957, 1.68501606]) #数值积分 from scipy import integrate #导入积分函数 def g(x): #定义被积函数 return (1-x**2)**0.5 pi_2, err = integrate.quad(g, -1, 1) #积分结果和误差 print(pi_2 * 2) #由微积分知识知道积分结果为圆周率pi的一半
2.3.3、matplotlib
pip install matplotlib
代码清单2-3，matplotlip作图的基本代码
# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt #导入Matplotlib
x = np.linspace(0, 10, 1000) #作图的变量自变量
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.plot(x,y,label = '$\sin x+1$', color = 'red', linewidth = 2) #作图，设置标签、线条颜色、线条大小
plt.plot(x, z, 'b--', label = '$\cos x^2+1$') #作图，设置标签、线条类型
plt.xlabel('Time(s) ') # x轴名称
plt.ylabel('Volt') # y轴名称
plt.title('A Simple Example') #标题
plt.ylim(0, 2.2) #显示的y轴范围
plt.legend() #显示图例
plt.show() #显示作图结果如果读者使用的是中文标签，就会发现中文标签无法正常显示。这是由于Matplotlib的默认字体是英文字体所致，解决它的办法是在作图之前手动指定默认字体为中文字体，如黑体（SimHei）。
plt.rcParams['font.sans-serif'] = ['SimHei'] # 这两句用来正式显示中文标签
另外。保存作图图像时，负号有可能显示不正常，可以通过以下代码解决：
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
这里有一个小建议给读者：有时间多去Matplotlib提供的“画廊”欣赏它做出来漂亮效果，也许你就慢慢的爱上Matplotlib作图了。
2.3.4、pandas
pip install pandas
pandas是python下最强大的数据分析和探索工具，pandas的名称来自于面板数据（Panel Data）和python数据分析（Data Analysis）。
pip install xlrd # 为python添加读取excel的功能 pip install xlwt # 为python添加写入excel的功能
pandas基本的数据结构是Series和DataFrame。Series就是序列，类似一维数组；DataFrame则是相当于一张二维的表格，类似二维数组，它的每一列都是一个Series。
代码清单2-4，pandas的简单例子
# -*- coding: utf-8 -*-
import pandas as pd #通常用pd作为pandas的别名。
s = pd.Series([1,2,3], index=['a', 'b', 'c']) #创建一个序列s
d = pd.DataFrame([[1, 2, 3], [4, 5, 6]], columns = ['a', 'b', 'c']) #创建一个表
d2 = pd.DataFrame(s) #也可以用已有的序列来创建表格
d.head() #预览前5行数据
d.describe() #数据基本统计量
#读取文件，注意文件的存储路径不能带有中文，否则读取可能出错。
pd.read_excel('data.xls') #读取Excel文件，创建DataFrame。
pd.read_csv('data.csv', encoding = 'utf-8') #读取文本格式的数据，一般用encoding指定编码。2.3.5、statsmodels
pip install statsmodels
pandas着眼于数据的读取、处理和探索，而statsmodels则更注重数据的统计建模分析，它使得python有了R语言的味道。statsmodels支持与pandas进行数据交互，因此，它与pandas结合，成为了python下强大的数据挖掘组合。
代码清单2-5，用statsmodels来进行ADF平稳性检验的例子
# -*- coding: utf-8 -*- from statsmodels.tsa.stattools import adfuller as ADF # 导入ADF检验 import numpy as np result=ADF(np.random.rand(100)) #返回的结果有ADF值、p值等 print(result)
2.3.6、scikit-learn
pip install scikit-learn
scikit-learn是python下强大的学习工具包，它提供了完善的机器学习工具箱，包括数据预处理、分类、回归、聚类、预测和模型分析等。
scikit-learn依赖于numpy、scipy和matplotlib。
代码清单2-6，创建一个简单的机器学习模型
# -*- coding: utf-8 -*- from sklearn.linear_model import LinearRegression # 导入线性回归模型 model=LinearRegression()# 建立线性回归模型 print(model)
1）所有模型提供的接口有：
model.fit()：训练模型，对于监督模型来说是fit(X,y)，对于非监督模型是fit(X)。
2）监督模型提供的接口有：
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（比如LR）
model.score()：得分越高，fit越好
3）非监督模型提供的接口有：
model.transform()：从数据间学到新的“基空间”。
model.fit_transform()：从数据中学到新的基并将这个数据按照这组“基”进行转换。
scikit-learn本身提供一些实例数据，比较常见的有安德森鸢尾花卉数据集、手写图像数据集等。
代码清单2-7，创建一个SVM模型
# -*- coding: utf-8 -*- from sklearn import datasets # 导入数据集 iris=datasets.load_iris() # 加载数据集 print(iris.data.shape) # 查看数据集大小 from sklearn import svm # 导入SVM模型 clf=svm.LinearSVC() # 建立线性SVM分类器 clf.fit(iris.data,iris.target) # 用数据训练模型 result=clf.predict([[5.0,3.6,1.3,0.25]]) # 训练好模型之后，输入新的数据进行预测 print(result) params=clf.coef_ # 查看训练好模型的参数 print(params)
2.3.7、keras
虽然scikit-learn足够强大，但是它并没有包含一种强大的模型–人工神经网络。
本书用keras库搭建神经网络。事实上，keras并非简单的神经网络库，而是一个基于Theano的强大的深度学习库，利用它不仅仅可以搭建普通的神经网络，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、卷积神经网络等特点，最重要的是它还实现了GPU加速，使得密集型数据的处理速度是CPU的数十倍。
有必要介绍一下Theano，它也是python的一个库，用来定义、优化和高效的解决多维数组数据对应数学表达式的模拟估计问题。它具有高效地实现符号分解、高度优化的速度和稳定性等特点，最重要的是它还实现了GPU加速，使得密集型数据的处理速度是CPU的数十倍。
用Theano就可以搭建起高效的神经网络模型，但是对于普通读者来说门槛还是相当高的，keras正是为此而生，它大大简化了搭建各种神经网络模型的步骤，允许普通用户轻松的搭建并求解具有几百个输入节点的深层神经网络，而且定制的自由度非常大，甚至可以惊呼：搭建神经网络可以如此简单！
安装keras之前需要先安装numpy，scipy，theano。安装theano先要准备一个C++编译器，这在linux下是自带的。因此linux下安装theano和keras非常简单，在windows下就没有那么简单了，因为它没有现成的编译环境。一般而言是先安装MinGW（windows下的GCC和G++）然后在安装Theano（提前安装好numpy等依赖库），最后安装keras。如果要实现GPU加速，还需要安装和配置CUDA。
pip install keras pip install theano
值得一提的是，在windows下keras的速度会大大折扣。
代码清单2-8，搭建一个MLP（多层感知器）
# -*- coding: utf-8 -*-
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(Dropout(0.5)) # 使用Dropout防止过拟合
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('sigmoid')) # 输出层用sigmoid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
X_train=None
y_train=None
X_test=None
y_test=None
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) # 测试模型要注意的是，keras的预测函数与scikit-learn有所差别，keras用model.predict()方法给出概率，model.predict_classes()方法给出分类结果。
2.3.8、gensim
gensim是用来处理语言方面的任务，如文本相识度计算、LDA、word2vec等
代码清单2-9，gensim使用word2vec的简单例子
# -*- coding: utf-8 -*- import gensim,logging # logging是用来输出训练日志的 logging.basicConfig(format='%(asctime)s:%(levelname)s:%(message)s',level=logging.INFO) # 分好词的句子，每个句子以词列表的形式输入 sentences=[['first','sentence'],['second','sentence']] # 用以上句子训练词向量模型 model=gensim.models.Word2Vec(sentences,min_count=1) print(model['sentence']) # 输出单词sentence的词向量
感谢各位的阅读，以上就是“python数据分析与挖掘知识点有哪些”的内容了，经过本文的学习后，相信大家对python数据分析与挖掘知识点有哪些这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！
名称栏目：python数据分析与挖掘知识点有哪些
本文URL：http://pwwzsj.com/article/ghseoc.html
