Python数据分析与实战挖掘

《Python数据分析与实战挖掘》 张良均

基础篇

书推荐：《用python做科学计算》

---

扩展库 简介

Numpy数组支持，以及相应的高效处理函数

Scipy矩阵支持，以及相应的矩阵数值计算模块

Matplotlib强大的数据可视化工具、作图库

Pandas强大、灵活的数据分析和探索工具

StatsModels 统计建模和计量经济学，包括描述统计、统计模型估计和推断

Scikit-Learn支持回归、分类、聚类等的强大机器学习库

Keras深度学习库，用于建立神经网络以及深度学习模型

Gensim 文本主题模型的库，文本挖掘用

---

①Numpy

提供了数组功能，以及对数据进行快速处理的函数。是Scipy、Matplotlib、Pandas等高级扩展库的依赖库。其内置函数处理速度是C语言级别的。

②Scipy

包含最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程常用的计算

③Matplotlib

提供二维绘图，也可以三维绘图，与Matlab相似但更为丰富

使用时如果使用中文无法正常显示，需要作图前手动指定默认字体为中文，如SimHei

④Pandas

python下最强大的数据分析和探索工具。构建在Numpy之上。

支持类似于SQL的增删改查，有丰富的数据处理函数，支持时间序列分析功能，支持灵活处理缺失数据等

Pandas基本的数据结构实Series和DataFrame，序列(一维数组)和表格(二维数组)

⑤StatsModels

Pandas着眼于数据的读取、处理和探索；而StatsModels更注重数据统计建模分析(R的味道)

StatsModels和Pandas——python最强数据挖掘组合

⑥Scikit-Learn

机器学习库，包括数据预处理、分类、回归、聚类、预测和模型分析等；依赖于NumPy、SciPy、Matplotlib

⑦Keras

Scikit-Learn没有人工神经网络模型，Keras用于搭建神经网络，是一个机遇Theano的深度学习库。

安装Keras前需要安装Numpy、Scipy和Theano，安装Theano要先准备一个C++编译器。在windows下需要先安装MinGW(Windows下的GCC和G++)，然后安装Theano，最后Kera。如果要实现GPU加速还要配置CUDA

⑧Gensim

用于处理语言方面的任务，如文本相似度计算、LDA、Word2Vec等

数据探索

1、数据质量分析：检查原始数据中是否存在不符合要求的数据。主要包括缺失值、异常值、不一致值、重复数据及特殊符号数据

缺失值，包括记录缺失和记录的某字段缺失等

产生原因：无法获取、遗漏、属性值不存在；

影响：有用信息缺乏、不确定性加重、不可靠

异常值，不合常理的数据，剔除可消除不良影响，分析可进行改进。异常值分析也称离群点分析。

常用的分析方法：简单统计量分析(如max、min)；3σ原则(99.7%)；箱型图(QL-1.5IQR,QU+1.5IQR)

一致性分析：直属局矛盾性、不相容性

产生原因：数据集成过程中，数据来自不同数据源，存放等未能进行一致性更新

2、数据特征分析

分布分析：数据分布特征与分布类型

①定量数据分布分析：求极差（ 其最大值与最小值之间的差距;即最大值减最小值后所得之数据 ）——决定组距和组数——决定分点——列频率分布表——绘频率分布直方图

②定性数据分布分析：采用分类类型来分组，用饼图或条形图来描述分布

对比分析：两个指标进行比较，展示说明大小水平高低，速度快慢，是否协调等

①绝对数比较

②相对数比较：结构相对数(比重)，比例相对数(比值)，比较相对数(同类不同背景)，强度相对数(密度)，计划完成程度相对数，动态相对数

统计量分析：统计描述

集中趋势：均值、中位数、众数

离中趋势：极差、标准差、变异系数(CV=标准差/平均值*100%)、四分位数间距(上下四分位数之差)

周期性分析：是否随时间呈周期变化趋势

贡献度分析：又称帕累托分析，原理是帕累托法则，又称20/80定律。同样的投入在不同的地方产生不同的收益。

相关性分析

①直接绘制散点图

②绘制散点图矩阵，对多个变量两两关系的散点图

③计算相关系数，[1]Pearson相关系数(要求数据服从正态分布)；[2]Spearman秩相关系数。两者都要经过假设检验，t检验方法检验其显著性水平以确定其相关成。正态分布下，二者效率等价。对连续测量值，更适合pearson相关系数。[3]判定系数r²

3、主要函数

主要是Pandas用于数据分析和Matplotlib用于数据可视化

Pandas主要统计特征函数

---

sum 总和(按列)

mean 算数平均值

var 方差

std 标准差

corr Spearman/Pearson相关系数矩阵

cov 协方差矩阵

skew 偏度(三阶矩)

kurt 峰度(四阶矩)

describe 基本描述

---

cumsum 依次给出前1-n个数的和

cumprod 依次给出前1-n个数的积

cummax 。。。最大值

cummin 。。。最小值

rolling_sum(D,n)、rolling_mean。。。。D中相邻n个数的计算特征

---

统计作图函数，基于Matplotlib

Python主要统计作图函数

---

plot 绘制线性二维图，折线图

pie 绘制饼图

hist 绘制二维条形直方图

boxplot 绘制箱型图 Pandas

plot(logy=True) 绘制y轴的对数图形 Pandas

plot(yerr=error) 绘制误差条形图 Pandas

---

作图前通常要加上以下代码

import matplotlib.pyplot as plt #导入图像库

plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

plt.figure(figsize=(7,5))#创建图像区域，指定比例

完成后用plt.show()显示

数据预处理

数据清洗：删除原始数据集中的无关数据、重复数据、平滑噪声数据，处理缺失值、异常值等

①缺失值处理

删除记录、数据插补、不处理

常用插补方法

---

均值/中位数/众数 根据属性值类型，取均值、中位数、众数进行插补

使用固定值 将缺失属性用常量替代

最近邻插补法 在记录中找到与缺失样本最接近的样本的该属性值进行插补

回归方法 根据已有数据和与其有关的其他变量数据建立拟合模型来预测

插值法 建立合适的插值函数f(x)，未知值计算得到。

---

拉格让日插值法、牛顿插值法。前者不灵活，增删节点要重来。Scipy库中提供前者。

例：将异常点取空，然后取缺值点前后5个值进行拉格朗日插值

②异常值处理：异常值是否剔除看情况，因为有些异常值可能含有有用信息

常用异常值处理方法

---

删除记录 直接删除

视为缺失值 视为缺失值进行缺失值的处理

平均值修正 取前后两个正常值的平均

不处理 判断其原因，若无问题直接使用进行挖掘

---

数据集成：将多个数据源合并存在一个一致的数据存储中，要考虑实体识别问题和属性冗余问题，从而将数据在最低层上加以转换、提炼和集成

①实体识别：同名异义、异名同义、单位不统一

②冗余属性识别：多次出现、同属性不同名导致重复

数据变换：对数据规范化处理

①简单函数变换，如平方、开方、对数、差分运算

②规范化，也称归一化，消除量纲和取值范围的差异，进行标准化处理。映射到[-1,1]或[0,1]内。

[1]最小-最大规范化，也称离差标准化。x*=(x-min)/(max-min)；缺点：异常值影响；之后的范围限制在[min,max]中

[2]零-均值规范化，也称标准差规范化，处理后[0,1]。x*=(x-mean)/std

[3]小数定标规范化，移动属性值小数位，映射到[-1,1]。x*=x/10^k

③连续属性离散化：分类算法需要离散形式，如ID3、Apriori等

离散化过程就是在取值范围内设立若干个离散花粉店，将取值范围划分为离散区间

等宽法、等频发、基于聚类分析方法

④属性构造

⑤小波变换：信号分析手段，小波分析的理论和方法在信号处理、图像处理、语音处理、模式识别、量子物理等领域得到越来越广泛的应用

数据规约：产生更小且保持数据完整性的新数据集。意义在于降低无效、错误数据；降低存储成本；少量且具有代表性的数据大幅加快。

①属性规约：属性合并或删除无关维，目标是寻找最小子集使子集概率分布尽可能与原来相同

属性规约常用方法

---

合并属性 将就属性合并为新属性 {A1,A2,A3,B1,B2,C}——{A,B,C}

逐步向前选择 从空集开始，逐个加入最优属性，直到无最优或满足条件 {}—{A1}—{A1,A4}

逐步向后删除 从全集开始，每次删除最差属性，直到无最差或满足阈值

决策树归纳 利用决策树归纳能力进行分类，删除未出现的属性，即效果差的属性

主成分分析 用少量变量解释大部分变量，保留大部分信息，将相关性高的数据转为彼此独立

---

②数值规约：通过选择替代的、较小的数据来较少数据量，包括有参数(回归、对数线性模型)和无参数方法(直方图、聚类、抽样)

Python主要数据预处理函数

---

interpolate 一维、高维插值，如拉格朗日、样条插值等 Scipy

unique 去除重复 Pandas/Numpy

isnull 判断是否为空 Pandas

notnull 判断是否非空 Pandas

PCA 主成分分析 Scikit-Learn

random 生成随机矩阵 Numpy

---

挖掘建模

分类与预测

主要分类与预测算法

---

回归分析 确定预测值与其他变量关系。线性、非线性、Logistic、岭回归、主成分回归等

决策树 自顶向下分类

人工神经网络 用神经网络表示输入与输出之间的关系

贝叶斯网络 又称信度网络，是不确定知识表达和推理领域最有效的理论模型之一

支持向量机 将低维非线性可分转化为高维线性可分进行分析

---

主要回归模型分类

---

线性回归 因/自变量是线性关系 对一个或多个自/因变量线性建模，用最小二乘法求系数

非线性回归 因/自变量是非线性 非线性建模

Logistic回归 因变量为0或1 广义线性回归特例，利用Logistic函数将因变量控制0-1内表示取值为1的概率

岭回归 参与建模的自变量间具有多重共线性 改进的最小二乘法

主成分回归 同上 根据PCA提出，是参数估计的一种有偏估计

---

逻辑回归——Scikit-Learn

决策树——sklearn.tree；输出一个tree.dot文件，许安装Graphviz进行可视化

人工神经网络——keras

---

BP神经网络 信息正传播，误差逆传播

LM神经网络 给予梯度下降法和牛顿法的多层前馈神经网络，迭代次数少，收敛块，精度高

RBF径向基神经网络 能以任意精度逼近任意连续函数，输入层-隐含层是非线性，隐含层-输出成是线性，特别适合解决分类问题

FNN模糊神经网络 具有模糊权系数或输入信号是模糊两的神经网络，汇聚NN和模糊系统的有点

GMDH神经网络 也称多项式网络，网络结构在训练中变化

ANFIS自适应神经网络 NN镶嵌在一个全模糊的结构中，自动产生、修正、高度概括出最佳隶属函数和模糊规则

---

SVM——sklearn.svm

随机森林——sklearn.ensemble

朴素贝叶斯——sklearn.naive_bayes

建模的第一步都是建立一个空白的对象，然后设置模型参数，利用fit进行巡林啊，最后用predict方法预测结果，之后进行一些评估如score等

误差评价：绝对误差、相对误差、平均绝对误差、均方误差、均方根误差、平均绝对百分误差、Kappa统计、识别准确度、识别精确率、反馈率、ROC曲线、混淆矩阵

聚类分析

常用方法：划分方法、层次分析方法、基于密度的方法、基于网格的方法、给予模型的方法

常用算法：K-Means、K-中心点、系统聚类(多层次聚类)

评价方法：purity评价法(正确的比例)、RI评价法、F值评价法

聚类可视化工具——TSNE

关联规则：也称为购物篮分析，目标是找出各项之间的关系

常用算法：Apriori、FP-Tree、Eclat算法、灰色关联法

时序模式：给定一个已被观测的时间序列，预测该序列的未来值

常用模型：平滑法、趋势你合法、组合模型、AR模型、MA模型、ARMA模型、ARIMA、ARCH、GARCH模型及衍生

python主要时序算法函数：acf自相关，plot_acf画自相关系数图、pacf计算偏相关系数、plot_pacf画偏相关系数图、adfuller对观测值序列进行单位根检验、diff差分计算、ARIMA创建ARIMA时序模型、summary或summaty2给出ARIMA模型报告、aic/bic/hqic计算ARIMA模型的指标值、forecast预测、acorr_ljungbox检验白噪声

离群点检测

成因：数据源不同、自然变异、测量和收集误差

类型：全局离群点和局部离群点；数值型离群点和分类型离群点；一维离群点和多维离群点

检测方法：基于统计、基于邻近度、基于密度、基于聚类