Python数据科学入门-笔记01

Python数据科学入门

慕课网课程学习笔记
学习环境 win10 + 虚拟机centos7 + python3

第一节 Annconda 基本介绍

一、Anaconda 介绍

1.Anaconda 介绍

• Anaconda /,ænə’kɑndə/

• Anaconda 是最著名的Python数据科学平台，750+ 流行的Python&R包

• 跨平台，开源，免费，活跃社区
• conda：可扩展的包管理工具

2.Anaconda 中的 conda

a).Conda 的 Environment 管理

• 创建一个新的environment：conda create –name python34 python=3.4
• 激活一个 environment:activity python34 # win系统中

  source activity python34 # linux中

• 退出enviornment: deactivate python34 # win系统

  source deactivate python34 # linux 中

• 删除 environment： conda remove –name python34 –all

b).Conda 的Package 管理

• Conda 的包管理有点类似 pip
• 安装一个python包： conda install packageName
• 查看已安装包： conda list / conda list -n python34 # 查看指定环境的包列表
• 删除一个 python 包： conda remove -n python34 numpy

c). IDE 比较

拓展：从IPython 到 Jupyter

d). 什么是 Ipython

• ipython 是一个强大的 交互式 shell
• 是 Jupyter 的kernel
• 支持交互式数据分析和可视化
• Ipython kernel 主要负责运行用户代码，通过stdin/stdut 和ipython shell交互

  用 json message 通过 ZeroMQ 和 notebook 交互

e). 什么是 Jupyter Notebook

• 前身是 ipython notebook
• 是一个开源的 web application
• 可以创建和分享包含代码，视图，注释文档
• 可以用于统计数据统计，分析，建模，机器学习等领域

f).notebook 和 Kernel 之间的交互

• 核心是 notebook server
• notebook server 加载和保存 notebook

g).Notebook 的文件格式 .ipynb

• 由 Ipython Notebook 定义的一种格式(json)
• 可以读取在线数据，csv / xls 文件
• 可以转换成其他格式（py,html,pdf,md）

h).查看 .ipynb 文件 NBViewer

• 一个 online 的 ipynb 格式 notebook 展示工具
• 可以通过 URL 分享
• GitHub 集成了 NBViewer
• 通过转换器轻松集成到 Blogs ， emails,wikis ,books

---

二.环境安装

1.安装Anaconda 到 Centos7

• 官网下载好 Anaconda的 .sh 文件后

• 使用SecureCRT的sftp上传到 centos 中

• sftp 的一些命令：lpwd 查看本地物理机所在目录，cld 进入本地目录，put 上传文件到 远程机

• 上传 安装文件后，使用 sh 命令按提示安装 Anaconda

2.Anaconda 基本命令

• conda –version 查看版本号
• jupyter notebook –no-browser 只启动 服务，不启动浏览器

3.ssh 虚拟机 端口转发 到本地物理机

如果是桌面版 centos 可直接在虚拟机里访问即可
或者本地机安装直接使用

---

可以将远端服务器一个端口remote_port绑定到本地端口port，其中-C是进行数据压缩，-f是后台操作，只有当提示用户名密码的时候才转向前台。-N是不执行远端命令，在只是端口转发时这条命令很有用处。-g 是允许远端主机连接本地转发端口。-R表明是将远端主机端口映射到本地端口。如果是-L，则是将本地端口映射到远端主机端口。

• win10 下安装 openSSH
• 安装好后 打开 进入 其 bin 目录下执行命令来实现转发
• 参考文章链接 SSH的端口转发 | 实战SSH端口转发

转发命令:(注意参数对应)

• 转发到远端：ssh -C -f -N -g -L 本地端口:目标IP:目标端口 用户名@目标IP
• 转发到本地：ssh -C -f -N -g –R 本地端口:目标IP:目标端口 用户名@目标IP
• ssh -C -f -N -g -D listen_port user@hostname/ip

接着浏览器访问：

---

三.jupyter 的使用

1.登录

2.新建 notebook

3.操作演示

4.win 系统下启动 jupyter 服务

5.一些基本操作

---

第二节 数据科学领域的几个常用Python库

数据科学领域 5个 常用Python库
Numpy/Scipy/Pandas/Matplotlib/Scikit-learn

1.Numpy 特点

• N维数组（矩阵）,快速高效，矢量数学运算
• 高效的Index，不需要循环
• 开源免费跨平台，运行效率足以和 C/Matlab 媲美

2.Scipy 特点

• 依赖于Numpy
• 专门为科学和工程设计
• 实现了多种常用科学计算：线性代数，傅里叶变换，信号和图像处理

3.Pandas 特点

• 结构化数据分析利器（依赖于Numpy）
• 提供多种高级数据结构：Time-Series,DataFrame,Panel
• 强大的数据索引和数据处理能力

4.Matplotlib 特点

• Python 2D绘图领域使用最广泛的套件
• 基本能取代Matlab的绘图功能（散点，曲线，柱形等）
• 通过 mplot3d 可以绘制精美的 3D 图

5.Scikit-learn 特点

• 机器学习的 Python 模块
• 建立在 Scipy 之上，提供了常用的机器学习算法：聚类，回归
• 简单易学的API接口
• 另外还有 google 的TensorFlow

---

第三节 Numpy 入门

Numpy文档

1.矩阵回顾

• 基本概念：
  
  • 矩阵：矩形的数组，即二维数组。其中向量和标量都是矩阵的特例
  • 向量：是指 1 * n 或者 n * 1 的矩阵
  • 标量：1 * 1 的矩阵
  • 数组：N 维的数组，是矩阵的延伸
• 特殊矩阵
  
  • 全 0 、全 1 矩阵
  • 单位矩阵
    

• 矩阵加减运算两个矩阵必须要有相同的行和列

  • 相加/减的
  • 行和列对应元素相加减
    

• 数组乘法（点乘）

  • 数组乘法是对应元素之间的乘法
    

• 矩阵乘法只有当矩阵 A的列数与矩阵 B的行数相等时 A× B才有意义
  
  • 设A为b x p的矩阵， B 为p x n的矩阵,

    m * n的矩阵 C 为A与B的乘积,记 C=AB，其中矩阵C中的第 i 行第 j 列元素可以表示为：
    

2.数组的创建和访问

数组的创建和访问

import numpy as np

# 创建 列表
list_1 = [1,2,3,4]

list_1

[1, 2, 3, 4]

array_1 = np.array(list_1)  #创建一维数组

array_1

array([1, 2, 3, 4])

list_2 = [5,6,7,8]

array_2 = np.array([list_1,list_2]) # 创建二维数组

array_2

array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

array_2.shape  # 返回数组 维数

(2, 4)

array_2.size # 返回数组元素个数

8

array_2.dtype   # 返回数组元素类型 （这里的元素类型一致）

dtype('int32')

array_3 = np.array([[1.0,2,3],[4.0,5,6]])  # 数据类型不同的数组

array_3.dtype   # 数据类型不一致，取精确度最高的

dtype('float64')

通过函数创建矩阵

array_4 = np.arange(1,10)  # 通过arange() 函数创建 数组
array_4             # np.arange(始，终，步长)

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

np.zeros(5) #  一维全 0 矩阵

array([0., 0., 0., 0., 0.])

np.zeros([2,3])  # 二维全 0 矩阵

array([[0., 0., 0.],
       [0., 0., 0.]])

np.eye(5) # 5 * 5 单位矩阵

array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

数组元素的访问

a = np.arange(1,10)
a

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

a[1]

2

a[1:5]  # 访问2到5元素

array([2, 3, 4, 5])

b = np.array([[1,2,3],[4,5,6]])
b

array([[1, 2, 3],
       [4, 5, 6]])

b[1][2]  # 访问二维数组 注意起始是 0 或者 b[1,0]

6

c = np.array([[1,2,3],[4,5,6],[7,8,9]])
c

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

c[:2,1:]  # 二维数组的切片操作

array([[2, 3],
       [5, 6]])

3.数组和矩阵运算

快速创建数组

import numpy as np

np.random.randn(10)  # 符合标准正态分布

array([-0.44773486, -1.02510785, -1.29485893, -1.26046504,  0.62437175,
       -0.32248227, -0.64261711,  0.79787437,  2.40994751,  0.83609302])

np.random.randint(10)  # 随机返回一个 10 以内的数

6

np.random.randint(10,size=(2,3))  # 返回 10 以内的 2 行 3 列 数组

array([[0, 3, 2],
       [5, 4, 6]])

np.random.randint(10,size=20).reshape(4,5) # 将 20 个元素的一维变为 二维

array([[3, 5, 9, 8, 4],
       [4, 6, 1, 8, 8],
       [2, 4, 5, 6, 9],
       [2, 5, 4, 7, 6]])

数组运算

a = np.random.randint(10,size=20).reshape(4,5)
a

array([[2, 6, 4, 3, 2],
       [0, 6, 3, 4, 0],
       [8, 1, 1, 5, 6],
       [5, 0, 0, 1, 9]])

b = np.random.randint(10,size=20).reshape(4,5)
b

array([[4, 4, 7, 3, 3],
       [2, 4, 2, 1, 5],
       [8, 8, 8, 8, 1],
       [0, 9, 1, 9, 4]])

a + b

array([[ 6, 10, 11,  6,  5],
       [ 2, 10,  5,  5,  5],
       [16,  9,  9, 13,  7],
       [ 5,  9,  1, 10, 13]])

a - b

array([[-2,  2, -3,  0, -1],
       [-2,  2,  1,  3, -5],
       [ 0, -7, -7, -3,  5],
       [ 5, -9, -1, -8,  5]])

a * b

array([[ 8, 24, 28,  9,  6],
       [ 0, 24,  6,  4,  0],
       [64,  8,  8, 40,  6],
       [ 0,  0,  0,  9, 36]])

a / b   # 遇到 被除数为 0 时 --- inf

C:\myapp\Anaconda3\lib\site-packages\ipykernel_launcher.py:1: RuntimeWarning: divide by zero encountered in true_divide
  """Entry point for launching an IPython kernel.





array([[0.5       , 1.5       , 0.57142857, 1.        , 0.66666667],
       [0.        , 1.5       , 1.5       , 4.        , 0.        ],
       [1.        , 0.125     , 0.125     , 0.625     , 6.        ],
       [       inf, 0.        , 0.        , 0.11111111, 2.25      ]])

创建矩阵

np.mat([[1,2,3],[4,5,6]])

matrix([[1, 2, 3],
        [4, 5, 6]])

a

array([[2, 6, 4, 3, 2],
       [0, 6, 3, 4, 0],
       [8, 1, 1, 5, 6],
       [5, 0, 0, 1, 9]])

np.mat(a)  # 数组转换为矩阵

matrix([[2, 6, 4, 3, 2],
        [0, 6, 3, 4, 0],
        [8, 1, 1, 5, 6],
        [5, 0, 0, 1, 9]])

矩阵的运算

A = np.mat(a)
A

matrix([[2, 6, 4, 3, 2],
        [0, 6, 3, 4, 0],
        [8, 1, 1, 5, 6],
        [5, 0, 0, 1, 9]])

B = np.mat(b)
B

matrix([[4, 4, 7, 3, 3],
        [2, 4, 2, 1, 5],
        [8, 8, 8, 8, 1],
        [0, 9, 1, 9, 4]])

A + B

matrix([[ 6, 10, 11,  6,  5],
        [ 2, 10,  5,  5,  5],
        [16,  9,  9, 13,  7],
        [ 5,  9,  1, 10, 13]])

A * B   # 只有当矩阵 A的列数与矩阵 B的行数相等时 A× B才有意义

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

 in ()
----> 1 A * B


C:\myapp\Anaconda3\lib\site-packages\numpy\matrixlib\defmatrix.py in __mul__(self, other)
    307         if isinstance(other, (N.ndarray, list, tuple)) :
    308             # This promotes 1-D vectors to row vectors
--> 309             return N.dot(self, asmatrix(other))
    310         if isscalar(other) or not hasattr(other, '__rmul__') :
    311             return N.dot(self, other)


ValueError: shapes (4,5) and (4,5) not aligned: 5 (dim 1) != 4 (dim 0)

a = np.mat(np.random.randint(10,size=20).reshape(4,5))
a

matrix([[3, 4, 1, 5, 2],
        [3, 7, 8, 7, 3],
        [4, 2, 6, 9, 6],
        [4, 4, 5, 2, 7]])

b = np.mat(np.random.randint(10,size=20).reshape(5,4))
b

matrix([[9, 6, 0, 4],
        [4, 3, 6, 5],
        [4, 6, 1, 8],
        [4, 4, 3, 5],
        [2, 1, 1, 1]])

a * b

matrix([[ 71,  58,  42,  67],
        [121, 118,  74, 149],
        [116, 108,  51, 125],
        [ 94,  81,  42,  93]])

Array 常用函数

a = np.random.randint(10,size=20).reshape(4,5)

np.unique(a)  # 返回 不重复的值

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

a

array([[0, 5, 3, 2, 7],
       [8, 0, 1, 7, 6],
       [2, 0, 9, 8, 2],
       [7, 1, 2, 9, 4]])

sum(a)  # 返回一个数组 列和

array([17,  6, 15, 26, 19])

sum(a[0])  # 返回某一行和

17

sum(a[:,1])  # 返回某一列和

6

a.max()  # 返回最大值

9

max(a[0]) # 第 0 行最大值

7

Array 的 input 和 output

使用pickle序列化 bumpy array

import pickle
import numpy as np

x = np.arange(10)
x

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

f = open('x.pkl','wb')
pickle.dump(x,f)

!ls   

Array.ipynb
Untitled.ipynb
x.pkl
鏁扮粍涓庣煩闃佃繍绠�.ipynb

f = open('x.pkl','rb')
pickle.load(f)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

### 使用 save 函数序列化保存

np.save('one_array',x) 

!ls

Array.ipynb
Untitled.ipynb
one_array.npy
x.pkl
鏁扮粍涓庣煩闃佃繍绠�.ipynb

np.load('one_array.npy')

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

y = np.arange(20)
y

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])

np.savez('two_array.npz',a=x,b=y)

!ls

Array.ipynb
Untitled.ipynb
one_array.npy
two_array.npz
x.pkl
鏁扮粍涓庣煩闃佃繍绠�.ipynb

c = np.load('two_array.npz')  # 多个

c['a']

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

c['b']

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])