亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

#預處理
from?sklearn.datasets?import?load_iris
iris?=?load_iris()
from?sklearn.cross_validation?import?train_test_split
train_data,?test_data,?train_target,?test_target?=?train_test_split(iris.data,?iris.target,?\
test_size=0.2,?random_state=1)?#劃分訓練集與驗證集

#建模：分類器
from?sklearn?import?tree
clf?=?tree.DecisionTreeClassifier(criterion="entropy")
clf.fit(train_data,?train_target)
y_pred?=?clf.predict(test_data)

#驗證
from?sklearn?import?metrics
print(metrics.accuracy_score(y_true=test_target,y_pred=y_pred)?#準確率
print(metrics.confusion_matrix(y_true=test_target,y_pred=y_pred))?#混淆矩陣:橫軸實際，縱軸預測

#結果輸出到文件
with?open("","w")?as?fw:
????tree.export_graphviz(clf,?out_file=fw)

#定義時間序列
s?=?pd.Series([i*2?for?i?in?range(1,11)])

dates?=?pd.date_range("20170301",periods=8)?#從20170301開始的8天
#第一種定義表的方式：8行5列，索引值（行名）是dates，屬性值（列名）是A~E
df?=?pd.DataFrame(np.random.randn(8,5),index=dates,columns=list("ABCDE"))

#第二種定義表的方式：
df.DataFrame({"A":1,"B":pd.Timestamp("20170301"),"C":pd.Series(1,index=list(range(4)),dtype="float32"),\
"D":np.array([3]*4,dtype="float32"),"E":pd.Categorical(["police","student","teacher","doctor"])})

print(df.head(3))?#打印前三行
print(df.tail(3))?#打印后三行
print(df.index)
print(df.values)?#打印結果是數組
print(df.T)?#索引和屬性互換
print(df.sort(columns="C"))
print(df.sort_index(axis=1,ascending=False))?#對列索引（axis=1-->屬性值）進行降序排序
print(df.describe())?#打印出count、mean、std、min、max、25%、50%、75%

#切片
print(df["A"])?#A列
print(df[:3])?#前三行
print(df["20170301":"20170304"])
print(df.loc[dates[0]])
print(df.loc["20170301":"20170304",["B","D"]])
print(df.at[dates[0],"C"])
print(df.iloc[1:3,2:4])
print(df.iloc[1,4])
print(df.iat[1,4])
print(df[df.B>0][df.A<0])
print(df[df>0])?#小于0的返回NaN
print(df[df["E"].isin([1,2])])

#設置
s1?=?pd.Series(list(range(10,18)),index=pd.date_range("20170301",periods=8))
df["F"]?=?s1
df.at[dates[0],"A"]=0
df.loc[:,"D"]?=?np.array([4]*len(df))

#拷貝
df2?=?df.copy()
df2[df2>0]?=?-df2
print(df2)

#缺失值處理
df1?=?df.reindex(index=dates[:4],columns=list("ABCD")+["G"])
df1.loc[dates[0]:dates[1],"G"]?=?1
print(df1.dropna())?#刪除缺失值所在行
print(df1.fillna(value=2))?#缺失值填充2

#統計指標
print(df.mean())?#每列的平均值
print(df.var())
s?=?pd.Series([1,2,3,np.nan,5,7,9,10],index=dates)
print(s.shift(2))?#所有值后移兩位，前兩位補NaN，多的值刪除
print(s.diff())?#不填表示一階，填的數字表示多階
print(s.calue_counts())?#每個值出現的次數
print(df.apply(np.cumsum))
print(df.apply(lambda?x:x,max()-min()))

#表的拼接
pieces?=?[df[:3],df[-3:]]
left?=?pd.DataFrame({"key":["x","y"],"value":[1,2]})
right?=?pd.DataFrame({"key":["x","z"],"value":[3,4]})
print(pd.merge(left,right,on="key",how="left"))?#how="inner":所有缺失值都刪掉;"outer"所有缺失值都保留
df3?=?pd.DataFrame({"A":["a","b","c","b"],"B":list(range(4))})
print(df3.groupby("A").sum())?#將A列每種屬性值求和

1. numpy：數據結構基礎

2. scipy：強大的科學計算方法（矩陣分析、信號分析、數理分析....）

3. matplotlib：豐富的可視化套件（三維圖、餅圖、可視圖等）
   

4. pandas：基礎數據分析套件（表）

5. scikit-learn：強大的數據分析建模庫（回歸分析 、聚類分析）

6. keras：人工神經網絡

數據分析用的各種包

#numpy技巧
concatenate((lst1,?lst2),?axis=0)?#橫向追加
hstack((lst1,?lst2))?
vstack((lst1,?lst2))?#縱向追加
split(lst1,?4)?#把lst1數組分成4份
solve(x,?y)?#x*b=y，解方程得b?

#matplotlib繪圖
import?numpy?as?np
import?matplotlib.pyplot?as?plt
x?=?np.linspace(-np.pi,?np.pi,?256,?endpoint=True)
c,?s?=?np.cos(x),?np.sin(x)
plt.figure(1)
plt.plot(x,?c,?color="blue",?linewidth=1.0,?line,?label="COS",?alpha=0.5)
plt.plot(x,?s,?"r*",?label="SIN")?#紅色*
plt.title("COS?$?SIN")
ax?=?plt.gca()?#軸的編輯器
ax.spines["right"].set_color("none")?#隱藏上、右兩個外框
ax.spines["top"].set_color("none")
ax.spines["left"].set_position(("data",0))?#將下、左兩個外框設置到數據域的0位置
ax.spines["bottom"].set_position(("data",0))
ax.xaxis.set_ticks_position("bottom")?#坐標軸的數字顯示在橫軸下面和縱軸左面
ax.yaxis.set_ticks_position("left")
#設置坐標軸[標識的位置],?[標識的內容]
plt.xticks([-np.pi,?-np.pi/2,?0,?np.pi/2,?np.pi],?[r'$-\pi$',?r'-\pi/2$',?r'$0$',?r'$+\pi/2$',?r'$+\pi$']
plt.yticks(np.linspace(-1,?1,?5,?endpoint=True))
for?label?in?ax.get_xticklabels()+ax.get_yticklabels():
????label.set_fontsize(16)
????label.set_bbox(dict(facecolor="white",?edgecolor="None",?alpha=0.2)?#facecolor背景顏色，edgecolor邊緣顏色，alpha透明度
plt.legent(loc="upper?left")
plt.grid()
plt.axis([-1,?1,-0.5,?1)?#設置顯示范圍
plt.fill_between(x,?np.abs(x)<0.5,?c,?c>0.5,?color="green",?alpha=0.25)?#填充功能
#c>0.5時才填充，且填充的范圍是|x|<0.5與c之間。|x|<0.5時-->1,填充c到1之間；|x|>=0.5時-->0，填充0到c之間
t=1
plt.plot([t,?t],?[0,?np.cos(t)],?"y",?linewidth=3,?line)?#添加注釋(y代表黃色)
plt.annotat("cos(1)",?xy=(t,?np.cos(1)),?xycoords="data",?xytxt=(+10,?+30),?textcoords="offset?points",?arrowprops=dict(arrow,?connection))?#
plt.show()

#matplotlib繪制散點圖
fig?=?plt.figure()
ax?=?fig.add_subplot(3,?3,?1)
n?=?128
X?=?np.random.normal(0,?1,?n)
Y?=?np.random.normal(0,?1,?n)
T?=?np.arctan2(Y,?X)
#plt.axes([0.025,?0.025,?0.95,?0.95])
ax.scatter(X,?Y,?s=75,?c=T,?alpha=0.5)?#s:size,c:color
plt.xlim(-1.5,?1.5),?plt.xticks([])
plt.ylim(-1.5,?1.5),?plt.yticks([])
plt.axis()
plt.title("scatter")
plt.xlabel("x")
plt.ylabel("y")
plt.show()

1. numpy：數據結構基礎

2. scipy：強大的科學計算方法（矩陣分析、信號分析、數理分析....）

3. matplotlib：豐富的可視化套件（三維圖、餅圖、可視圖等）
   

4. pandas：基礎數據分析套件（表）

5. scikit-learn：強大的數據分析建模庫（回歸分析 、聚類分析）

6. keras：人工神經網絡

7. 科學計算工具Anaconda
   

#keras數據分析官網：

http://keras.io/

#scikit-learn數據分析官網：

http://scikit-learn.org/

#pandas數據分析官網：
http://pandas.pydata.org/?

#matplotlib畫圖功能
#line
impor?numpy?as?np
def?main():
????import?matplotlib.pyplot?as?plt
????x=np.linspace(-np.pi,np.pi,256,endpoint=Ture)
????c,s=np.cos(x),np.sin(x)
????plt.figure(1)
????plt.plot(x,c,color="blue",linewidth=1.0,line,label="COS",alpha=0.5)
????plt.plot(x,s,"r*",label="SIN")
????plt.title("COS&SIN")
????ax=plt.gce()
????ax.spines["right"].set_color("none")
????ax.spines["top"].set_color("none")
????ax.spines["left"].set_position(("data",0))
????ax.spines["bottom"].set_position(("data",0))
????ax.xaixs.set_ticks_position("bottom")
????ax.yaxis.set_ticks_position("left")
plt.xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi],[r'$-\pi$,r'$-\pi/2$,r'$0$,r'$+\pi/2$,r'$+\pi$'])
plt.yticks(np.linspace(-1,1,5,endpoint=Ture))
for?lable?in?ax.get_xtickelables()+ax.get_yticklable():
????lable.set_fontsize(16)
????lable.set_bbox(dict(facecolor="white",edgecolor="None",alpha=0.2))
?plt.legend(loc="upper?left")
?plt.grid()
?plt.fill_between(x,np.abs(x)<0.5,c,c>0.5,color="green",alpha=0.25)
?t=1
?plt.plot([t,t],[0,np.cos(t)],"y",linewidth=3,linestyle='--')
?plt.annotate("cos(1)",xy=(t,np.cos(1),xycoords="data",xytext=(+10,+30),textcoords="offset?points",arrowprpos=(arrow,connectionstule="arc3,rad=.2")
????plt.show()
if?__name__=="__main__":

?

#matplotlib畫圖功能
#bar
def?main():
import?matplotlib?pyplot?as?plt
fig.add_subplot(332)
n=10
X=np.arange(n)
Y1=(1-X/float(n)*np.random.uniform(0.5,1.0,n)
Y2=(1-X/float(n)*np.random.uniform(0.5,1.0,n)
plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')
for?x,y?in?zip(X,Y1):
????plt.text(x+0.4,y+0.05,'%2f'%y,ha='center',va='bottom')
????plt.text(x+0.4,-y-0.05,'%2f'%y,ha='center',va='bottom')
????plot.show()
??if_name_=="_main_";
main()

?

#matplotlib?畫圖功能
#?scatter
def?main():
import?matplotlib?pyplot?as?plt
fig=plt.figure()
fig.add_subpolt(3,3,1)
n=128
X=np.random.normal(0,1,n)
Y=np.random.normal(0,1,n)
T=np.arctan2(Y,X)
plt.axes([0.025,0.025,0.95,0.95])
plt.scatter(X,Y,s=75,c=T,alpha=.5)
plt.xlim(-1.5,1.5),plt.xticks([])
plt.ylim(-1.5,1.5),plt.yticks([])
plt.axis()
plt.title("scatter")
plt.xlabel("x")
plt.ylable("y")
plt.show()
if_name_=="_main_";
main()

?

python之數據分析概述：

python數據分析大家族：

① numpy：數據結構基礎

② scipy：強大的科學計算方法（矩陣分析、信號分析、數理分析....）

③ matplotlib：豐富的可視化套件（三維圖、餅圖、可視圖等）

④ pandas：基礎數據分析套件（表）

⑤ scikit-learn：強大的數據分析建模庫（回歸分析 、聚類分析）

⑥ keras：人工神經網絡?