python数据分析过程示例.docx
《python数据分析过程示例.docx》由会员分享，可在线阅读，更多相关《python数据分析过程示例.docx（22页珍藏版）》请在冰豆网上搜索。
python数据分析过程示例
引言
?
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。
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。
1.数据分析的Python基础
o为什么学Python用来数据分析
oPython2.7v/s3.4
o怎样安装Python
o在Python上运行一些简单程序
2.Python的库和数据结构
oPython的数据结构
oPython的迭代和条件结构
oPython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。
Python2.7v/s3.4
?
这是关于Python的一个最具争议的话题。
你可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Python2.7
1.极好的社区支持！
这是你在初期需要的东西。
Python2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Python3.4
1.更整齐和更快！
Python开发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。
Python3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Python2.X和3X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Anaconda。
另一种选择是EnthoughtCanopyExpress。
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）
∙iPythonnotebook——类似于R的markdown
?
而环境权取决于你的需要，我个人更喜欢iPythonnotebook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“IPythonnotebook”来启动IPythonnotebook，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IPythonnotebook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，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，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，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IPythonnotebook中使用PyLab（IPythonnotebook–PyLab=inline）以此使用这些绘图功能的inline。
如果你忽略inline选项，PyLab会将IPythonnotebook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PythonPython的使用数据科学家共同体的工具。
∙ScikitLearn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，ApacheSpark,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。
?
其它的库，你可能需要
升级会员 