preface

Python在大數(shù)據(jù)行業(yè)非?；鸨鼉赡?，as a pythonic，所以也得涉足下大數(shù)據(jù)分析，下面就聊聊它們。

Python數(shù)據(jù)分析與挖掘技術(shù)概述

所謂數(shù)據(jù)分析，即對(duì)已知的數(shù)據(jù)進(jìn)行分析，然后提取出一些有價(jià)值的信息，比如統(tǒng)計(jì)平均數(shù)，標(biāo)準(zhǔn)差等信息，數(shù)據(jù)分析的數(shù)據(jù)量可能不會(huì)太大，而數(shù)據(jù)挖掘，是指對(duì)大量的數(shù)據(jù)進(jìn)行分析與挖倔，得到一些未知的，有價(jià)值的信息等，比如從網(wǎng)站的用戶和用戶行為中挖掘出用戶的潛在需求信息，從而對(duì)網(wǎng)站進(jìn)行改善等。
數(shù)據(jù)分析與數(shù)據(jù)挖掘密不可分，數(shù)據(jù)挖掘是對(duì)數(shù)據(jù)分析的提升。數(shù)據(jù)挖掘技術(shù)可以幫助我們更好的發(fā)現(xiàn)事物之間的規(guī)律。所以我們可以利用數(shù)據(jù)挖掘技術(shù)可以幫助我們更好的發(fā)現(xiàn)事物之間的規(guī)律。比如發(fā)掘用戶潛在需求，實(shí)現(xiàn)信息的個(gè)性化推送，發(fā)現(xiàn)疾病與病狀甚至病與藥物之間的規(guī)律等。

預(yù)先善其事必先利其器

我們首先聊聊數(shù)據(jù)分析的模塊有哪些：

1. numpy 高效處理數(shù)據(jù)，提供數(shù)組支持，很多模塊都依賴它，比如pandas，scipy，matplotlib都依賴他，所以這個(gè)模塊都是基礎(chǔ)。所以必須先安裝numpy。
2. pandas 主要用于進(jìn)行數(shù)據(jù)的采集與分析
3. scipy 主要進(jìn)行數(shù)值計(jì)算。同時(shí)支持矩陣運(yùn)算，并提供了很多高等數(shù)據(jù)處理功能，比如積分，微分方程求樣等。
4. matplotlib 作圖模塊，結(jié)合其他數(shù)據(jù)分析模塊，解決可視化問題
5. statsmodels 這個(gè)模塊主要用于統(tǒng)計(jì)分析
6. Gensim 這個(gè)模塊主要用于文本挖掘
7. sklearn，keras 前者機(jī)器學(xué)習(xí)，后者深度學(xué)習(xí)。

下面就說說這些模塊的基礎(chǔ)使用。

numpy模塊安裝與使用

安裝：
下載地址是：http://www.lfd./~gohlke/pythonlibs/
我這里下載的包是1.11.3版本，地址是：http://www.lfd./~gohlke/pythonlibs/f9r7rmd8/numpy-1.11.3+mkl-cp35-cp35m-win_amd64.whl
下載好后，使用pip install "numpy-1.11.3+mkl-cp35-cp35m-win_amd64.whl"
安裝的numpy版本一定要是帶mkl版本的，這樣能夠更好支持numpy

numpy簡單使用

import numpy

x=numpy.array([11,22,33,4,5,6,7,])  #創(chuàng)建一維數(shù)組
x2=numpy.array([['asfas','asdfsdf','dfdf',11],['1iojasd','123',989012],["jhyfsdaeku","jhgsda"]])    #創(chuàng)建二維數(shù)組,注意是([])

x.sort()   #排序，沒有返回值的，修改原處的值，這里等于修改了X
x.max()    # 最大值，對(duì)二維數(shù)組都管用
x.min()    # 最小值，對(duì)二維數(shù)組都管用
x1=x[1:3]   # 取區(qū)間，和python的列表沒有區(qū)別

生成隨機(jī)數(shù)

主要使用numpy下的random方法。

#numpy.random.random_integers(最小值,最大值,個(gè)數(shù))  獲取的是正數(shù)
data = numpy.random.random_integers(1,20000,30)   #生成整形隨機(jī)數(shù)
#正態(tài)隨機(jī)數(shù)  numpy.random.normal(均值,偏離值,個(gè)數(shù))  偏離值決定了每個(gè)數(shù)之間的差 ,當(dāng)偏離值大于開始值的時(shí)候，那么會(huì)產(chǎn)生負(fù)數(shù)的。
data1 = numpy.random.normal(3.2,29.2,10)    # 生成浮點(diǎn)型且是正負(fù)數(shù)的隨機(jī)數(shù)

pandas

使用pip install pandas即可

直接上代碼：
下面看看pandas輸出的結(jié)果， 這一行的數(shù)字第幾列，第一列的數(shù)字是行數(shù)，定位一個(gè)通過第一行，第幾列來定位：

print(b)
      0     1     2    3    
0     1     2     3  4.0
1  sdaf  dsaf  18hd  NaN
2  1463  None  None  NaN

常用方法如下：

import pandas
a=pandas.Series([1,2,3,34,])   # 等于一維數(shù)組
b=pandas.DataFrame([[1,2,3,4,],["sdaf","dsaf","18hd"],[1463]])   # 二維數(shù)組
print(b.head())  # 默認(rèn)取頭部前5行,可以看源碼得知
print(b.head(2))  # 直接傳入?yún)?shù)，如我寫的那樣
print(b.tail())   # 默認(rèn)取尾部前后5行
print(b.tail(1))     # 直接傳入?yún)?shù)，如我寫的那樣

下面看看pandas對(duì)數(shù)據(jù)的統(tǒng)計(jì)，下面就說說每一行的信息

# print(b.describe())   # 顯示統(tǒng)計(jì)數(shù)據(jù)信息
         3      # 3表示這個(gè)二維數(shù)組總共多少個(gè)元素
count  1.0      # 總數(shù)
mean   4.0      # 平均數(shù)
std    NaN      # 標(biāo)準(zhǔn)數(shù)
min    4.0      # 最小數(shù)
25%    4.0      # 分位數(shù)
50%    4.0      # 分位數(shù)
75%    4.0      # 分位數(shù)
max    4.0      # 最大值

轉(zhuǎn)置功能：把行數(shù)轉(zhuǎn)換為列數(shù)，把列數(shù)轉(zhuǎn)換為行數(shù)，如下所示：

print(b.T)   # 轉(zhuǎn)置
   0     1     2   
0  1  sdaf  1463
1  2  dsaf  None
2  3  18hd  None
3  4   NaN   NaN

通過pandas導(dǎo)入數(shù)據(jù)

pandas支持多種輸入格式，我這里就簡單羅列日常生活最常用的幾種，對(duì)于更多的輸入方式可以查看源碼后者官網(wǎng)。

CSV文件

csv文件導(dǎo)入后顯示輸出的話，是按照csv文件默認(rèn)的行輸出的，有多少列就輸出多少列，比如我有五列數(shù)據(jù)，那么它就在prinit輸出結(jié)果的時(shí)候，就顯示五列

csv_data = pandas.read_csv('F:\Learnning\CSDN-python大數(shù)據(jù)\hexun.csv')
print(csv_data)

excel表格

依賴于xlrd模塊，請安裝它。
老樣子，原滋原味的輸出顯示excel本來的結(jié)果，只不過在每一行的開頭加上了一個(gè)行數(shù)

excel_data = pandas.read_excel('F:\Learnning\CSDN-python大數(shù)據(jù)\cxla.xls')
print(excel_data)

讀取SQL

依賴于PyMySQL，所以需要安裝它。pandas把sql作為輸入的時(shí)候，需要制定兩個(gè)參數(shù)，第一個(gè)是sql語句，第二個(gè)是sql連接實(shí)例。

conn=pymysql.connect(host="127.0.0.1",user="root",passwd="root",db="test")
sql="select * from fortest"
e=pda.read_sql(sql,conn)

讀取HTML

依賴于lxml模塊，請安裝它。
對(duì)于HTTPS的網(wǎng)頁，依賴于BeautifulSoup4，html5lib模塊。
讀取HTML只會(huì)讀取HTML里的表格，也就是只讀取<table>標(biāo)簽包裹的內(nèi)容.

html_data = pandas.read_html('F:\Learnning\CSDN-python大數(shù)據(jù)\shitman.html')   # 讀取本地html文件。
html_from_online = pandas.read_html('https://book.douban.com/')  # 讀取互聯(lián)網(wǎng)的html文件
print(html_data)
print('html_from_online')

顯示的是時(shí)候是通過python的列表展示，同時(shí)添加了行與列的標(biāo)識(shí)

讀取txt文件

輸出顯示的時(shí)候同時(shí)添加了行與列的標(biāo)識(shí)

text_data = pandas.read_table('F:\Learnning\CSDN-python大數(shù)據(jù)\dforsay.txt')
print(text_data)

scipy

安裝方法是先下載whl格式文件，然后通過pip install “包名” 安裝。whl包下載地址是：http://www.lfd./~gohlke/pythonlibs/f9r7rmd8/scipy-0.18.1-cp35-cp35m-win_amd64.whl

matplotlib 數(shù)據(jù)可視化分析

我們安裝這個(gè)模塊直接使用pip install即可。不需要提前下載whl后通過 pip install安裝。

下面請看代碼：

from matplotlib import  pylab
import numpy
# 下面2行定義X軸，Y軸
x=[1,2,3,4,8]
y=[1,2,3,4,8]
# plot的方法是這樣使用（x軸數(shù)據(jù),y軸數(shù)據(jù),展現(xiàn)形式）
pylab.plot(x,y)   # 先把x,y軸的信息塞入pylab里面，再調(diào)用show方法來畫圖
pylab.show()    # 這一步開始畫圖,默認(rèn)是至線圖

畫出的圖是這樣的：

下面說說修改圖的樣式

關(guān)于圖形類型，有下面幾種：

1. 直線圖（默認(rèn)）
2. - 直線
3. -- 虛線
4. -. -.形式
5. : 細(xì)小虛線

關(guān)于顏色，有下面幾種：

1. c-青色
2. r-紅色
3. m-品紅
4. g-綠色
5. b-藍(lán)色
6. y-黃色
7. k-黑色
8. w-白色

關(guān)于形狀，有下面幾種：

1. s 方形
2. * 星形
3. p 五角形

我們還可以對(duì)圖稍作修改，添加一些樣式，下面修改圓點(diǎn)圖為紅色的點(diǎn)，代碼如下：

pylab.plot(x,y,'or')   # 添加O表示畫散點(diǎn)圖，r表示red
pylab.show()

我們還可以畫虛線圖，代碼如下所示：

pylab.plot(x,y,'r:')
pylab.show()

還可以給圖添加上標(biāo)題，x，y軸的標(biāo)簽,代碼如下所示

pylab.plot(x,y,'pr--')   #p是圖形為五角星，r為紅色，--表示虛線
pylab.title('for learnning')   # 圖形標(biāo)題
pylab.xlabel('args')   # x軸標(biāo)簽
pylab.ylabel('salary')   # y軸標(biāo)簽
pylab.xlim(2)    # 從y軸的2開始做線
pylab.show()

直方圖

利用直方圖能夠很好的顯示每一段的數(shù)據(jù)。下面使用隨機(jī)數(shù)做一個(gè)直方圖。

data1 = numpy.random.normal(5.0,4.0,10)   # 正態(tài)隨機(jī)數(shù)
pylab.hist(data1)
pylab.show()

Y軸為出現(xiàn)的次數(shù)，X軸為這個(gè)數(shù)的值（或者是范圍）

還可以指定直方圖類型通過histtype參數(shù)：

圖形區(qū)別語言無法描述很詳細(xì)，大家可以自信嘗試。

1. bar ：is a traditional bar-type histogram. If multiple data
   are given the bars are aranged side by side.
2. barstacked ：is a bar-type histogram where multiple
   data are stacked on top of each other.
3. step ：generates a lineplot that is by default
   unfilled.
   
4. stepfilled ：generates a lineplot that is by default
   filled.

舉個(gè)例子：

sty=numpy.arange(1,30,2)
pylab.hist(data1,histtype='stepfilled')
pylab.show() 

子圖功能

什么是子圖功能呢？子圖就是在一個(gè)大的畫板里面能夠顯示多張小圖，每個(gè)一小圖為大畫板的子圖。
我們知道生成一個(gè)圖是使用plot功能，子圖就是subplog。代碼操作如下：

#subplot(行,列,當(dāng)前區(qū)域)
pylab.subplot(2,2,1)   # 申明一個(gè)大圖里面劃分成4塊（即2*2），子圖使用第一個(gè)區(qū)域（坐標(biāo)為x=1,y=1）
pylab.subplot(2,2,2)  # 申明一個(gè)大圖里面劃分成4塊（即2*2），子圖使用第二個(gè)區(qū)域（坐標(biāo)為x=2,y=2）
x1=[1,4,6,9]
x2=[3,21,33,43]
pylab.plot(x1,x2)   # 這個(gè)plot表示把x,y軸數(shù)據(jù)塞入前一個(gè)子圖中。我們可以在每一個(gè)子圖后使用plot來塞入x,y軸的數(shù)據(jù)
pylab.subplot(2,1,2)  # 申明一個(gè)大圖里面劃分成2塊（即），子圖使用第二個(gè)區(qū)域（坐標(biāo)為x=1,y=2）
pylab.show()

實(shí)踐小例子

我們現(xiàn)在可以通過一堆數(shù)據(jù)來繪圖，根據(jù)圖能夠很容易的發(fā)現(xiàn)異常。下面我們就通過一個(gè)csv文件來實(shí)踐下，這個(gè)csv文件是某個(gè)網(wǎng)站的文章閱讀數(shù)與評(píng)論數(shù)。
先說說這個(gè)csv的文件結(jié)構(gòu)，第一列是序號(hào)，第二列是每篇文章的URL，第三列每篇文章的閱讀數(shù)，第四列是每篇評(píng)論數(shù)。
我們的需求就是把評(píng)論數(shù)作為Y軸，閱讀數(shù)作為X軸，所以我們需要獲取第三列和第四列的數(shù)據(jù)。我們知道獲取數(shù)據(jù)的方法是通過pandas的values方法來獲取某一行的值，在對(duì)這一行的值做切片處理，獲取下標(biāo)為3（閱讀數(shù)）和4（評(píng)論數(shù)）的值，但是，這里只是一行的值，我們需要是這個(gè)csv文件下的所有評(píng)論數(shù)和閱讀數(shù)，那怎么辦？聰明的你會(huì)說，我自定義2個(gè)列表，我遍歷下這個(gè)csv文件，把閱讀數(shù)和評(píng)論數(shù)分別添加到對(duì)應(yīng)的列表里，這不就行了嘛。呵呵，其實(shí)有一個(gè)更快捷的方法，那么就是使用T轉(zhuǎn)置方法，這樣再通過values方法，就能直接獲取這一評(píng)論數(shù)和閱讀數(shù)了，此時(shí)在交給你matplotlib里的pylab方法來作圖，那么就OK了。了解思路后，那么就寫吧。

下面看看代碼：

csv_data = pandas.read_csv('F:\Learnning\CSDN-python大數(shù)據(jù)\hexun.csv')
dt = csv_data.T   # 裝置下，把閱讀數(shù)和評(píng)論數(shù)轉(zhuǎn)為行
readers=dt.values[3]   
comments = dt.values[4]
pylab.xlabel(u'reads')
pylab.ylabel(u'comments')   # 打上標(biāo)簽
pylab.title(u"The Article's reads and comments")
pylab.plot(readers,comments,'ob')
pylab.show()