python库使用整理

1. 环境搭建

l  Python安装包：www.python.org

l  Microsoft Visual C++ Compiler for Python

l  pip（get-pip.py）：pip.pypa.io/en/latest/installing.html

n  pip install + 安装包          --安装包（.whl，.tar.gz，.zip）

n  pip uninstall + 安装包        --卸载包

n  pip show --files + 安装包     --查看已安装包信息

n  pip list outdated             --查看待更新包信息

n  pip install -U + 安装包          --升级包

n  pip search + 安装包            --搜索包

n  pip help                       --显示帮助信息

l  Anaconda：continuum.io/downloads

n  conda install + 安装包

n  conda uninstall + 安装包

l  一些常用包：www.lfd.uci.edu/~gohlke/pythonlibs/

n  re：正则匹配；os：文件操作；random：随机数；time：时间戳

n  requests：网页交互（get & post）

n  beautifulsoup4：用于规范化的静态网页的分析

n  mysqlclient、PyMySQL：Mysql数据库操作接口

n  numpy+mkl：矩阵运算

n  scipy：科学计算（插值，积分，优化，图像处理，特殊函数）

n  matplotlib：图形绘制

n  scikit-learn：机器学习库

n  jieba、smallseg：中文分词  https://pypi.python.org/pypi/jieba/

n  pandas：大型数据处理

n  nltk：提供50多个语料库和词典资源（分类、分词、词干提取、解析、语义推理）

n  Pattern：拥有一系列的自然语言处理工具，词性标注工具(Part-Of-Speech Tagger)，N元搜索(n-gram search)，情感分析(sentiment analysis)，WordNet，也支持机器学习的向量空间模型，聚类，向量机。

n  TextBlob：处理文本数据（词性标注、名词短语抽取、情感分析、分类、翻译）

n  Gensim：用于对大型语料库进行主题建模、文件索引、相似度检索等，可以处理大于内存的输入数据

n  PyNLPI

n  spaCy：一个商业的开源软件，结合了Python和Cython的NLP工具

n  Polyglot：支持大规模多语言应用程序的处理（165种语言的分词，196种语言的辨识，40种语言的专有名词识别，16种语言的词性标注，136种语言的情感分析，137种语言的嵌入，135种语言的形态分析，以及69种语言的翻译）

n  MontyLingua：免费的、功能强大的、端到端的英文处理工具，适用于信息检索和提取，请求处理，问答系统，能词性标注和实体识别一些语义信息。

n  BLLIP Parser：集成了生成成分分析器和最大熵排序的统计自然语言分析器

n  Quepy：提供了将自然语言问题转换成为数据库查询语言中的查询

n  PIL：图像处理

n  xgboost（eXtreme Gradient Boosting）：梯度上升算法

2. 常用命令

l  python XXX.py                --运行程序

l  python setup.py build        --编译，须在setup.py所在目录下

l  python setup.py install       --安装，同上

l  python setup.py sdist         --制作分发包，同上

l  python setup.py bdist_wininst --制作windows下的分发包，同上

3. 标准定义

#!usr/bin/python

# -*- coding: utf-8 -*-

# encoding=utf-8

from distutils.core import setup

import sys

reload(sys)

sys.setdefaultencoding('utf8')

# 安装包打包

setup(name="example", version="v1.0.0", description="setup_examples", author="SweetYu", py_modules=['文件夹1.文档1','文件夹1.文档2','文件夹2.文档3'])

#类的定义

class A:

__count = 0             # 私有类变量

def __init__(self, name):

self.name = name   # 公有成员变量

A.__count += 1

@classmethod

def getCount(cls):     # 类函数

return cls.__count

def getName(self):     # 成员函数

return self.name

if __name__ == '__main__':

main()

4. json、string、random、re

正则表达式（Res，regex pattens）

l  元符号

．表示任意字符

［］用来匹配一个指定的字符类别

^ 取非

* 前一个字符重复0到无穷次

$ 前一个字符重复1到无穷次

？前一个字符重复0到1次

{m}前一个字符重复m次

l  特殊匹配

\d 匹配任何十进制数，相当于类 [0-9]。

\D 匹配任何非数字字符，相当于类 [^0-9]

\s 匹配任何空白字符，相当于类 [ fv]

\S 匹配任何非空白字符，相当于类 [^ fv]

\w 匹配任何字母数字字符，相当于类 [a-zA-Z0-9_]

\W 匹配任何非字母数字字符，相当于类 [^a-zA-Z0-9_]

import json, os, re, time

import string, random

obj = [[1,2,3],123,123.123,'abc',{'key1':(1,2,3),'key2':(4,5,6)}]

encode_obj = json.dumps(obj, skipkeys=True, sort_keys=True)    #将对象转换成字符串

decode_obj = json.loads(encode_obj)             #将字符串转换成对象

random.randint(0,255)       #获取0~255范围内的整数

field = string.letters + string.digits #大小写字母+数字

random.sample(field,5)     #获取长度为5的field范围内的随机字符串

#文件处理

fp = open(filename,"w", encoding='utf-8-sig')  # 'w', 'w+', 'r', 'r+', 'a', 'a+'

fp.write(unicode("\xEF\xBB\xBF", "utf-8"))       #写到文件开头，指示文件为UTF-8编码

fp.close()

m = re.search("^ab+","asdfabbbb")    # m.group() à 'abbbb'

re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE)

re.findall("a{2,4}","aaaaaaaa")      # ['aaaa', 'aaaa']

re.findall("a{2,4}?","aaaaaaaa")     # ['aa', 'aa', 'aa', 'aa']

re.split("[a-zA-Z]+","0A3b9z") 　    # ['0', '3', '9', '']

m = re.match("(?P<first_name>\w+) (?P<last_name>\w+)","sam lee")

> m.group("first_name")  # 'sam'

> m.group("last_name")   # 'lee'

re.sub('[abc]', 'o', 'caps rock')   # 'cops rook'

5. os、time

在Python中，通常有这几种方式来表示时间：

1）时间戳 ：从1970年1月1日00:00:00开始按秒计算的偏移量，如：time()，clock()，mktime()

2）格式化的时间字符串，如：strftime ()

3）struct_time元组：如：gmtime()【UTC时区】，localtime()【当前时区】，strptime()

import os, time

time.strptime('2011-05-05 16:37:06', '%Y-%m-%d %X')

time.strftime("%Y-%m-%d %X", time.localtime())

time.localtime(1304575584.1361799)       #(tm_year=2011, tm_mon=5, tm_mday=5, tm_hour=14, tm_min=6, tm_sec=24, tm_wday=3, tm_yday=125, tm_isdst=0)

time.sleep(s)           #线程休眠s秒

#获取文件创建时间      例：1483882912.37   Sun Jan 08 21:41:52 2017

time.ctime(os.path.getctime(fileName))

os.path.exists(fileName)     #是否存在某一文件

os.chdir(dir)                 #修改当前目录

os.getcwd()                   #获取当前目录

os.listdir(dir)               #返回指定目录下的所有文件和目录名

os.remove(fileName)          #删除一个文件

os.makedirs(dir/fileName)    #生成多层递规目录

os.rmdir(dir)                 #删除单级目录

os.rename(oldName, newName)  #重命名文件

> os.sep        #当前平台下路径分隔符

> os.linesep    #给出当前平台使用的行终止符

> os.environ    #获取系统环境变量

os.path.abspath(path)         #显示该路径的绝对路径

os.path.dirname(path)         #返回该路径的父目录

os.path.isfile(path)          #如果path是一个文件，则返回True

os.path.isdir(path)           #如果path是一个目录，则返回True

os.path.splitext(fileName)   #获得(文件名,文件名后缀)

os.stat()      #获取文件或者目录信息

os.path.join(dir,fileName)   #连接目录与文件名或目录 结果为path/name

6. requests

import requests

session = requests.session()

url = 'https://api.github.com/some/endpoint'

params = {'some': 'data'}

headers = {'content-type': 'application/json'}

files = {'file': open('report.xls', 'rb')}

cookies = dict(cookies_are='working')

r = session.post(url, data = json.dumps(params), headers = headers, files = files, cookies = cookies, allow_redirects = False, timeout = 0.001)

# get、put、delete、options、head

> r.status_code   # requests.codes.ok

> r.url

> r.encoding

> r.text

> r.content

> r.headers       # r.headers['Content-Type']或 r.headers.get('content-type')

> r.history

7. beautifulsoup4

BeautifulSoup将HTML文档转换成一个树形结构，每个节点都是Python对象，所有对象可以归纳为4种：Tag、NavigableString、BeautifulSoup、Comment。

• 当前结点：

.name：标签名

.attr：标签的属性集合（json）

.string：标签内容

.strings：标签对象包含的多个内容列表（list）

.stripped_strings：去除多余空白内容后的多个内容列表（list）

• 直接/所有子节点：

.contents

.children     .descendants

• (所有)父节点：

.parent        .parents

• 兄弟节点：

.next_sibling

.previous_sibling

• 前后节点【不分层次】：

.next_element         .next_elements

.previous_element    .previous_elements

搜索文档树

• find_all、find
• find_parents、find_parent
• find_next_siblings、find_next_sibling
• find_previous_siblings、find_previous_sibling
• find_all_next、find_next
• find_all_previous、find_previous
• select

name参数：标签名、正则表达式、列表、True（匹配任何值）、方法

keyword参数：class、id、href等标签属性

text 参数：标签内容

limit参数：返回列表的大小

recursive 参数，是否仅包含直接子结点（True/False）

标签名不加任何修饰，类名前加点，id名前加 #

import re

from bs4 import BeautifulSoup

def has_class_but_no_id(tag):

return tag.has_attr('class') and not tag.has_attr('id')

soup = BeautifulSoup(html)

> soup.prettify()

> soup.find_all(has_class_but_no_id)

> soup.find(re.compile("^b"))

> soup.select('a[class="sister"]')

if type(soup.a.string)==bs4.element.Comment:

print(soup.a.string)         #遍历某一对象的非注释字符串

for str in soup.stripped_strings:

print(repr(str))

8. numpy

• 常用属性：Itemsize（单个元素字节数）、size（元素个数）、shape、ndim（维数）、dtype、axis=0（列）/1（行）
• 常用函数：max、min、sum、sin、floor（向下取整）、dot（矩阵相乘）、exp、.vstack（纵向合并）、hstack（横向合并）
• 矩阵运算：transpose（转置）、trace（迹）、eig（特征值和特征向量）、inner（内积）、outer（外积）

import numpy as np

import numpy.linalg as nplg

a = np.array([[1,2],[3,4]] , dtype=np.int32)      #[[1 2][3 4]]

nplg.eig(a)       #矩阵A的特征向量和特征值

b = np.arange(6).reshape(2,3)   #[[0 1][2 3][4 5]]

c = np.linspace(1,3,9)           #[1. 1.25  1.5  1.75 2. 2.25 2.5  2.75 3.]

d = np.zeros((1,3))              # ones全1矩阵；eyes 单位矩阵；zeros 全0矩阵

e = d.repeat(2,axis=0)           #[[0 0 0][0 0 0]]

np.merage(a,b)    #合并数据

a.tofile("a.bin")

f = np.fromfile("a.bin", dtype= a.dtype)

f.shape = a.shape

np.save("a.npy", a)

g = np.load("a.npy")

9. scipy

10. sklearn

1)   Scikit-learn本身不支持深度学习和加强学习，也不支持GPU加速，不支持图模型和序列预测；

2)   Scikit-learn从来不做除机器学习领域之外的其他扩展；

3)   Scikit-learn从来不采用未经广泛验证的算法；

1. 数据预处理

特征提取：将输入数据转换为具有零均值和单位权方差的新变量

归一化：将文本或图像数据转换为可用于机器学习的数字变量

from sklearn.preprocessing import *

# z-score标准化：减去均值，除以标准

X = StandardScaler().fit_transform(X)

# 最小-最大规范化：缩放至特定范围

X = MinMaxScaler().fit_transform(X)

X = MaxAbsScaler().fit_transform(X)

# 数据归一化/规范化

X = Normalizer(X, norm='l2').fit_transform(X)    # norm可取值l1,l2,max

# 数值特征二值化

X = Binarizer(threshold=1.1).fit_transform(X)    # threshold为阈值

# 类别数据编码，OneHot编码：OneHotEncoder

# 标签二值化：将类别特征转换为多维二元特征，并将每个特征扩展成用一维表示

label_binarize([1, 6], classes=[1, 2, 4, 6])     # 输出[1, 0, 0, 0],[0, 0, 0, 1]

# 类别编码

LabelEncoder().fit_transform(['A','A','b','c'])  # 输出[0, 0, 1, 2]

# 缺失值填补

imp = Imputer(missing_values='NaN', strategy='mean', axis=0)

imp.fit_transform([[1, 2], [np.nan, 3], [7, 6]]))      #[[1, 2], [4, 3], [7, 6]]

# 生成多项式特征  例：[a,b] -> [1,a,b,a^2,ab,b^2]

PolynomialFeatures(2).fit_transform(X)

# 增加伪特征

FunctionTransformer(np.log1p).fit_transform([[0, 1], [2, 3]])

1. 分类算法

线性：朴素贝叶斯（NB）、K-最近邻（KNN）、逻辑回归（LR）

n  训练和预测的效率较高，但对特征的依赖程度也高

n  需在特征工程上尽量对特征进行选择、变换或者组合，使得特征具有线性可分性

非线性：随机森林（RF）、决策树（DT）、梯度提升（GBDT）、支持向量机-交叉验证（SVM-CV）、多层感知机（MLP）神经网络

n  可建模复杂的分类面，能更好的拟合数据。

# NB(Multinomial Naive Bayes) Classifier

from sklearn.naive_bayes import MultinomialNB

model = MultinomialNB(alpha=0.01)

# KNN Classifier

from sklearn.neighbors import KNeighborsClassifier

model = KNeighborsClassifier()

# LR(Logistic Regression) Classifier

from sklearn.linear_model import LogisticRegression

model = LogisticRegression(penalty='l2')

# RF(Random Forest) Classifier

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=8)

# DT(Decision Tree) Classifier

from sklearn import tree

model = tree.DecisionTreeClassifier()

# GBDT(Gradient Boosting Decision Tree) Classifier

from sklearn.ensemble import GradientBoostingClassifier

model = GradientBoostingClassifier(n_estimators=200)

# SVM Classifier

from sklearn.svm import SVC

model = SVC(kernel='rbf', probability=True)

# SVM Classifier using CV(Cross Validation)

from sklearn.grid_search import GridSearchCV

from sklearn.svm import SVC

model = SVC(kernel='rbf', probability=True)

param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}

grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)

grid_search.fit(train_x, train_y)

best_parameters = grid_search.best_estimator_.get_params()

for para, val in best_parameters.items():

print para, val

model=SVC(kernel='rbf',C=best_parameters['C'],gamma=best_parameters['gamma'],probability=True)

# MLP Classifier

from sklearn.neural_network import MLPClassifier

clf=MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(5,2),random_state=1)

#建立模型

model.fit(train_x, train_y)

#预测与评价

from sklearn import metrics

predict = model.predict(test_x)

precision = metrics.precision_score(test_y, predict)

recall = metrics.recall_score(test_y, predict)

accuracy = metrics.accuracy_score(test_y, predict)

1. 回归分析

支持向量回归（SVR）

贝叶斯回归、内核岭回归（KR）、高斯回归

岭回归：通过增加惩罚函数来判断、消除特征间的共线性

Lasso回归（least absolute shrinkage and selection operator，最小绝对值收缩和选择算子）

弹性网络（Elastic Net）：使用L1和L2先验作为正则化矩阵的线性回归模型

最小角回归（LARS，least angle regression），可用作参数选择，得到一个相关系数的稀疏向量

# 产生200个样本，500个特征（维）的回归样本空间

from sklearn.datasets import make_regression

reg_data, reg_target = make_regression(n_samples=200, n_features=500, n_informative=5, noise=5)

# 线性回归、贝叶斯回归、Lasso回归以及特征提取、岭回归、LARS回归

from sklearn import linear_model

regr_model = linear_model.LinearRegression()

bys_model = linear_model.BayesianRidge(compute_score=True)

lasso_model = linear_model.Lasso()

r_model = linear_model.Ridge(alpha=.5)

lars_model = linear_model.Lars(n_nonzero_coefs=10)

# 交叉验证

lasso_cv = linear_model.LassoCV(alphas=None, copy_X=True, cv=None, eps=0.001,

fit_intercept=True, max_iter=1000, n_alphas=100, n_jobs=1,

normalize=False, positive=False, precompute='auto',

random_state=None, selection='cyclic', tol=0.0001,verbose=False)

lasso_cv.fit(reg_data, reg_target)

> lasso_cv.alpha_        # 正则化项L1的系数

> lasso_cv.intercept_    # 截距

new_reg_data = reg_data[:,lasso_cv.coef_!=0]  #相关系数!=0的特征，被提取得到

# 高斯回归

from sklearn import gaussian_process

gp_model = gaussian_process.GaussianProcess(theta0 = 1e-2, thetaL = 1e-4, thetaU= 1e-1)

# SVR回归、KR回归

from sklearn.svm import SVR

from sklearn.grid_search import GridSearchCV

from sklearn.kernel_ridge import KernelRidge

svr_model = GridSearchCV(SVR(kernel = 'rbf', gamma = 0.1), cv = 5,

param_grid = {"C": [1e0,1e1,1e2,1e3], "gamma": np.logspace(-2, 2, 5)})

kr_model = GridSearchCV(KernelRidge(kernel = 'rbf', gamma = 0.1), cv = 5,

param_grid = {"alpha": [1e0,0.1,1e-2,1e-3], "gamma": np.logspace(-2,2,5)})

#训练模型

model.fit (X_train, y_train)

# 打印相关系数

print('Coefficients: \n', model.coef_)

print("Residual sum of squares: %.2f" % np.mean((model.predict(X_test) - y_test) ** 2))

print('Variance score: %.2f' % model.score(X_test, y_test))

1. 聚类算法（无监督）

K-均值（K-means）聚类，谱聚类，均值偏移，分层聚类，DBSCAN聚类

import numpy as np

from sklearn import datasets

# 产生500个样本，6个特征（维），5个簇的聚类样本空间

X, Y = datasets.make_blobs(n_samples=500, n_features=6, centers=5, cluster_std=[0.4, 0.3, 0.4, 0.3, 0.4], random_state=11)

# K-means Cluster

from sklearn.cluster import KMeans

clf_model = KMeans(n_clusters=3, max_iter=300, n_init=10)

# 谱聚类

from sklearn.cluster import SpectralClustering

clf_model = SpectralClustering()  #或SpectralClustering(n_clusters=k, gamma=gamma)

# DBSCAN Cluster

from sklearn.cluster import DBSCAN

clf_model = DBSCAN(eps = 0.3, min_samples = 10)

#建立模型

clf_model.fit(X)

y_pred = clf_model.fit_predict(X)

#预测与评价

from sklearn import metrics

y_pred = clf_model.labels_

n_clusters_ = len(set(y_pred)) - (1 if -1 in y_pred else 0)

print("Estimated number of clusters: %d" % n_clusters_)

print("Homogeneity: %0.3f" % metrics.homogeneity_score(Y, y_pred))

print("Completeness: %0.3f" % metrics.completeness_score(Y, y_pred))

print("V-measure: %0.3f" % metrics.v_measure_score(Y, y_pred))

print("Adjusted Rand Index: %0.3f" % metrics.adjusted_rand_score(Y, y_pred))

print("Adjusted Mutual Information: %0.3f" % metrics.adjusted_mutual_info_score(Y, y_pred))

print("Silhouette Coefficient: %0.3f" % metrics.silhouette_score(X, y_pred))

print("Calinski-Harabasz Score", metrics.calinski_harabaz_score(X, y_pred))

1. 数据降维

目的：减少要考虑的随机变量的个数

应用场景：可视化处理、效率提升

主成分分析（PCA）、非负矩阵分解（NMF）、文档生成主题模型(LDA)、特征选择

# PCA (Principal Components Analysis)

from sklearn import decomposition

pca = decomposition.PCA()

pca.fit(X)   # 直接对数据进行降维

print(pca.explained_variance_)

pca.n_components = 2

X_reduced = pca.fit_transform(X)

# NMF(Nonnegtive Matrix Factorization)

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.decomposition import NMF

tfidf_vector = TfidfVectorizer(max_df=0.95, min_df=2, max_features=n_features,

stop_words='english')

tfidf = tfidf_vector.fit_transform(data_samples)

nmf = NMF(n_components=n_topics, random_state=1, alpha=.1, l1_ratio=.5).fit(tfidf)

# LDA(Latent Dirichlet Allocation)

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.decomposition import LatentDirichletAllocation

tf_vector = CountVectorizer(max_df=0.95, min_df=2, max_features=n_features,

stop_words='english')

tf = tf_vector.fit_transform(data_samples)

lda = LatentDirichletAllocation(n_topics=n_topics, max_iter=5, learning_method='online',

learning_offset=50, random_state=0)

.fit(tf)

# 打印模型结果

feature_names = vector.get_feature_names()

for topic_idx, topic in enumerate(model.components_):

print("Topic #%d:" % topic_idx)

print(" ".join([feature_names[i] for i in topic.argsort()[:-n_top_words - 1:-1]]))

1. 模型选择

对于给定参数和模型的比较、验证和选择

目的：通过参数调整来提升精度

格点搜索，交叉验证，各种针对预测误差评估的度量函数

#交叉验证

from sklearn import metrics

from sklearn.svm import SVC

from sklearn.model_selection import cross_val_score

clf = SVC(kernel='linear', C=1)

scores = cross_val_score(clf, iris.data, iris.target, cv=5, scoring='f1_macro')

print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

# 模型的保存与载入

import pickle

from sklearn.externals import joblib

joblib.dump(clf , 'c:/km.pkl')

clf = joblib.load('c:/km.pkl')

with open('save/clf.pickle', 'wb') as f: pickle.dump(clf, f)

with open('save/clf.pickle', 'rb') as f: clf = pickle.load(f)

print(clf.predict(X[0:1]))      #测试读取后的Model

11. matplotlib

from matplotlib.matlab import *

from pylab import *

plot(x, y1, 'r*', linewidth=2, label='f(x)=sin(x)')     #普通曲线图

plot(x, y2, 'b-', linewidth=2, label='f(x)=2^x')

xlabel('x');    ylabel('f(x)');    title('Simple plot')

legend(loc='upper left')            # 添加图例

grid(True)                           # 显示网格

savefig("sin.png" ,dpi=72)          # 保存图表（dpi为分辨率）

show()                               # 显示图表，注：每次显示后刷新画板

text(2,4, r'$ \alpha_i \beta_j \pi \lambda \omega $' , size=15)    #

text(4,4, r'$ \sin(0) = cost (\frac {\pi} {2}) $' , size=15)       #

text(2,2 , r'$ lim_{x \rightarrow y} \frac{1} {x^3} $', size=15)   #

text(4,2 , r'$ \sqrt[4] {x} = \sqrt {y} $', size=15)                #

12. jieba            https://github.com/fxsjy/jieba

import jieba

import jieba.posseg as pseg

sentence = "我来到北京清华大学"

#分词

seg_list = jieba.cut(sentence, cut_all=True) # 全模式

seg_list = jieba.cut(sentence, cut_all=False) # 精确模式

seg_list = jieba.cut(sentence)  # 默认是精确模式

seg_list = jieba.cut_for_search(sentence)  # 搜索引擎模式

#加载词典，格式：词语 [词频] [词性]

jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

#手动调整使某个词（不）分开

jieba.suggest_freq(('中', '将'), True)

jieba.suggest_freq('台中', True)

#关键词提取

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n','v'))

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n','v'))

#词性标注

words = pseg.cut(sentence)

for word, flag in words:

print('%s %s' % (word, flag))

13. pandas

import numpy as np

import pandas as pd

from pandas import Sereis, DataFrame

data = DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('wxyz'))

a   b   c   d

w   0   1   2   3

x   4   5   6   7

y   8   9  10  11

z  12  13  14  15

data[1:4,0:3]         #第2到4行，第1到3列

data[['x':'z'],[0:2]]

data.iat[1:4,[0:2]]

data.ix[1:4,[‘a’,’b’,’c’]]

data.loc[['x',’y’,’z’],[‘a’:’c’]]

data.irow(0)    #第1行           data.iloc[-1:]  #最后1行

data.icol(0)    #第1列           data.iloc[:-1]  #最后1列

data.ix[data.a>5,3]   # ‘a’列>5的值所在行【’y’,’z’】，第4列的数据

data.head()  #返回data的前几行数据，默认为前五行，需要前十行则data.head(10)

data.tail()  #返回data的后几行数据，默认为后五行，需要后十行则data.tail(10)

14. nltk

l  nps_chat  # 即时消息聊天会话语料库

l  brown    # 布朗语料库

[1]      是第一个百万词级的英语电子语料库

[2]      由布朗大学于 1961年创建，包含500个不同来源的文本

[3]      按照文体分类：['adventure', 'belles_lettres', 'editorial', 'fiction', 'government', 'hobbies', 'humor', 'learned', 'lore', 'mystery', 'news', 'religion', 'reviews', 'romance', 'science_fiction']

l  reuters    # 路透社语料库

[1]      包含 10,788 个新闻文档，共计 130 万字

[2]      这些文档分成 90 个主题，按照“训练”和“测试”分为两组

[3]      新闻报道往往涉及多个主题，类别往往互相重叠

[4]      可以查找由一个或多个文档涵盖的主题，也可以查找包含在一个或多个类别中的文档

l  inaugural    # 就职演说语料库

[1]       55个文本，每个文本都是一个总统的演说，具有时间维度

l  udhr        # 标注文本语料库 “世界人权宣言”

[1]      包含多国语言['Chickasaw', 'English','German_Deutsch','Greenlandic_Inuktikut','Hungarian_Magyar', 'Ibibio_Efik']

15. PIL

import zbar

from PIL import Image

#识别二维码

scanner = zbar.ImageScanner()       #创建图片扫描对象

scanner.parse_config('enable')      #设置对象属性

img = Image.open(filename).convert('L')   #打开一张二维码图片, #默认mode="r"

qrCode = zbar.Image(img.width, img.height,'Y800', img.tobytes())  #转换图片为字节信息并扫描

scanner.scan(qrCode)

data += s.data for s in qrCode

del(img)          # 删除图片对象

print(data)       # 输出解码结果

#在图片上添加文字，增加噪音点

draw = ImageDraw.Draw(img)

font = ImageFont.truetype(fontfile, min(img.size)/30)

draw.text((0,img.height - fontsize), data, font=font, fill=(255,0,0))

draw.point((random.randint(0,width), random.randint(0,height)), fill=(0,0,255))

#按比例缩放后，模糊处理并保存

rate = max( img.width/p_width, img.height/p_height )

if rate!=0:

img.thumbnail((img.size[0]/rate , img.size[1]/rate)) #注：此处有两个括号

img = img.filter(ImageFilter.BLUR)

img.show(); img.save(filename, 'jpeg')   # 或者是'png'

img.close()

16. goose

17. xgboost

l  优势

1、  正则化，减少过拟合

2、  并行处理，也支持Hadoop实现

3、  高度的灵活性，允许自定义优化目标和评价标准

4、  缺失值处理

5、  剪枝

6、  内置交叉验证，获得最优boosting迭代次数

7、  可在已有模型上继续训练

l  参数

1、  通用参数：宏观函数控制

u  booster：每次迭代的模型，gbtree（默认）：基于树的模型，gbliner：线性模型

u  silent：0-默认；1-静默模式，不输出任何信息

u  nthread：默认值为最大可能的线程数

2、  Booster参数：控制每一步的booster(tree/regression)

u  eta [默认0.3]：学习速率，通过减少每一步的权重，可提高模型的鲁棒性。 典型值为0.01-0.2。

u  min_child_weight [默认1]：最小样本权重的和

u  max_depth [默认6]：树的最大深度，典型值：3-10

u  max_leaf_nodes：最大的节点或叶子的数量

u  gamma [默认0]：节点分裂所需的最小损失函数下降值

u  max_delta_step [默认0]：每棵树权重改变的最大步长

u  subsample [默认1]：每棵树随机采样的比例，典型值：0.5-1

u  colsample_bytree [默认1]：每棵随机采样的列数的占比(每一列是一个特征)。 典型值：0.5-1

u  colsample_bylevel [默认1]：树的每一级的每一次分裂，对列数的采样的占比

u  lambda [默认1]：权重的L2正则化项，和Ridge regression类似

u  alpha [默认1]：权重的L1正则化项，和Lasso regression类似，可以应用在很高维度的情况下，使得算法的速度更快

u  scale_pos_weight [默认1]：在样本不平衡时，把这个参数设为一个正值，可以使算法更快收敛

3、  学习目标参数：控制训练目标的表现

u  objective [默认reg:linear]：需要被最小化的损失函数。

l  binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)

l  multi:softmax 使用softmax多分类器，返回预测的类别(不是概率)，还需设一个参数：num_class(类别数目)

l  multi:softprob 和multi:softmax参数一样，但是返回的是每个数据属于各个类别的概率

u  eval_metric [默认值取决于objective参数的取值]：对于有效数据的度量方法。

l  对于回归问题，默认值是rmse，均方根误差

l  对于分类问题，默认值是error，二分类错误率(阈值为0.5)

l  mae 平均绝对误差

l  logloss 负对数似然函数值

l  merror 多分类错误率

l  mlogloss 多分类

l  logloss损失函数

l  auc 曲线下面积

u  seed [默认0]：随机数的种子，设置它可复现随机数据的结果，也可用于调整参数

import xgboost as xgb

#加载XGBoost的二进制的缓存文件

dtrain = xgb.DMatrix('train.svm.txt')

deval = xgb.DMatrix('test.svm.buffer')

#加载Numpy的二维数组，并处理 DMatrix中的缺失值，给样本设置权重

data = np.random.rand(5,10)              # 5个训练样本，10个特征

label = np.random.randint(2, size=5)

w = np.random.rand(5,1)

dtrain = xgb.DMatrix( data, label=label, missing = -999.0, weight=w)

#将scipy.sparse格式的数据转化为 DMatrix格式

csr = scipy.sparse.csr_matrix((data, (row,col)))

dtrain = xgb.DMatrix(csr)

#将DMatrix格式的数据保存成XGBoost的二进制格式，在下次加载时可以提高加载速度

dtrain.save_binary("train.buffer")

#参数设置

params = {

'booster': 'gbtree',  # gbtree（默认）：基于树的模型，gbliner：线性模型

'objective': 'binary:logistic',

'eval_metric':'logloss',

'scale_pos_weight':1,    #样本不平衡时，把这个参数设定为正值，可使算法更快收敛

'max_depth':6,           #通常取[3,10], 树的最大深度

'min_child_weight':1,    #默认为1，最小样本权重的和

'gamma':0.15,        #通常取[0.1,0.2]，节点分裂所需的最小损失函数下降值，默认为0

'subsample':0.9,     #通常取[0.5,1]，每棵树随机采样的比例

'colsample_bytree':0.9, #通常取[0.5,0.9]，随机采样的列数的占比(每一列是一个特征)，默认为1

'lambda':0.1,        #权重的L2正则化项

'alpha':0.2,         #权重的L1正则化项

'eta':0.15             #学习速率，默认为0.3，通常取[0.01,0.2]

}

plst = param.items()

#调整参数

res = xgb.cv(params, xgTrain)

#定义验证数据集，验证算法的性能

evallist = [(deval,'eval'), (dtrain,'train')]

#训练模型

num_round = 10

bst = xgb.train( plst, dtrain, num_round, evallist, evals=evals, early_stopping_rounds=5)

#保存模型

bst.save_model('model.bin')

bst.dump_model('dump.raw.txt')

bst.dump_model('dump.raw.txt','featmap.txt')

#加载模型

bst = xgb.Booster({'nthread':4})

model = bst.load_model("model.bin")

#预测结果

data = np.random.rand(7,10)           # 7个测试样本，10个特征

dtest = xgb.DMatrix(data, missing = -999.0 )

ypred = bst.predict(model)

ypred = bst.predict(model, ntree_limit=bst.best_iteration)