python数据挖掘项目 培训_你用 Python 做过什么有趣的数据挖掘/分析项目？

对于这个问题，安安我有话说。岂安科技的程序员GG用Python工具对风险数据作简单分析，主要是分析蜜罐日志数据，来看看一般大家都使用代理ip干了一些啥事（提前剧透，赶集网躺枪）。

以下，GO~

啥是蜜罐？网上一些黑客或技术人员经常做一些＂事情＂的时候，需要隐藏自己身份，这样他们会使用代理IP来办事。而蜜罐(Honeypot)是一种新型的主动防御的安全技术，它是一个专门为了被攻击或入侵而设置的欺骗系统——既可以用于保护产品系统，又可用于搜集黑客信息，是一种配置灵活、形式多样的网络安全技术。

说得通俗一点就是：提供大量代理IP，引诱一些不法分子来使用代理这些代理ip，从而搜集他们的信息。

数据分析工具介绍

工欲善其事，必先利其器，我介绍两个Python数据分析的“神兵利器“。

Python中著名的数据分析库Panda

Pandas库是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建，也是围绕着 Series 和 DataFrame 两个核心数据结构展开的，其中Series 和 DataFrame 分别对应于一维的序列和二维的表结构。

Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。这个库优点很多，简单易用，接口抽象得非常好，而且文档支持实在感人。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。

数据可视化采用Python上最常用的Matplotlib库

Matplotlib是一个Python的图形框架，也是Python最著名的绘图库，它提供了一整套和Matlab相似的命令API，十分适合交互式地进行制图。

有了这些“神兵利器“在手，再用Python这些工具对蜜罐代理数据作一个走马观花式的分析介绍。

1.引入工具–加载数据分析包

启动IPython notebook，加载运行环境：

%matplotlib inline

import pandas as pd

from datetime import timedelta, datetime

import matplotlib.pyplot as plt

import numpy as np

2.数据准备

俗话说: 巧妇难为无米之炊。我分析的数据主要是用户使用代理IP访问日志记录信息，要分析的原始数据以CSV的形式存储。这里首先要介绍到pandas.read_csv这个常用的方法，它将数据读入DataFrame。

analysis_data = pd.read_csv('./honeypot_data.csv')

对的, 一行代码就可以将全部数据读到一个二维的表结构DataFrame变量，感觉很简单有木有啊！！！当然了用Pandas提供的IO工具你也可以将大文件分块读取，再此我测试了一下性能，完整加载约21530000万条数据也大概只需要90秒左右，性能还是相当不错。

3.数据管窥

一般来讲，分析数据之前我们首先要对数据有一个大体上的了解，比如数据总量有多少，数据有哪些变量，数据变量的分布情况，数据重复情况，数据缺失情况，数据中异常值初步观测等等。下面小安带小伙伴们一起来管窥管窥这些数据。

使用shape方法查看数据行数及列数

analysis_data.shape

Out: (21524530, 22) #这是有22个维度，共计21524530条数据记的DataFrame

使用head()方法默认查看前5行数据，另外还有tail()方法是默认查看后5行,当然可以输入参数来查看自定义行数

analysis_data.head(10)

这里可以了解到我们数据记录有用户使用代理IP日期，代理header信息，代理访问域名，代理方法，源ip以及蜜罐节点信息等等。在此小安一定一定要告诉你，小安每次做数据分析时必定使用的方法–describe方法。pandas的describe()函数能对数据进行快速统计汇总：

对于数值类型数据，它会计算出每个变量：

总个数，平均值，最大值，最小值，标准差，50%分位数等等；

非数值类型数据，该方法会给出变量的：

非空值数量、unique数量(等同于数据库中distinct方法)、最大频数变量和最大频数。

由head()方法我们可以发现数据中包含了数值变量、非数值变量，我们首先可以利用dtypes方法查看DataFrame中各列的数据类型，用select_dtypes方法将数据按数据类型进行分类。然后，利用describe方法返回的统计值对数据有个初步的了解：

df.select_dtypes(include=['O']).describe()

df.select_dtypes(include=['float64']).describe()

简单的观察上面变量每一维度统计结果，我们可以了解到大家获取代理数据的长度平均1670个字节左右。同时，也能发现字段scan_os_sub_fp，scan_scan_mode等存在空值等等信息。这样我们能对数据整体上有了一个大概了解。

4.数据清洗

由于源数据通常包含一些空值甚至空列，会影响数据分析的时间和效率，在预览了数据摘要后，需要对这些无效数据进行处理。

一般来说，移除一些空值数据可以使用dropna方法， 当你使用该方法后，检查时发现 dropna() 之后几乎移除了所有行的数据，一查Pandas用户手册，原来不加参数的情况下， dropna() 会移除所有包含空值的行。

如果你只想移除全部为空值的列，需要加上 axis 和 how 两个参数：

analysis_data.dropna(axis=1, how='all')

另外，也可以通过dropna的参数subset移除指定列为空的数据，和设置thresh值取移除每非None数据个数小于thresh的行。

analysis_data.dropna(subset=['proxy_host', 'srcip'])

#移除proxy_host字段或srcip字段没有值的行

analysis_data.dropna(thresh=10)

#移除所有行字段中有值属性小于10的行

5.统计分析

再对数据中的一些信息有了初步了解过后，原始数据有22个变量。从分析目的出发，我将从原始数据中挑选出局部变量进行分析。这里就要给大家介绍pandas的数据切片方法loc。

loc([start_row_index:end_row_index,[‘timestampe’, ‘proxy_host’, ‘srcip’]])是pandas重要的切片方法，逗号前面是对行进行切片；逗号后的为列切片，也就是挑选要分析的变量。

如下，我这里选出日期，host和源IP字段——

analysis_data = analysis_data.loc([:, [‘timestampe’, 'proxy_host', 'srcip']])

首先让我们来看看蜜罐代理每日使用数据量，我们将数据按日统计，了解每日数据量PV，并将结果画出趋势图。

daily_proxy_data = analysis_data[analysis_data.module=='proxy']

daily_proxy_visited_count = daily_proxy_data.timestamp.value_counts().sort_index()

daily_proxy_visited_count.plot()

对数据列的丢弃，除无效值和需求规定之外，一些表自身的冗余列也需要在这个环节清理，比如说DataFrame中的index号、类型描述等，通过对这些数据的丢弃，从而生成新的数据，能使数据容量得到有效的缩减，进而提高计算效率。

由上图分析可知蜜罐代理使用量在6月5号，19-22号和25号这几天呈爆炸式增长。那么这几天数据有情况，不正常，具体是神马情况，不急，后面小安带大家一起来慢慢揪出来到底是那些人(源ip) 干了什么“坏事”。

进一步分析, 数据有异常后，再让我们来看看每天去重IP数据后量及其增长量。可以按天groupby后通过nunique()方法直接算出来每日去重IP数据量。

daily_proxy_data = analysis_data[analysis_data.module=='proxy']

daily_proxy_visited_count = daily_proxy_data.groupby(['proxy_host']).srcip.nunique()

daily_proxy_visited_count.plot()

究竟大部分人（源ip）在干神马？干神马？干神马？让我们来看看被访问次数最多host的哪些，即同一个host关联的IP个数，为了方便我们只查看前10名热门host。

先选出host和ip字段，能过groupby方法来group 每个域名(host)，再对每个域名的ip访问里unique统计。

host_associate_ip = proxy_data.loc[:, ['proxy_host', 'srcip']]

grouped_host_ip = host_associate_ip.groupby(['proxy_host']).srcip.nunique()

print(grouped_host_ip.sort_values(ascending=False).head(10))

由上表可知，赶集网躺枪啊，有那么多人使用代理来收集赶集网信息。再细细去看大家到底做了啥——查看日志数据发现原来在收集像二手车价格，工人招聘等等信息。从热门host来看，总体来说：大家使用代理主要还是获取百度，qq，Google，Bing这类妇孺皆知网站的信息。

下面再让我们来看看是谁用代理IP“干事”最多，也就是看看谁的IP访问不同host的个数最多。

host_associate_ip = proxy_data.loc[:, ['proxy_host', 'srcip']]

grouped_host_ip = host_associate_ip.groupby(['srcip'_host']).proxy_host.nunique()

print(grouped_host_ip.sort_values(ascending=False).head(10))

哦，发现目标IP为123.**.***.155的小伙子有大量访问记录, 进而查看日志，原来他在大量收集酒店信息。 好了，这样我们就大概能知道谁在干什么了，再让我们来看看他们使用proxy持续时长，谁在长时间里使用proxy。

代码如下——

这里不给大家细说代码了，只给出如下伪代码。

date_ip = analysis_data.loc[:,['timestamp','srcip']]

grouped_date_ip = date_ip.groupby(['timestamp', 'srcip'])

#计算每个源ip(srcip)的访问日期

all_srcip_duration_times = ...

#算出最长连续日期天数

duration_date_cnt = count_date(all_srcip_duration_times)

好了，到此我也就初略的知道那些人做什么，谁用代理时长最长等等问题额。取出ip = 80.82.78.38的用户使用代理ip访问数据日志，发现原来这个小伙子在长时间获取搜狐images。

蜜罐在全国各地部署多个节点，再让我们来看看每个源ip扫描蜜罐节点总个数，了解IP扫描节点覆盖率。结果见如下：

# 每个IP扫描的IP扫描节点总个数

node = df[df.module=='scan']

node = node.loc[:,['srcip','origin_details']]

grouped_node_count = node.groupby(['srcip']).count()

print grouped_node_count.sort_values(['origin_details'], ascending=False).head(10)

由上述两表初步可知，一些结论：如源ip为182.**.**.205的用户长时间对蜜罐节点进行扫描，mark危险用户等等。