Python深度学习：Python数据处理及可视化（读书笔记）

Posted 2022-02-12 芝士工具猿

老铁们，我们Python的深度学习开始了，第一篇正式的文章就是数据处理和可视化，我们开始吧!

数据处理与可视化

• 一、NumPy的初步使用
• 二、Matplotlib包的使用--图形化数据处理
• 三、深度学习理论方法--相似度计算（可以跳过）
• • 1、基于欧几里得距离的相似度计算
  • 2、基于余弦角度的相似度计算
• 四、数据统计的可视化展示（以我们亳州市降水为例）
• • 数据的四分位

一、NumPy的初步使用

表格是数据的一般表示形式，但对于机器来说是不可理解的，也就是无法辨识的数据，所以我们需要对表格的形式进行调整。
常用的机器学习表示形式为数据矩阵。

我们观察这个表格，发现，矩阵中的属性有两种，一种是数值型，一种是布尔型。那么我们现在就建立模型描述这个表格：

#  数据的矩阵化
import numpy as np
data = np.mat([[1,200,105,3,False],[2,165,80,2,False],[3,184.5,120,2,False],
              [4,116,70.8,1,False],[5,270,150,4,True]])
row = 0
for line in data:
    row += 1
print( row )
print(data.size)
print(data)

这里第一行代码的意思就是引入NumPy将其重命名为np。第二行我们使用NumPy中的mat()方法建立一个数据矩阵，row是引入的计算行数的变量。
这里的size意思就是5*5的一个表格，直接打印data就可以看到数据了：

二、Matplotlib包的使用–图形化数据处理

我们还是看最上面的表格，第二列是房价的差异，我们想直观的看出差别是不容易的（因为只有数字），所以我们希望能够把它画出来（研究数值差异和异常的方法就是绘制数据的分布程度）：

import numpy as np
import scipy.stats as stats
import pylab
data =  np.mat([[1,200,105,3,False],[2,165,80,2,False],[3,184.5,120,2,False],
              [4,116,70.8,1,False],[5,270,150,4,True]])
coll = []
for row in data:
    coll.append(row[0,1])

stats.probplot(coll,plot=pylab)
pylab.show()

这个代码的结果就是生成一个图：

这样我们就能清晰的看出来差异了。

一个坐标图的要求，就是通过不同的行和列表现出数据的具体值。
当然，坐标图我们一样可以展示：

三、深度学习理论方法–相似度计算（可以跳过）

相似度的计算方法有很多，我们选用最常用的两种，即欧几里得相似度和余弦相似度计算。

1、基于欧几里得距离的相似度计算

欧几里得距离，用来表示三维空间中两个点的真实距离。公式我们其实都知道，只是名字听的少：

那么我们来看一看它的实际应用：
这个表格是3个用户对物品的打分：

d12表示用户1和用户2的相似度，那么就有：

同理，d13：

可见，用户2更加相似于用户1（距离越小，相似度越大）。

2、基于余弦角度的相似度计算

余弦角度的计算出发点是夹角的不同。


可见相对于用户3，用户2与用户1更为相似（两个目标越相似，其线段形成的夹角越小）

四、数据统计的可视化展示（以我们亳州市降水为例）

数据的四分位

四分位数，是统计学中分位数的一种，也就是把数据由小到大排列，之后分成四等份，处于三个分割点位置的数据，就是四分位数。
第一四分位数（Q1），也称下四分位数；
第二四分位数（Q1），也称中位数；
第三四分位数（Q1），也称下四分位数；

第三四分位数与第一四分位数的差距又称为四分差距（IQR）。

若n为项数，则：
Q1的位置 = （n+1）*0.25
Q2的位置 = （n+1）*0.50
Q3的位置 = （n+1）*0.75

四分位示例：
关于这个rain.csv，有需要的可以私我要文件，我使用的是亳州市2010-2019年的月份降水情况。

from pylab import *
import pandas as pd
import matplotlib.pyplot as plot
filepath = ("C:\\\\Users\\\\AWAITXM\\\\Desktop\\\\rain.csv")
# "C:\\Users\\AWAITXM\\Desktop\\rain.csv"
dataFile = pd.read_csv(filepath)
summary = dataFile.describe()
print(summary)

array = dataFile.iloc[:,:].values
boxplot(array)
plot.xlabel("year")
plot.ylabel("rain")
show()

以下是plot运行结果：

这个是pandas的运行

这里就可以很清晰的看出来数据的波动范围。
可以看出，不同月份的降水量有很大差距，8月最多，1-4月和10-12月最少。

那么每月的降水增减程度如何比较？

from pylab import *
import pandas as pd
import matplotlib.pyplot as plot
filepath = ("C:\\\\Users\\\\AWAITXM\\\\Desktop\\\\rain.csv")
# "C:\\Users\\AWAITXM\\Desktop\\rain.csv"
dataFile = pd.read_csv(filepath)
summary = dataFile.describe()
minRings = -1
maxRings = 99
nrows = 11
for i in range(nrows):
    dataRow = dataFile.iloc[i,1:13]
    labelColor = ( (dataFile.iloc[i,12] - minRings ) / (maxRings - minRings) )
    dataRow.plot(color = plot.cm.RdYlBu(labelColor),alpha = 0.5)
plot.xlabel("Attribute")
plot.ylabel(("Score"))
show()

结果如图：

可以看出来降水月份并不规律的上涨或下跌。

那么每月降水是否相关？

from pylab import *
import pandas as pd
import matplotlib.pyplot as plot
filepath = ("C:\\\\Users\\\\AWAITXM\\\\Desktop\\\\rain.csv")
# "C:\\Users\\AWAITXM\\Desktop\\rain.csv"
dataFile = pd.read_csv(filepath)
summary = dataFile.describe()
corMat = pd.DataFrame(dataFile.iloc[1:20,1:20].corr())
plot.pcolor(corMat)
plot.show()

结果如图：

可以看出，颜色分布十分均匀，表示没有多大的相关性，因此可以认为每月的降水是独立行为。

今天就记录到这里了，我们下次再见！希望本文章对你也有所帮助。