Python3数据分析与挖掘建模实战✍✍✍

Python3数据分析与挖掘建模实战

Python数据分析简介

Python入门

运行：cmd下"python hello.py"

基本命令：

第三方库

安装

Windows中

pip install numpy

或者下载源代码安装

python setup.py install

Pandas默认安装不能读写Excel文件，需要安装xlrd和xlwt库才能支持excel的读写

pip install xlrd

pip install xlwt

StatModel可pip可exe安装，注意，此库依赖于Pandas和patsy

Scikit-Learn是机器学习相关的库，但是不包含人工神经网络

model.fit()     #训练模型，监督模型fit(X,y),非监督模型fit(X)

# 监督模型接口

model.predict(X_new)        #预测新样本

model.predict_proba(X_new)  #预测概率

model.score()               #得分越高，fit越好

# 非监督模型接口

model.transform()           #从数据中学到新的“基空间”

model.fit_transform()       #从数据中学到新的基，并按照这组基进行转换

Keras是基于Theano的强化的深度学习库，可用于搭建普通神经网络，各种深度学习模型，如自编码器，循环神经网络，递归神经网络，卷积神经网络。Theano也是一个Python库，能高效实现符号分解，速度快，稳定性好，实现了GPU加速，在密集型数据处理上是CPU的10倍，缺点是门槛太高。Keras的速度在Windows会大打折扣。

Windows下：安装MinGWindows--安装Theano---安装Keras--安装配置CUDA

Gensim用来处理语言方面的任务，如文本相似度计算、LDA、Word2Vec等，建议在Windows下运行。

Linux中

sudo apt-get install python-numpy

sudo apt-get install python-scipy

sudo apt-get install python-matplotlib

使用

Matplotlib默认字体是英文，如果要使用中文标签，

plt.rcParams['font.sans-serif'] = ['SimHei']

保存作图图像时，负号显示不正常：

plt.rcParams['axes.unicode_minus'] = False

数据探索

脏数据：缺失值、异常值、不一致的值、重复数据

异常值分析

1. 简单统计量分析：超出合理范围的值
2. 3sigma原则：若正态分布，异常值定义为偏差超出平均值的三倍标准差；否则，可用远离平均值的多少倍来描述。
3. 箱型图分析：异常值定义为小于Q_L-1.5IQR或者大于Q_U +1.5IQR。Q_L是下四分位数，全部数据有四分之一比他小。Q_U是上四分位数。IQR称为四分位数间距，IQR=Q_U-Q_L

分布分析

定量数据的分布分析：求极差(max-min)，决定组距和组数，决定分点，列出频率分布表，绘制频率分布直方图。

定性数据的分布分析：饼图或条形图

对比分析

统计量分析

集中趋势度量：均值、中位数、众数

离中趋势度量：极差、标准差、变异系数、四份位数间距

变异系数为：s表示标准差，x表示均值

周期性分析

贡献度分析

又称帕累托分析，原理是帕累托法则，即20/80定律，同样的投入放在不同的地方会产生不同的收益。

相关性分析

途径：绘制散点图、散点图矩阵、计算相关系数

Pearson相关系数：要求连续变量的取值服从正态分布。

$$
\begin{cases}

{|r|\leq 0.3}&\text{不存在线性相关}\

0.3 < |r| \leq 0.5&\text{低度线性相关}\

0.5 < |r| \leq 0.8&\text{显著线性相关}\

0.8 < |r| \leq 1&\text{高度线性相关}\

\end{cases}
$$

相关系数r的取值范围[-1, 1]

Spearman相关系数：不服从正态分布的变量、分类或等级变量之间的关联性可用该系数，也称等级相关系数。

对两个变量分别按照从小到大的顺序排序，得到的顺序就是秩。R_i表示x_i的秩次，Q_i表示y_i的秩次。

判定系数：相关系数的平方，用来解释回归方程对y的解释程度。

数据探索函数

电子商务网站用户行为分析及服务推荐

数据抽取：建立数据库--导入数据--搭建Python数据库操作环境

数据分析

1. 网页类型分析
2. 点击次数分析
3. 网页排名

数据预处理

1. 数据清洗：删除数据(中间页面网址、发布成功网址、登录助手页面)
2. 数据变化：识别翻页网址并去重，错误分类网址手动分类，并进一步分类
3. 属性规约：只选择用户和用户选择的网页数据

模型构建

基于物品的协同滤波算法：计算物品之间的相似度，建立相似度矩阵；根据物品的相似度和用户的历史行为给用户生成推荐列表。

相似度计算方法：夹角余弦、Jaccard系数、相关系数

财政收入影响因素分析及预测模型

数据分析

1. 描述性统计分析
2. 相关分析

模型构建

对于财政收入、增值税、营业税、企业所得税、政府性基金、个人所得税

1. Adaptive-Lasso变量选择模型：去除无关变量
2. 分别建立灰色预测模型与神经网络模型

基于基站定位数据的商圈分析

数据预处理

1. 属性规约：删除冗余属性，合并时间属性
2. 数据变换：计算工作日人均停留时间、凌晨、周末、日均等指标，并标准化。

模型构建

1. 构建商圈聚类模型：采用层次聚类算法
2. 模型分析：对聚类结果进行特征观察

电商产品评论数据情感分析

文本采集：八爪鱼采集器(爬虫工具)

文本预处理：

1. 文本去重：自动评价、完全重复评价、复制的评论
2. 机械压缩去词：
3. 删除短句

文本评论分词：采用Python中文分词包“Jieba”分词，精度达97%以上。

模型构建

1. 情感倾向性模型：生成词向量；评论集子集的人工标注与映射；训练栈式自编码网