python数据分析--精选文档

《python数据分析--精选文档》由会员分享，可在线阅读，更多相关《python数据分析--精选文档（32页珍藏版）》请在金锄头文库上搜索。

1、python数据分析(pandas)几年后发生了。在使用SAS工作超过5年后，我决定走出自己的舒适区。作为一个数据科学家，我寻找其他有用的工具的旅程开始了！幸运的是，没过多久我就决定，Python作为我的开胃菜。 我总是有一个编写代码的倾向。这次我做的是我真正喜欢的。代码。原来，写代码是如此容易！ 我一周内学会了Python基础。并且，从那时起，我不仅深度探索了这门语言，而且也帮助了许多人学习这门语言。Python是一种通用语言。但是，多年来，具有强大的社区支持，这一语言已经有了专门的数据分析和预测模型库。 由于Python缺乏数据科学的资源，我决定写这篇教程来帮助别人更快地学习Python。

2、在本教程中，我们将讲授一点关于如何使用Python进行数据分析的信息，咀嚼它，直到我们觉得舒适并可以自己去实践。目录1. 数据分析的Python基础o 为什么学Python用来数据分析o Python 2.7 v/s 3.4o 怎样安装Pythono 在Python上运行一些简单程序2. Python的库和数据结构o Python的数据结构o Python的迭代和条件结构o Python库3. 在Python中使用Pandas进行探索性分析o 序列和数据框的简介o 分析Vidhya数据集贷款的预测问题4. 在Python中使用Pandas进行数据再加工5. 使用Python中建立预测模型o 逻

3、辑回归o 决策树o 随机森林让我们开始吧1.数据分析的Python基础为什么学Python用来数据分析 很多人都有兴趣选择Python作为数据分析语言。这一段时间以来，我有比较过SAS和R。这里有一些原因来支持学习Python： 开源免费安装 极好的在线社区 很容易学习 可以成为一种通用的语言，用于基于Web的分析产品数据科学和生产中。 不用说，它仍然有几个缺点： 它是一种解释性的语言，而不是编译的语言，因此可能占用更多的CPU时间。然而，由于它节省了程序员的时间（由于学习的方便），它可能仍然是一个很好的选择。Python 2.7 v/s 3.4 这是关于Python的一个最具争议的话题。你可

4、能总是不能避免遇到，尤其是如果你是一个初学者。这里没有正确/错误的选择。它完全取决于具体情况和你的需要。我会尝试给你一些建议，以帮助你做出明智的选择。为什么选择Python 2.71. 极好的社区支持！这是你在初期需要的东西。Python 2发行于2000年末，已经被使用超过15年。2. 很多第三方库！虽然许多库已经提供了3.X的支持，但仍然有大量的模块只工作在2.X。如果你计划将Python用于具体的应 用，如Web开发这种高度依赖外部模块的，你选择2.7可能会更好。3. 3.X版本的一些特性有向后兼容性，可以使用2.7版本。为什么选择Python 3.41. 更整齐和更快！Python开发

5、者修正了一些固有的问题和小缺点，以此为未来建立一个强大的基础。这些可能不是很相关，但最终会很重要。2. 这是未来！2.7是2 .X族发布的最后一个版本，并且最终每个人都要转移到3.X版本。Python 3在过去5年已经发布的稳定版本，并将继续。 没有明确的赢家，但我想，底线是，你应该专注于学习Python语言。版本之间的转换应该只是一个时间问题。敬请期待，不久的将来一个专门对比Python 2.X和3 X的文章！怎样安装Python有两种方法安装Python 你可以直接从项目网站下载Python，然后单独安装你想要的组件和库 或者，你可以下载并安装一个包，它附带了预装的库。我建议您下载Anac

6、onda。另一种选择是 Enthought Canopy Express。第二种方法提供了一个避免麻烦的安装，因此我会推荐给初学者。这种方法是你必须等待整个包进行升级， 即使你只是对一个单一的库的最新版本感兴趣。它应该不重要，直到和除非，直到和除非，你正在做的尖端统计研究。选择开发环境 一旦你已经安装了Python，选择环境可以有很多种选择。这里是3个最常见的选择： 终端/基于Shell IDLE(默认环境) iPython notebook 类似于R的markdown 而环境权取决于你的需要，我个人更喜欢iPython notebook一点 。它提供了许多良好的功能，编写代码的同时还可以用于

7、记录，你可以选择在上面运行代码块（而不是一行一行的执行）。我们在整个教程中将使用Ipython 环境热身：跑第一个Python程序 你可以使用Python作为一个简单的计算器来开始：有一些事情需要注意： 你可以在你的终端/ CMD键入“IPython notebook”来启动IPython notebook，这取决于你的工作在操作系统 你可以通过简单地点击上面截图中的名字来对IPython notebook命名 界面显示In*代表输入和Out*代表输出。 你可以通过按“Shift + Enter”或“ALT + Enter”来执行代码，如果你后面还想插入一行。 在我们深入挖掘如何解决问题之前，

8、让我们退后一步，了解Python的基本知识。当我们知道数据结构和迭代和条件结构是形成任何语言的关键。在Python中，这些包括列表、字符串、元组、字典、for循环，while循环，if-else等等，让我们来看看下面的因素。2 .在Python上运行一些简单程序Python的数据结构 以下是Python中使用的一些数据结构。你应该熟悉他们，以便恰当的使用它们。 列表列表是在Python中最通用的数据结构。列表可以这样简单的定义：就是在方括号中一系列用逗号来分隔的值。列表可能包含不同类型的项，但它们通常都有相同类型的。Python列表是可变的，列表中的单个元素是可以改变的。 这里是一个快速的例子

9、，定义了一个列表，然后访问它： 字符串字符串可以简单的使用单引号（）、双引号（”）或三引号（）来定义。字符串封闭三引号（）中可以跨越多行的代码，在文档字符串中是很常用的（记录功能的Python方式）。作为一个转义字符。请注意，Python中的字符串是不可变的，所以你不能改变字符串的部分。 元组元组由一系列由逗号分隔的值表示。元组是不可变的，输出的用括号包围，目的是嵌套结构可以被正确处理。此外，尽管元组是不可变的，但它们可以在必要是含有可变数据。 因为元组是不可变的，不可改变的，他们相对列表来说可以处理的更快。因此，如果你的清单是不可能改变的，你应该使用元组，而不是列表。 字典字典是键：值对一个

10、无序集合，要求键是唯一的（在一个字典里）。一对大括号创建一个空的字典： 。Python的迭代和条件结构 和大多数语言一样，Python也有一个FOR循环，这是最广泛使用的迭代方法。它有一个简单的语法： 这里的“Python的迭代可以是列表、元组或其他先进的数据结构，我们将在后面的章节中探讨。让我们来看看一个简单的例子，确定一个数字的因子。 来看看条件语句，它们是用来基于条件执行代码片段。最常用的结构是if-else，有以下语法： 例如，如果我们想打印出某个数字n是偶数还是奇数： 既然你熟悉了Python的基础，我们来更近一步。如果你像完成以下任务：1. 乘2矩阵2. 求二次方程的根3. 绘制条

11、形图和直方图4. 建立统计模型5. 访问网页 如果你想从零开始写代码，它将是一场噩梦，你使用Python不会超过2天！但不要担心这些。值得庆幸的是，有许多预定义的库，我们可以直接导入到我们的代码，使我们的生活很容易。例如，考虑我们刚才看到的因子的例子。我们可以一步就完成： 当然，为了这样我们需要导入的math库。让我们探索下一个不同的库。Python库 在开始我们的学习Python之旅之前，让我们先一步，了解一些有用的python库。第一步显然是要学会将它们导入到我们的环境中。在Python中有以下几种方法： 在第一种方式中，我们已经为math库定义了一个别名m。现在我们可以使用数学库的各种功

12、能（例如阶乘, 通过引用别名m.factorial() 。 第二方式，你需要导入math的整个命名空间，你可以直接使用factorial()，而不用提到math。提示：谷歌推荐您使用第一种方式导入库，因为您将知道函数来自何处。 下面是一个库列表，你将在任何科学计算和数据分析中用到： NumPy代表数值Python。NumPy最强大的功能是n维数组。该库还包含基本的线性代数函数，傅里叶变换，高级的随机数功能，以及集成其他低级语言如Fortran，C和C+的工具。 SciPy代表科学的Python。SciPy是基于NumPy的。它是最有用的库之一，具有各种高层次的科学和工程模块，如离散傅立叶变换，

13、线性代数，优化和稀疏矩阵。 Matplotlib用于绘制各种各样的图表，从直方图到线图，再到热图。你可以在IPython notebook中使用PyLab（IPython notebookPyLab = inline）以此使用这些绘图功能的inline。如果你忽略inline选项， PyLab 会将IPython notebook环境转换成类似于Matlab的环境。你也可以使用 Latex命令将math库添加到您的绘图中。 Pandas对于结构化数据操作和控制。它广泛用于数据再加工和数据准备。Pandas说最近一直在推动对Python Python的使用数据科学家共同体的工具。 Scikit

14、Learn机器学习库。建立在NumPy、SciPy和matplotlib的基础上，这个库包含了机器学习和统计模型包括分类、回归、聚类和降维等很多有效的工具。 Statsmodels用于统计建模。statsmodels是一个Python模块，允许用户探索数据，估计统计模型，并进行统计检验。一个广泛的描述性统计，统计检验的列表。绘图功能，和结果统计可用于不同类型的数据和每个估计。 Seaborn用于统计数据的可视化。Seaborn是Python中用来绘制让人喜欢的并能提供大量信息的统计图形库。它是基于matplotlib。Seaborn旨在使可视化成为探索和理解数据的核心部分。 Bokeh创建交互

15、式图、仪表盘和现代Web浏览器上的数据应用。它允许用户生成的优雅和简洁的d3.js风格的图形。此外，在非常大的或流媒体数据集上，它具有高性能的交互性的能力。 Blaze扩展NumPy和Pandas的分布式和流媒体数据集。它可以用来访问来自多种来源的数据，包括bcolz，MongoDB，SQLAlchemy，Apache Spark, PyTables等等，结合Bokeh，Blaze可以作为一个非常强大的工具，用于对大规模数据创建高效的的可视化和仪表板。 Scrapy用于网络爬虫。它是用于获取特定数据模式的一个非常有用的框架，。它可以通过开始的一个网站主页的网址，然后通过挖掘网页内的网站收集信息。 SymPy用于符号计算。它具有广泛的功能，从基本的符号运算到微积分，代数，离散数学和量子物理学。另一个有用的功能是将计算的结果格式化为LaTeX码的能力。 Requests用于访问网络。它的工作原理类似于Python标准库urllib2，但是更容易编码。但对于初学者，你会发现和urllib2细微的差别，Requests可能更方便。 其它