python数据分析.pdf

文档介绍：该【python数据分析 】是由【小sjj】上传分享，文档一共【46】页，该文档可以免费在线阅读，需要了解更多关于【python数据分析 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。:.
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****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****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。:.
目录

o为什么学Python用来数据分析

o怎样安装Python
o在Python上运行一些简单程序

oPython的数据结构
oPython的迭代和条件结构
oPython库
:.
o序列和数据框的简介
o分析Vidhya数据集——贷款的预测问题


o逻辑回归
o决策树
o随机森林
让我们开始吧

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****Python:
•开源——免费安装
•极好的在线社区
•很容易学****br/>•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****的方便),它可能仍然是一个很好的选
择。

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。

!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。
!,但仍然有大量的模块只工作在
。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,。
,。

!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。:.
!,
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****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
!
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。

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:





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****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
())。
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PythonPython的使用数据科学家共同体的工具。
•ScikitLearn机器学****库。建立在NumPy、SciPy和matplotlib的基础上,这个
库包含了机器学****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
。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:
•os用于操作系统和文件操作:.
•networkx和igraph基于数据操作绘制图形
•regularexpressions用于在文本数据中查找模式
•BeautifulSoup将探索Web。它不如Scrapy,它一次运行将从一个单一的网页
中提取信息。
现在我们已经熟悉Python的基础和更多的库,让我们深入到通过
Python解决问题。是的,我的意思是做一个预测模型!在这个过程
中,我们使用了一些强大的库,也遇到了下一级的数据结构。我们将
带你通过这3个关键阶段:
—从我们所拥有的数据中发现更多
—清理数据和并修改它使它更适合用来统计建模
—运行的实际算法,自得其乐

为了进一步探索我们的数据,让我把你介绍给另一种动物(好像
Python是不够的!)––Pandas:.
Pandas是Python最有用的一种数据分析库的我知道这些名字听起
来很奇怪,但坚持下去!)它们对于增加一直在增加Python在数据
科学界的使用量起了很大的作用。我们现在将使用Pandas从
AnalyticsVidhya的竞赛中读数据集,进行探索性分析,建立我们的
第一个基本分类算法来解决这一问题。
在加载数据之前,让我们了解Pandas中的2个关键的数据结构—
—序列和数据框
序列和数据框的简介
序列可以被理解为一个1维标记/索引数组。你可以通过这些标签访
问这个序列的各个元素。
一个数据框类似于Excel工作簿–你可以使用列名来引用列,可以通
过行号来访问行数据,本质的区别是,在数据帧中,列名和行号是列
和行的索引。
More:10MinutestoPandas
实践数据集——贷款预测问题:.
您可以从这里下载数据集。这里是变量的描述:
让我们从数据探索开始
开始,通过在你的你的终端/Windows命令提示符键入下面的代
码,来以InlinePylab模式启动IPython界面:
这在PyLab环境下打开IPythonnotebook,其中有几个有用的库
已经导入。此外,你将能够绘制您的数据内联,这对于互动的数据分:.
析是一个非常好的环境。你可以通过键入以下命令,检查环境是否正
确的加载了(并获得如下图所示的输出):
plot(arange(5))
我目前在Linux上工作,并已将数据集存储在以下位置:
/home/kunal/Downloads/Loan_Prediction/
导入库和数据集:
下面是我们将在本教程中使用的库:
•numpy
•matplotlib
•pandas
请注意,你不需要导入matplotlib和NumPy,因为是在PyLab环
境下。但我仍然在代码中保留了它们,以防你在不同的环境中使用代
码。:.
导入库以后,你可以使用read_csv()函数读数据集。这是直到这个
阶段的代码:
快速数据探索
一旦你读取了数据,可以通过使用head()函数查看一下前几行的数
据::.
这应该打印10行。或者,您也可以通过打印数据集来查看更多的
行。
接下来,你可以使用describe()函数来查看数值字段的概要:
:.
describe()功能将提供计数、平均、标准差(STD),最小值,分位
数值和最大值(读这篇文章来更新基本统计数据了解人口分布)
这里有几个结论,你可以通过查看describe()函数的输出得出:
(614–592)22个缺失值
(614–600)14个缺失值
(614–564)50个缺失值
%的申请者有credit_history,怎么样,credit_history的均
(记住,credit_history将那些有信用历史的值设置为1,没有的设置为
0)
,CoapplicantIncome
也是。:.
请注意,我们通过比较的平均值和中位数,即50%位数,来得到偏
差的概念。
对于非数值(例如property_area,credit_history等),我们可以
看看频率分布,了解他们是否有意义。频率表可以通过以下命令打
印:
同样地,我们可以看看信用卡历史的唯一值。注意,dfname
["column_name]是一个基本的索引技术,来访问一个数据框的特定
的列。它也可以是列的列表。想要了解更多信息,参考上面的
“Pandas10分钟教程”的资源共享。
分布分析
现在我们熟悉了基本的数据特征,让我们研究不同变量的分布情
况。让我们从数字变量开始–即applicantincome和LoanAmount
我们通过绘制applicantincome的直方图开始,使用下面的命令:
:.
在这里,我们观察到,有几个极端值。这也是分箱值为50的原因,
就是为了清楚地描述它的分布。
下一步,我们看箱线图,了解分布。fare的箱图可以使用下面代码
绘制:
:.
这证实了大量的离群值/极值的存在。这可以归因于社会上的收入差
距。部分原因源于这样一个事实:我们正在查看不同的教育水平的
人。让我们根据他们所受的教育进行分组:
我们可以看到,研究生和非毕业生的平均收入之间没有实质性的区
别。但是毕业生中高收入的人群更多,它们出现在异常值的点中。
现在,让我们使用下面的命令看看LoanAmount的直方图和箱线
图:
再次,有一些异常的值。显然,applicantincome和LoanAmount
都需要进行一定的数据处理。LoanAmount有一些缺失值以及一些
异常的值,而applicantincome有一些异常值,需要更深入的了解。
我们将在即将到来的部分完成这些。:.
分类变量的分析
现在我们了解了applicantincome和loanincome的分布,让我们
了解更多关于分类变量的细节。我们将使用Excel数据***表和交叉
制表的风格。例如,让我们看看基于信用记录,可以获得贷款的可能
性。这可以在微软的Excel上使用一个***表实现:
注:这里的贷款状况已被编码,使用1代表yes,而0代表no,因
此,所以均值代表了获得贷款的概率。
现在我们将看看使用Python产生类似的效果所需要的步骤。请参考
这篇文章,以使用Pandas获得不同的数据操纵技术。
:.
现在我们可以观察到,我们得到一个像微软的Excel的
pivot_table。这可以使用matplotlib库绘制成条形图,使用下面的代
码::.
这表明,如果申请人有一个有效的信用记录,获得贷款的机会是没
有信用记录的人的八倍。你可以根据Married,Self-Employed,
Property_Area等绘制类似的图。
或着,这两个图可以进行组合以后的可视化,使用堆叠图表示::.
你还可以再上图中加入性别变量(类似于Excel中的数据***表)
如果你还没有意识到,我们刚刚在这里创建了两个基本的分类算:.
法,一个基于信用历史,而另一个基于2个分类变量(包括性别)。
你可以在AVDatahacks上很快的编写代码来创建首次提交。
我们只看到我们如何使用Python中的Pandas做探索性分析。我希
望你对大熊猫(动物)的爱现在增加了——给予一些帮助,这个库可
以为你提供分析数据集。
接下来让我们进一步探讨applicantincome和loanstatus变量,进
行数据修改和创建一个数据集并应用各种建模技术。我强烈要求你采
用另一个数据集和****题,并在进一步阅读之前完成一个独立的例子。
在Python中使用Pandas进行数据再加工
–翻新的需要
对于那些一直跟下来的人来说,这时你必须穿上鞋才能开始跑。
在我们的探索数据期间,我们发现了数据集的一些问题,在数据准
备好建立一个好的模型之前需要解决。这个练****通常被称为“数据修
改”。这里是问题,我们已经意识到的:
。我们应该基于丢失的值的数量明智地估计这些值并评估该
变量的重要性。
,我们看到,applicantincome和LoanAmount似乎在
两端都含有极端值。虽然他们可能有直观的感觉,但应适当处理。:.
除了数值领域的这些问题,我们也应该看看非数值领域Gender,
Property_Area,Married,Education和Dependents这些变量,
看看它们是否包含任何有用的信息。
如果你是Pandas的新手,我建议在继续前进之前阅读这篇文章。它
详细介绍了一些有用的数据处理技术。
检查数据集中的缺失值
让我们看看所有的变量中的缺失值,因为大多数模型不能处理有缺
失值的数据,即使他们可以,输入它们往往不能帮助更多。所以,让
我们看看数据集中空值/NAN值的数量:
这个命令告诉我们每一列中缺失值的数量,因为如果值为缺失值
isnull()返回1。:.
虽然缺失值数量不是很多,但许多变量都有缺失值,它们中的每一
个都应该被估计和补充。通过这篇文章对不同的插值技术进行详细了
解。
注:记住,缺失值可能并不总是NaN。例如,如果
loan_amount_term是0,它是有意义的或者你认为是缺失的?我想
你的答案是缺失的,你是对的。所以我们应该检查那些不切实际的
值。
如何填补LoanAmount的缺失值?
有许多方法来填补价值贷款金额的缺失值,最简单的就是使用均值
来替换,可以通过以下代码实现:
另一个极端是可以建立一个监督学****模型来基于其他变量预测贷款金
额,然后使用年龄以及其他变量来预测。:.
既然,现在的目标是讲述数据修改的步骤,我宁愿采取一种方法,
它介于这2个极端方法之间。一个关键的假设是,一个人是否受教育
的或是否自雇人士可以结合起来,提供一个很好的贷款金额的估计。
首先,让我们看看箱线图看是否有某种趋势存在:
因此我们看到在每一组中贷款金额的中位数的一些变化而这可以用
来估计值。但首先,我们必须确保每个self_employed和Education
变量不应该有缺失值。
如我们先前所说,self_employed有缺失值。让我们看看频率表::.
因为~86%的值是“No”,将缺失值估计为“No”是比较可靠
的,有很高的成功概率。这可以用下面的代码来完成:
现在,我们将创建一个数据***表,它提供了我们所有Education
和self_employed变量的唯一值分组的中位数。接下来,我们定义了
一个函数,它返回这些单元格的值,并应用它来填充丢失的贷款金额
的值:
这应该给你提供了一个估计贷款金额的缺失值好方法。:.
如何处理在LoanAmount和applicantincome分布中的极
值?
让我们先分析LoanAmount。由于极端值可能是现实的的,即一些
人可能会由于特定的需求,申请高额的贷款,。所以,不把它们当做
离群点对待,让我们尝试对数据转换从而发挥它们的作用:
再看直方图:
现在的分布看起来更接近标准的,极端值的影响已经显着消退。
来看看applicantincome。一种直觉可以是一些申请人有较低的收
入,但有一个有力的支持,共同申请者。所以将两者的收入结合起来
作为总收入可能是一个好主意,并采取相同的对数变