盘点8个数据分析相关的Python库（实例+代码）

Posted 2022-02-09 大数据v

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了盘点8个数据分析相关的Python库（实例+代码）相关的知识，希望对你有一定的参考价值。

导读：Python中常会用到一些专门的库，如NumPy、SciPy、Pandas和Matplotlib。数据处理常用到NumPy、SciPy和Pandas，数据分析常用到Pandas和Scikit-Learn，数据可视化常用到Matplotlib，而对大规模数据进行分布式挖掘时则可以使用Pyspark来调用Spark集群的资源。

从一定程度上来说，学习Python数据分析主要就是学习使用这些分析库。

作者：刘鹏高中强王一凡等

来源：大数据DT（ID：hzdashuju）

01 NumPy

关于NumPy，本节主要介绍ndarray多维数组对象和数组属性。

1. ndarray 多维数组对象

NumPy库中的ndarray是一个多维数组对象，由两部分组成：实际的数据值和描述这些值的元数据。大部分的数组操作仅仅涉及修改元数据的部分，并不改变底层的实际数据。

数组中的所有元素类型必须是一致的，所以如果知道其中一个元素的类型，就很容易确定该数组需要的存储空间。可以用array()函数创建数组，并通过dtype获取其数据类型。

import numpy as np
    a = np.array(6)
    a.dtype
output: dtype('int64')

上例中，数组a的数据类型为int64，如果使用的是32位Python，则得到的数据类型可能是int32。

2. 数组属性

NumPy数组有一个重要的属性——维度（dimension），它的维度被称作秩（rank）。以二维数组为例，一个二维数组相当于两个一维数组。只看最外面一层，它相当于一个一维数组，该一维数组中的每个元素也是一维数组。那么，这个一维数组即二维数组的轴。

了解了以上概念，接着来看NumPy数组中比较重要的ndarray对象的属性：

ndarray.ndim：秩，即轴的数量或维度的数量
ndarray.shape：数组的维度，如果存的是矩阵，如n×m矩阵则输出为n行m列
ndarray.size：数组元素的总个数，相当于.shape中n×m的值
ndarray.dtype：ndarray对象的元素类型
ndarray.itemsize：ndarray对象中每个元素的大小，以字节为单位
ndarray.flags：ndarray对象的内存信息
ndarray.real：ndarray元素的实部
ndarray.imag：ndarray元素的虚部
ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性

02 Matplotlib

Matplotlib是Python数据分析中常用的一个绘图库，常用来绘制各种数据的可视化效果图。其中，matplotlib.pyplot包含了简单的绘图功能。

1. 实战：绘制多项式函数

为了说明绘图的原理，下面来绘制多项式函数的图像。使用NumPy的多项式函数poly1d()来创建多项式。

# 引入所需要的库
import numpy as np
import matplotlib.pyplot as plt
# 使用 polyld() 函数创建多项式 func=1x3+2x2+3x+4
func = np.poly1d(np.array([1,2,3,4]).astype(f?loat))
# 使用 NumPy 的 linspace() 函数在 -10 和 10 之间产生 30 个均匀分布的值，作为函数 x 轴的取值
x = np.linspace(-10, 10 , 30)
# 将 x 的值代入 func() 函数，计算得到 y 值
y=func(x)
# 调用 pyplot 的 plot 函数 ()，绘制函数图像
plt.plot(x, y)
# 使用 xlable() 函数添加 x 轴标签
plt.xlabel('x')
# 使用 ylabel() 函数添加 y 轴标签
plt.ylabel('y(x)')
# 调用 show() 函数显示函数图像
plt.show()

多项式函数的绘制结果如图2-13所示。

▲图2-13 多项式函数绘制

2. 实战：绘制正弦和余弦值

为了明显看到两个效果图的区别，可以将两个效果图放到一张图中显示。Matplotlib中的subplot()函数允许在一张图中显示多张子图。subplot()常用的3个整型参数分别为子图的行数、子图的列数以及子图的索引。

下面的实例将绘制正弦和余弦两个函数的图像。

# 导入相关包
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.pyplot import f?igure
f?igure(num=None, f?igsize=(12, 8), dpi=80, facecolor='w', edgecolor='k')
# 计算正弦和余弦曲线上点的 x 和 y 坐标
x = np.arange(0, 3 * np.pi, 0.1)
y_sin = np.sin(x)
y_cos = np.cos(x)
# subplot的3个参数，2、1、1 ，表示绘制2行1列图像中的第一个子图
plt.subplot(2, 1, 1)# 绘制第一个子图
# 绘制第一个图像
plt.plot(x, y_sin) 
plt.title('Sin')
plt.subplot(2, 1, 2)# 绘制2行1 列图像中的第二个子图
plt.plot(x, y_cos) 
plt.title('Cos')
plt.show()# 显示图像

正弦和余弦函数的绘制结果如图2-14所示。

▲图2-14 正弦和余弦函数绘制

03 PySpark

在大数据应用场景中，当我们面对海量的数据和复杂模型巨大的计算需求时，单机的环境已经难以承载，需要用到分布式计算环境来完成机器学习任务。

Apache Spark是一个快速而强大的框架，可以对弹性数据集执行大规模分布式处理。通过图2-15所示的Apache Spark架构图可以非常清晰地看到它的组成。

▲图2-15 Apache Spark架构图

Spark支持丰富的数据源，可以契合绝大部分大数据应用场景，同时，通过Spark核心对计算资源统一调度，由于计算的数据都在内存中存储，使得计算效率大大提高。Spark原生支持的语言是Scala，但为了丰富应用场景和满足各研发人员的语言偏好，Spark同时支持Java、Python与R。

PySpark是Spark社区发布的在Spark框架中支持Python的工具包，它的计算速度和能力与Scala相似。通过PySpark调用Spark的API，配合MLlib与ML库，可以轻松进行分布式数据挖掘。

MLlib库是Spark传统的机器学习库，目前支持4种常见的机器学习问题：分类、回归、聚类和协同过滤。MLlib的所有算法皆基于Spark特有的RDD（Resilient Distributed Dataset，弹性分布式数据集）数据结构进行运算。由于RDD并不能很好地满足更为复杂的建模需求，ML库应运而生。

ML库相较MLlib库更新，它全面采用基于数据帧（Data Frame）的API进行操作，能够提供更为全面的机器学习算法，且支持静态类型分析，可以在编程过程中及时发现错误，而不需要等代码运行。

Python中除了包含上面介绍的库，还有其他一些常用库。下面分别进行介绍。

04 SciPy

SciPy是一个开源算法库和数学工具包，它基于NumPy构建，并扩展了NumPy的功能。SciPy包含线性代数、积分、插值、特殊函数、快速傅里叶变换等常用函数，功能与软件MATLAB、Scilab和GNU Octave类似。Scipy常常结合Numpy使用，可以说Python的大多数机器学习库都依赖于这两个模块。

05 Pandas

Pandas提供了强大的数据读写功能、高级的数据结构和各种分析工具。该库的一大特点是能用一两个命令完成复杂的数据操作。

Pandas中最基础的数据结构是Series，用于表示一行数据，可以理解为一维的数组。另一个关键的数据结构为DataFrame，用于表示二维数组，作用和R语言里的data.frame很像。

Pandas内置了很多函数，用于分组、过滤和组合数据，这些函数的执行速度都很快。Pandas对于时间序列数据有一套独特的分析机制，可对时间数据做灵活的分析与管理。

06 Scikit-Learn

Scikit-Learn是一个基于NumPy、SciPy、Matplotlib的开源机器学习工具包，功能强大，使用简单，是Kaggle选手经常使用的学习库。它主要涵盖分类、回归和聚类算法，例如SVM、逻辑回归、朴素贝叶斯、随机森林、K均值以及数据降维处理算法等，官方文档齐全，更新及时。

Scikit-Learn基于Numpy和SciPy等Python数值计算库，提供了高效的算法实现，并针对所有算法提供了一致的接口调用规则，包括KNN、K均值、PCA等，接口易用。

07 TensorFlow

TensorFlow是谷歌开源的数值计算框架，也是目前最为流行的神经网络分析系统。它采用数据流图的方式，可灵活搭建多种机器学习和深度学习模型。

08 Keras

Keras是一个用于处理神经网络的高级库，可以运行在TensorFlow和Theano上，现在发布的新版本可以使用CNTK或MxNet作为后端。Keras简化了很多特定任务，并大大减少了样板代码数，目前主要用于深度学习领域。

关于作者：刘鹏，教授，清华大学博士，云计算、大数据和人工智能领域的知名专家，南京云创大数据科技股份有限公司总裁、中国大数据应用联盟人工智能专家委员会主任。中国电子学会云计算专家委员会云存储组组长、工业和信息化部云计算研究中心专家。

高中强，人工智能与大数据领域技术专家，有非常深厚的积累，擅长机器学习和自然语言处理，尤其是深度学习，熟悉Tensorflow、PyTorch等深度学习开发框架。曾获“2019年全国大学生数学建模优秀命题人奖”。参与钟南山院士指导新型冠状病毒人工智能预测系统研发项目，与钟南山院士团队共同发表学术论文。

本文摘编自《Python金融数据挖掘与分析实战》，经出版方授权发布。（ISBN：9787111696506）