超全超香,数据分析与数据挖掘最频繁使用代码合集来了

Posted Python学习与数据挖掘

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了超全超香,数据分析与数据挖掘最频繁使用代码合集来了相关的知识,希望对你有一定的参考价值。

大家好,本文记录的是我日常工作中高频使用的数据分析机器学习代码片段,喜欢记得收藏、点赞、关注

注:完整版代码、资料、技术沟通,文末沟通

包含的主要内容:

  • pandas设置

  • 可视化

  • jieba分词

  • 缺失值处理

  • 特征分布

  • 数据归一化

  • 上下采样

  • 回归与分类模型

  • 模型评价等

常用库

import numpy as np

import pandas as pd
pd.set_option( 'display.precision',6)   # 小数精度6位
pd.set_option("display.max_rows",999)  # 最多显示行数
pd.reset_option("display.max_rows")  # 重置
pd.set_option('display.max_columns',100)  # 最多显示列100
pd.set_option('display.max_columns',None)  # 显示全部列
pd.set_option ('display.max_colwidth', 100)  # 列宽
pd.reset_option('display.max_columns') # 重置
pd.set_option("expand_frame_repr", True)  # 折叠
pd.set_option('display.float_format',  ':,.2f'.format)  # 千分位
pd.set_option('display.float_format', ':.2f%'.format)  # 百分比形式
pd.set_option('display.float_format', ':.2f¥'.format)  # 特殊符号
pd.options.plotting.backend = "plotly"  # 修改绘图
pd.set_option("colheader_justify","left")  # 列字段对齐方式
pd.reset_option('all')  # 全部功能重置

# 忽略notebook中的警告
import warnings
warnings.filterwarnings("ignore")

可视化

# 1、基于plotly
import plotly as py
import plotly.express as px
import plotly.graph_objects as go
py.offline.init_notebook_mode(connected = True)
from plotly.subplots import make_subplots  # 多子图

# 2、基于matplotlib
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
%matplotlib inline
# 中文显示问题
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #正常显示负号

# 3、基于seaborn
import seaborn as sns
# plt.style.use("fivethirtyeight")
plt.style.use('ggplot')

# 4、基于Pyecharts
from pyecharts.globals import CurrentConfig, OnlineHostType
from pyecharts import options as opts  # 配置项
from pyecharts.charts import Bar, Pie, Line, HeatMap, Funnel, WordCloud, Grid, Page  # 各个图形的类
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeType,SymbolType

1、柱状图带显示数值:

fig = px.bar(df4, x="name",y="成绩",text="成绩")

fig.update_traces(textposition="outside")
fig.update_layout(xaxis_tickangle=45)   # 倾斜角度设置
fig.show()

2、饼图带显示类型名称:

fig = px.pie(df,  # 以城市和数量为字段
             names="城市",
             values="数量"
            )

fig.update_traces(
    textposition='inside',
    textinfo='percent+label'
)

fig.update_layout(
    title=
        "text":"城市占比",
        "y":0.96,  # y轴数值
        "x":0.5,  # x轴数值
        "xanchor":"center",  # x、y轴相对位置
        "yanchor":"top"
    
)

fig.show()

3、seaborn箱型图

# 方式1
ax = sns.boxplot(y=df["total_bill"])
# 方式2:传入y和data参数
ax = sns.boxplot(y="total_bill", data=df)

4、plotly子图绘制,假设是28个图,生成7*4的子图:

#两个基本参数:设置行、列
fig = make_subplots(rowS=7, cols=4)74for i, v in enumerate ( parameters)#parameters 长度是28
	r=i//4+1
	C = (i+1) %4
	if C==0:
		fig.add_trace(go.Box(y=df2[v].tolist(),name=v),row=r, col=4)
	else:
		fig.add_trace(go.Box(y=df2[v].tolist( ), name=v),row=r, col=c)
fig.update_layout(width=1000, height=900)
fig. show()

jieba分词与词云图

import jieba

title_list = df["title"].tolist()

# 分词过程
title_jieba_list = []
for i in range(len(title_list)):
    # jieba分词
    seg_list = jieba.cut(str(title_list[i]).strip(), cut_all=False)
    for each in list(seg_list):
        title_jieba_list.append(each)
        
# 创建停用词list
def StopWords(filepath):
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
    return stopwords

# 传入停用词表的路径:路径需要修改
stopwords = StopWords("/Users/Desktop/spider/nlp_stopwords.txt")

# 收集有用词语
useful_result = []
for col in title_jieba_list:
    if col not in stopwords:
        useful_result.append(col)
        
information = pd.value_counts(useful_result).reset_index()
information.columns=["word","number"]

# 词云图
information_zip = [tuple(z) for z in zip(information_new["word"].tolist(), information_new["number"].tolist())]

# 绘图
c = (
    WordCloud()
    .add("", information_zip word_size_range=[20, 80], shape=SymbolType.DIAMOND)
    .set_global_opts(title_opts=opts.TitleOpts(title="词云图"))
)
c.render_notebook()

数据探索

import pandas as pd
df = pd.read_csv("data.csv")

df.shape # 数据形状
df.isnull().sum()  # 缺失值
df.dtypes  # 字段类型
df.describe  # 描述统计信息

缺失字段可视化

import missingno as mso
mso.bar(df,color="blue")
plt.show()

删除字段

# 删除某个非必须属性
df.drop('Name', axis=1, inplace=True)

缺失值填充

以字段的现有数据中位数进行填充为例:

# transform之前要指定操作的列(Age),它只能对某个列进行操作
df['Age'].fillna(train.groupby('Title')['Age'].transform("median"), inplace=True)

字段位置重置

# 1、单独提出来
scaled_amount = df['amount']
# 2、删除原字段信息
df.drop(['amount'], axis=1, inplace=True)
# 3、插入
df.insert(0, 'amount', scaled_amount)

数据集划分

from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedShuffleSplit

X = df.drop("Class", axis=1)  # 特征
y = df["Class"]  # 标签

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=44)

# 3、将数据转成数组,然后传给模型
X_train = X_train.values
X_test = X_test.values
y_train = y_train.values
y_test = y_test.values

数据标准化/归一化

基于numpy来实现

# 基于numpy实现
mean = X_train.mean(axis=0)
X_train -= mean  
std = X_train.std(axis=0)
X_train /= std
# 测试集:使用训练集的均值和标准差来归一化
X_test -= mean 
X_test /= std

基于sklearn实现

from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import RobustScaler
ss = StandardScaler()
data_ss= ss.fit_transform(X)
# 生成对应的DataFrame
df = pd. DataFrame(data_ss, columns=X.columns)
# 还原到原数据
origin_ data = ss.inverse_transform(data_ss)
#rs= RobustScaler()
df[' scaled_ amount' ]=rs.fit_transform(df["Amount"].values.reshape())

相关性热力图

f, ax1 = plt.subplots(1,1,figsize=(24, 20))

corr = df.corr()
sns.heatmap(corr, cmap="coolwarm_r",annot_kws="size":20)
ax.set_title("Correlation Matrix", fontsize=14)

属性间相关性

cols = ["col1", "col2", "col3"]

plt.figure(1,figsize=(15,6))
n = 0

for x in cols:
    for y in cols:
        n += 1  # 每循环一次n增加,子图移动一次
        plt.subplot(3,3,n)  # 3*3的矩阵,第n个图形
        plt.subplots_adjust(hspace=0.5, wspace=0.5)  # 子图间的宽、高参数
        sns.regplot(x=x,y=y,data=df,color="#AE213D")  # 绘图的数据和颜色
        plt.ylabel(y.split()[0] + " " + y.split()[1] if len(y.split()) > 1 else y)

plt.show()

删除离群点

删除基于上下四分位的离群点:

# 数组
v12 = df["V12"].loc[df["Class"] == 1]

# 25%和75%分位数
q1, q3 = v12.quantile(0.25), v12.quantile(0.75)
iqr = q3 - q1

# 确定上下限
v12_cut_off = iqr * 1.5
v12_lower = q1 - v12_cut_off
v12_upper = q3 + v12_cut_off

# 确定离群点
outliers = [x for x in v12 if x < v12_lower or x > v12_upper]

# 技巧:如何删除异常值
new_df = df.drop(df[(df["V12"] > v12_upper) | (df["V12"] < v12_lower)].index)

离群点填充均值

df['Price']=np.where(df['Price']>=40000,  # 大于等于40000看成异常值
                     df['Price'].median(), # 替换均值
                     df['Price']) # 替换字段

特征分布

1、特征取值数量统计

df["Class"].value_counts(normalize=True)
plt.figure(1, figsize=(12,5))

sns.countplot(y="sex", data=df)
plt.show()

2、基于seaborn绘图

# 绘图
colors = ["red", "blue"] 

sns.countplot("Class", data=df, palette=colors)
plt.title("0-No Fraud & 1-Fraud)")
plt.show()

3、特征直方图分布

#查看3个特征的分布
from scipy. stats import norm
f,(axl, ax2, ax3) = pit.subplots(1, 3,figsize=(20,6))
#生成绘图数据:numpy数组
v14_fraud = new_df["V14"]. toc[new df["Class"]== ll.values
sns.distplot(v14_fraud,#传入数据
			ax=axl,# 选择子图
			fit=norm,#拟合:正态化
			color="#FB8861")
ax1.set title("V14", fontsize-14)
v12_fraud = new df["V12"].loc[new df["Class"] == 1].values
sns.distplot(vl2_fraud,ax=ax2,fit=norm,color="#56F9BB")
ax2.set title( "V12".fontsize=14)
v10_fraud = new df["V10"].loc[new dfI "Class" ]== 1].values
sns.distplot(v10_fraud,ax=ax3,fit=norm,color="#C5B3F9" )
ax2.set title("V10", fontsize=14)
plt. show()

另一种方法:

# 绘图
plt.figure(1,figsize=(15,6))  
n = 0

for col in cols:
    n += 1 # 子图位置
    plt.subplot(1,3,n)  
    plt.subplots_adjust(hspace=0.5,wspace=0.5)  # 调整宽高
    sns.distplot(df[col],bins=20)  # 绘制直方图
    plt.title(f'Distplot of col')  
plt.show()  # 显示图形

特征重要性

from sklearn.feature_selection import mutual_info_classif
imp = pd.DataFrame(mutual_info_classif(X,y),
                  index=X.columns)

imp.columns=['importance']
imp.sort_values(by='importance',ascending=False)

2种编码

Nominal data -- Data that are not in any order -->one hot encoding
ordinal data -- Data are in order --> labelEncoder
  • 标称数据:没有任何顺序,使用独热编码oneot encoding

  • 有序数据:存在一定的顺序,使用类型编码labelEncoder

独热码的实现:

df["sex"] = pd.get_dummies(df["sex"])

基于有序数据的类型编码自定义:

dic = "v1":1, "v2":2, "v3":3, "v4":4
df["class"] = df["class"].map(dic)

sklearn实现类型编码:

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()

for i in ['Route1', 'Route2', 'Route3', 'Route4', 'Route5']:
    categorical[i]=le.fit_transform(categorical[i])

上、下采样

上采样

# 使用imlbearn库中上采样方法中的SMOTE接口
from imblearn.over_sampling import SMOTE

# 设置随机数种子
smo = SMOTE(random_state=42)
X_smo, y_smo = smo.fit_resample(X, y)

下采样

# 欺诈的数据
fraud_df = df[df["Class"] == 1]  # 少量数据
# 从非欺诈的数据中取出相同的长度len(fraud_df)
no_fraud_df = df[df["Class"] == 0][:len(fraud_df)]
# 组合
normal_distributed_df = pd.concat([fraud_df, no_fraud_df])
# 随机打乱数据
new_df = normal_distributed_df.sample(frac=1, random_state=123)

PCA降维

from sklearn.manifold import TSNE
from sklearn.decomposition import PCA, TruncatedSVD
# PCA

以上是关于超全超香,数据分析与数据挖掘最频繁使用代码合集来了的主要内容,如果未能解决你的问题,请参考以下文章

Java 简单的用户管理系统(代码注释超全超详细!!!)

机器视觉的主要研究内容和细分方向(超全超赞)

HBase常用命令(超全超详细)

2021年超全超详细的最新大数据开发面试题,附答案解析

计算机视觉的主要研究领域和细分方向(超全超赞)

select超全超详细总结篇