python机器学习(第一章 Python机器学习基础)

第一章 Python机器学习基础

基础：

Python官网：https://www.python.org/doc/；

历史版本下载与维护信息：https://www.python.org/downloads/

Anaconda官网： https://www.anaconda.com/

清华镜像下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

Anaconda，方便包管理；内嵌了Python、Pycharm、Jupyter Notebook、Spyder等。

基础-Anaconda

基础-Jupyter Notebook

基础

Python第三方库引用

import pandas as pd
from tensorflow import keras
from tensorflow.keras.models import load_model, Sequential

一些典型、著名的第三方库：NumPy、Pandas、SciPy、Matplotlib、Scikit-learn，广泛应用：科学计算、可视化、机器方面等。

python==3.8.8
numpy==1.20.1
matplotlib==3.3.4
pandas==1.2.4
pandas_profiling==2.12.0
scikit-learn==0.24.1
tensorflow==2.8.2

一、NumPy

NumPy是一种开源的高性能科学计算和数据分析的基础包，支持大量的维度数组与矩阵运算。

numpy中最核心的数据结构是ndarray。

NumPy 要求数据集中各变量的类型相同。

ndarray.ndim - 数组的轴（维度）的个数。

在Python中，维度的数量被称为rank。

ndarray.shape - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。

因此，shape 元组的长度就是rank或维度的个数 ndim。

ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。

ndarray.dtype - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。

ndarray.itemsize - 数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。

1、np-数组创建、访问

import numpy as np
data=np.array([1,2,3,4,5,6,7,8,9])

print('Numpy的1维数组:\n{0}'.format(data))
print('数据类型:%s'%data.dtype)
print('1维数组中各元素扩大10倍:\n{0}'.format(data*10))
print('访问第2个元素：{0}'.format(data[1]))
data=np.array([[1,3,5,7,9],[2,4,6,8,10]])
print('Numpy的2维数组:\n{0}'.format(data))
print('访问2维数组中第1行第2列元素：{0}'.format(data[0,1]))
print('访问2维数组中第1行第2至4列元素：{0}'.format(data[0,1:4]))
print('访问2维数组中第1行上的所有元素：{0}'.format(data[0,:]))

注意：

format()常见的用法：
其实就是format()后面的内容，填入大括号中（可以按位置，或者按变量）

'数字{1}{2}和{0}'.format("123",456,'789')
>>>'数字456789和123'
#这里注意有两层大括号，输出的结果只有一层大括号
'数字{{{1}{2}}}和{0}'.format("123",456,'789')
>>>'数字{456789}和123'
#允许一个参数用两次
'{1}{0}{1}岁'.format('jc',22)
>>>'22jc22岁'
#可以通过添加关键字参数
'{name}{age}岁'.format(age=22,name='jc')
>>>'jc22岁'

输出结果

代码说明：

（1）第2行：创建一个NumPy的1维数组。 数组中的数据元素来自Python的列表（list）。Python列表通过方括号[]和逗号将各数据元素组织在一起，是Python组织数据的最常见方式。np.array可将列表转换为NumPy的N维数组。

（2）第5行：将数组中的每个元素均扩大十倍。 NumPy的数据计算非常方便，只需通过加减乘除等算术运算符，就可完成对数组元素的统一计算，或多个数组中相同位置上元素的计算。

（3）第6行：通过指定位置编号（也称索引，从0开始编号）访问相应行位置上的元素。索引需放置在数组名后的方括号内。

（4）第7行：创建一个NumPy的2维数组，数组形状为2行5列。数组元素同样来自Python的列表。

（5）第9至11行：通过索引访问相应行列位置上的元素。对于2维数组，需给出两个索引，以逗号分割并放置在方括号内。 第1个索引指定行，第2个索引指定列。可通过冒号：指定索引范围。

data=[[1,2,3,4,5,6,7,8,9],['A','B','C','D','E','F','G','H','I’]]
print('data是Python的列表(list):\n{0}'.format(data))
MyArray1=np.array(data)
print('MyArray1是Numpy的N维数组:\n%s\nMyarray1的形状:%s'%(MyArray1,MyArray1.shape))

代码说明：

（1）第1行：创建名为data的2维Python列表。 可简单地将2维列表与一个二维表格相对应。表中各元素的数据类型可以不同（例如本例中的1，2，3等数值型和’A’,’B’,’C’等字符型）。每行的列数可以不同。

（2）第3行：将列表转成NumPy数组。 通过np.array将列表转成数组时，因数组要求数据类型一致，所以这里自动将数值型转换为字符型。

（3）第4行：显示数组内容和数组形状。 .shape是NumPy数组的属性之一，存储数组的行数和列数。

2、np-数组计算

MyArray2=np.arange(10)
print('MyArray2:\n{0}'.format(MyArray2))

print('MyArray2的基本描述统计量:\n均值：%f，标准差：%f，总和：%f，最大值：%f’
%(MyArray2.mean(), MyArray2.std(), MyArray2.sum(), MyArray2.max()))

print('MyArray2的累计和：{0}'.format(MyArray2.cumsum()))
print('MyArray2开平方:{0}'.format(np.sqrt(MyArray2)))

np.random.seed(123)
MyArray3=np.random.randn(10)
print('MyArray3:\n{0}'.format(MyArray3))

print('MyArray3排序结果:\n{0}'.format(np.sort(MyArray3)))
print('MyArray3四舍五入到最近整数:\n{0}'.format(np.rint(MyArray3)))

print('MyArray3各元素的正负号:{0}'.format(np.sign(MyArray3)))
print('MyArray3各元素非负数的显示"正"，负数显示"负":\n{0}'.format(np.where(MyArray3>0,'正','负’)))

print('MyArray2+MyArray3的结果:\n{0}'.format(MyArray2+MyArray3))

代码说明：

（1）第1行：生成数组元素是0至9的1维数组，共包含10个元素。 np.arange是NumPy中最常用函数之一，用于生成在指定范围内取值的1维数组。

（2）第3行：对数组元素计算基本描述统计量。 例如：.mean()、.std()、.sum()、.max()等均是数组的方法，表示分别计算数组元素的均值、标准差、总和、最大值等。

（3）第4行：利用数组方法.cumsum()计算数组元素的当前累计和。

（4）第5行：利用NumPy函数sqrt()对数组元素开平方。 除此之外，还可以对数组元素计算对数、指数、三角函数等等。

（5）第6行：利用NumPy函数seed()指定随机数种子 指定种子的目的是确保每次运行代码时，生成的随机数可以再现。否则，每次运行代码生成的随机数会不相同。

（6）第7行：生成包含10个元素且服从标准正态分布的1维数组。

（7）第9行：利用NumPy函数sort()对数组元素排序，排序结果并不覆盖原数组内容。

（8）第10行：利用NumPy函数rint()对数组元素做四舍五入。

（9）第11行：利用NumPy函数sign()求数组元素的正负符号。1表示正号，-1表示负号。

（10）第12行：利用NumPy函数where()依次对数组元素进行逻辑判读。 where()需指定判断条件（如>0），满足条件的返回第一个值（如‘正’），否则返回第二个值（如‘负’）。若省略第2和第3个参数，例如：where(Myarray3>0)将给出满足条件的元素索引号。

（11）第13行：将两个数组相同位置上的元素相加。

输出结果：

3、np-矩阵创建与乘法

np.random.seed(123)

X=np.floor(np.random.normal(5,1,(2,5)))

Y=np.eye(5)

print('X:\n{0}'.format(X))

print('Y:\n{0}'.format(Y))

print(‘X和Y的矩阵积：\n{0}'.format(np.dot(X,Y)))

输出结果：

代码说明：

（1）第2行：做两件事情，得到一个2维数组X，本质是个矩阵。 首先，利用NumPy的random.normal()函数生成2行5列的2维数组，数组元素服从均值为5，标准差为1的正态分布。然后，利用floor函数得到距各数组元素最近的最大整数。 np.floor(-0.3) == -1.0

（2）第3行：利用eye()函数生成一个大小（这里是5行5列）的单位阵Y。

（3）第6行：利用dot()函数计算矩阵X和矩阵Y（单位阵）的矩阵乘积，将得到2行5列的矩阵。

4、矩阵运算

一些重要的矩阵运算：求逆、特征值、特征向量、奇异值分解等。

from numpy.linalg import inv,svd,eig,det
X=np.random.randn(5,5)
print(X)

mat=X.T.dot(X)   # 点乘: X.T * X

print(mat)
print('矩阵mat的逆：\n{0}'.format(inv(mat)))
print('矩阵mat的行列式值：\n{0}'.format(det(mat)))
print('矩阵mat的特征值和特征向量：\n{0}'.format(eig(mat)))
print('对矩阵mat做奇异值分解：\n{0}'.format(svd(mat)))

代码说明：

（1）第1行：导入NumPy的linalg模块下有关矩阵运算的函数。

（2）第2行：生成5行5列的2维数组X（可视为一个矩阵），数组元素服从标准正态分布。

（3）第4行：X.T是X的转置，并与X相乘结果保存在mat（2维数据也即矩阵）。

（4）第6至9行：NumPy可方便计算矩阵的逆（inv）、行列式值（det）、特征值和对应的特征向量（eig）以及对矩阵进行奇异值分解（svd）等。

5、np-其他

5.1例子

a = np.arange(15).reshape(3,5)

print(a)

print(a.shape)

print(a.ndim)

print(a.dtype.name)

print(a.itemsize)

print(a.size)

输出结果：

5.2 数组创建

调用array的时候传入多个数字参数，而不是提供单个数字的列表类型作为参数。

将序列的序列转换成二维数组。

5.3 数组打印

将一维数组打印为行，将二维数据打印为矩阵，将三维数据打印为矩数组表。

5.4 基本操作

数组上的算术运算符会应用到 元素 级别。

乘积运算符 * 在numpy数组中按元素进行运算。

矩阵乘积可以使用@运算符（在python> = 3.5中）或dot函数或方法执行。

5.5 通函数

numpy提供熟悉的数学函数，例如sin，cos和exp。在numpy中，这些被称为“通函数”（ufunc）。

在numpy中，这些函数在数组上按元素进行运算，产生一个数组作为输出。

5.6 索引、切片和迭代

5.6.1 索引

一维的数组可以进行索引、切片和迭代操作的，就像 列表 和其他Python序列类型一样。

多维的数组每个轴可以有一个索引。这些索引以逗号​​分隔的元组给出：

5.6.2 切片

当提供的索引少于轴的数量时，缺失的索引被认为是完整的切片

b[i] 方括号中的表达式 i 被视为后面紧跟着 : 的多个实例，用于表示剩余轴。

numpy也允许你使用三个点写为 b[i,...]。

三个点（ ... ）表示产生完整索引元组所需的冒号。

例如，如果 x 是rank为5的数组（即，它具有5个轴）

x[1,2,...] 相当于 x[1,2,:,:,:]，

x[...,3] 等效于 x[:,:,:,:,3]

x[4,...,5,:] 等效于 x[4,:,:,5,:]

5.6.3 迭代

对多维数组进行 迭代（Iterating） 是相对于第一个轴完成的：

如果想要对数组中的每个元素执行操作， 可以使用flat属性，该属性是数组的所有元素的迭代器

5.7 形状操纵-改变数组的形状

该reshape函数返回带有修改形状的参数，而该 ndarray.resize方法会修改数组本身。

如果在 reshape 操作中将 size 指定为-1，则会自动计算其他的 size 大小。

二、 Pandas

Pandas: Python data analysis，快速、便捷地处理结构化数据。

基于Numpy构建。在Numpy的N维数组上，增加了用户自定义索引，构建了一套有特色的数据组织形式。其中

1）序列（Series）对应一维数组，

2）数据框（DataFrame）对应二维表格型数据结构， 可视为多个序列 的集合

3）数据类型可以是整型、浮点数、字符串、布尔型等； 各元素的数据类型可以相同或不同。

Pandas数据框是存储机器学习数据集的常用形式。

　　数据框的每一行对应着数据集中的一个样本，列对应变量。

Pandas提供了丰富的函数和方法，可方便地完成数据的预处理、加工和基本分析。

1、Pandas- Series和索引

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

data=Series([1,2,3,4,5,6,7,8,9],index=['ID1','ID2','ID3','ID4','ID5','ID6','ID7','ID8','ID9’])

print('序列中的值:\n{0}'.format(data.values))
print('序列中的索引:\n{0}'.format(data.index))
print('访问序列的第1和第3上的值:\n{0}'.format(data[[0,2]]))
print('访问序列索引为ID1和ID3上的值:\n{0}'.format(data[['ID1','ID3']]))
print('判断ID1索引是否存在:%s；判断ID10索引是否存在:%s'%('ID1' in data,'ID10' in data))

代码说明：

（1）第4行：利用Pandas的函数Series()生成一个包含9个元素（取值为1至9）的序列，且指定各元素的索引名依次为ID1,ID2等。后续可通过索引访问相应元素。

（2）第5行：序列的.values属性中存储着各元素的元素值。

（3）第6行：序列的.index属性中存储着各元素的索引。

（4）第7行：利用索引号（从0开始）访问指定元素。应以列表形式（如[0,2]）指定多个索引号。

（5）第8行：利用索引名访问指定元素。索引名应用单引号括起来。应以列表形式（如[‘ID1’,’ID3’]）指定多个索引名。

（6）第9行：利用Python运算符in，判断是否存在某个索引名。若存在判断结果为True（真），否则为False（假）。True和False是Python的布尔型变量的仅有的取值。

输出结果

2、Pandas- DataFrame

import pandas as pd
from pandas import Series,DataFrame

data=pd.read_excel('北京市空气质量数据.xlsx’)

print('date的类型：{0}'.format(type(data)))
print('数据框的行索引：{0}'.format(data.index))
print('数据框的列名：{0}'.format(data.columns))

print('访问AQI和PM2.5所有值：\n{0}'.format(data[['AQI','PM2.5']]))

print('访问第2至3行的AQI和PM2.5：\n{0}'.format(data.loc[1:2,['AQI','PM2.5']]))

print('访问索引1至索引2的第2和4列：\n{0}'.format(data.iloc[1:3,[1,3]]))

data.info()

代码说明：

（1）第4行：利用Python函数type()浏览对象data的类型，结果显示为数据框。

（2）第5，6行：数据框的.index和.columns属性中存储着数据框的行索引和列索引名。这里，行索引默认取值：0至样本量N-1。列索引名默认为数据文件中第一行的变量名。

（3）第7行：利用列索引名访问指定变量。多个列索引名应以列表形式放在方括号中（[‘AQI’,’PM2.5’]）。

（4）第8行：利用数据框的.loc属性访问指定行索引和变量名上的元素。 注意：数据框对应二维表格，应给两个索引。loc右闭

（5）第9行：利用数据框的.iloc属性访问指定行索引和列索引号上的元素。 注意：使用行索引时冒号:后的行不包括在内. iloc右开

（6）第10行：利用数据框的info()方法显示数据框的行索引、列索引以及数据类型等信息。

运行结果：

3、Pandas- 数据加工处理

Pandas具有强大的数据加工处理能力。数据集合并、缺失值判断、插补功能。

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

df1=DataFrame({'key':['a','d','c','a','b','d','c'],'var1':range(7)})
df2=DataFrame({'key':['a','b','c','c'],'var2':[0,1,2,2]})

运行结果：

df=pd.merge(df1, df2, on='key',  how='outer')

df_df = pd.merge(df1, df2, on='key',  how='inner')

df.iloc[0,2]=np.NaN
df.iloc[5,1]=np.NaN
print('合并后的数据:\n{0}'.format(df))

df=df.drop_duplicates()
print('删除重复数据行后的数据:\n{0}'.format(df))

print('判断是否为缺失值:\n{0}'.format(df.isnull()))
print('判断是否不为缺失值:\n{0}'.format(df.notnull()))
print('删除缺失值后的数据:\n{0}'.format(df.dropna()))

fill_value=df[['var1','var2']].mean()
print('以均值替换缺失值:\n{0}'.format(df.fillna(fill_value)))

整体代码：

import numpy as np
import pandas as pd
from pandas import Series, DataFrame

df1=DataFrame({'key':['a','d','c','a','b','d','c'],'var1':range(7)})
df2=DataFrame({'key':['a','b','c','c'],'var2':[0,1,2,2]})
df=pd.merge(df1, df2, on='key',  how='outer')
df_df = pd.merge(df1, df2, on='key',  how='inner')
df.iloc[0,2]=np.NaN
df.iloc[5,1]=np.NaN
print('合并后的数据:\n{0}'.format(df))

df=df.drop_duplicates()
print('删除重复数据行后的数据:\n{0}'.format(df))
print('判断是否为缺失值:\n{0}'.format(df.isnull()))
print('判断是否不为缺失值:\n{0}'.format(df.notnull()))
print('删除缺失值后的数据:\n{0}'.format(df.dropna()))

fill_value=df[['var1','var2']].mean()
print('以均值替换缺失值:\n{0}'.format(df.fillna(fill_value)))

代码说明：

（1）第4，5行：基于Python字典建立数据框。

（2）第6行：利用Pandas函数merge()将两个数据框依指定关键字做横向合并，生成一个新数据框。

（3）第7，8行：人为指定某样本观测的某变量值为NaN。

（4）第10行：利用Pandas函数drop_duplicates()剔除数据框中在全部变量上均重复取值的样本观测。

（5）第12，13行：利用数据框的.isnull()和.notnull()方法，对数据框中的每个元素判断其是否为NaN或不是NaN，结果为True或False。

（6）第14行：利用数据框.dropna()方法剔除取NaN的样本观测。

（7）第15行：利用数据框.mean()方法计算各个变量的均值，并存储在名为fill_value的序列中。

（8）第16行：利用数据框的.fillna()方法，将所有NaN替换为指定值（这里为fill_value）。

三、 Numpy和Pandas综合应用： 空气质量监测数据的预处理和基本分析

2014年北京市空气质量监测数据

1、空气质量监测数据的预处理

预处理目标：

根据空气质量检测数据的日期，生成对应的季度标志变量。

对空气质量指数AQI分组，获得对应的空气质量等级。

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

data=pd.read_excel('北京市空气质量数据.xlsx')
data=data.replace(0,np.NaN)
data['年']=data['日期'].apply(lambda x:x.year)
month=data['日期'].apply(lambda x:x.month)

quarter_month={'1':'一季度','2':'一季度','3':'一季度',
               '4':'二季度','5':'二季度','6':'二季度',
               '7':'三季度','8':'三季度','9':'三季度',
              '10':'四季度','11':'四季度','12':'四季度'}
data['季度']=month.map(lambda x:quarter_month[str(x)])

bins=[0,50,100,150,200,300,1000]
data['等级']=pd.cut(data['AQI'],bins,labels=['一级优','二级良','三级轻度污染','四级中度污染','五级重度污染','六级严重污染'])
print('对AQI的分组结果：\n{0}'.format(data[['日期','AQI','等级','季度']]))

整体代码：

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

data=pd.read_excel('北京市空气质量数据.xlsx')
data=data.replace(0,np.NaN)
data['年']=data['日期'].apply(lambda x:x.year)
month=data['日期'].apply(lambda x:x.month)

quarter_month={'1':'一季度','2':'一季度','3':'一季度',
               '4':'二季度','5':'二季度','6':'二季度',
               '7':'三季度','8':'三季度','9':'三季度',
              '10':'四季度','11':'四季度','12':'四季度'}
data['季度']=month.map(lambda x:quarter_month[str(x)])

bins=[0,50,100,150,200,300,1000]
data['等级']=pd.cut(data['AQI'],bins,labels=['一级优','二级良','三级轻度污染','四级中度污染','五级重度污染','六级严重污染'])
print('对AQI的分组结果：\n{0}'.format(data[['日期','AQI','等级','季度']]))

代码说明：

（1）第5行：利用数据框函数replace()将数据框中的0（表示无监测结果）替换为缺失值NaN。

（2）第6，7行：利用.apply()方法以及匿名函数，基于“日期”变量得到每个样本观测的年份和月份。

（3）第8行：建立一个关于月份和季度的字典quarter_month。

（4）第9行：利用Python函数map()，依据字典quarter_month，将序列month中的1，2，3等月份映射（对应）到相应的季度上。

（5）第10行：生成一个后续用于对AQI分组的列表bins。它描述了AQI和空气质量等级的数值对应关系。

（6）第11行：利用Pandas的cut()方法对AQI进行分组。

2、空气质量监测数据的基本分析

目标：

计算各季度AQI和PM2.5的平均值等描述统计量。

找到空气质量较差的若干天的数据，以及各季度中质量较差的若干天的数据。

计算季度和空气质量等级的交叉列联表。

派生空气质量等级的虚拟变量。

数据集的抽样。

2.1 空气质量监测数据的基本分析-基本描述统计

print('各季度AQI和PM2.5的均值:\n{0}'.format(data.loc[:,['AQI','PM2.5']].groupby(data['季度']).mean()))

print('各季度AQI和PM2.5的描述统计量:\n',data.groupby(data['季度'])['AQI','PM2.5'].apply(lambda x:x.describe()))

def top(df,n=10,column='AQI'):
    return df.sort_values(by=column,ascending=False)[:n]

print('空气质量最差的5天:\n',top(data,n=5)[['日期','AQI','PM2.5','等级’]])

print('各季度空气质量最差的3天:\n',data.groupby(data['季度']).apply(lambda x:top(x,n=3)[['日期','AQI','PM2.5','等级']]))

print('各季度空气质量情况:\n',pd.crosstab(data['等级'],data['季度'],margins=True,margins_name='总计',normalize=False))

整体代码：

print('各季度AQI和PM2.5的均值:\n{0}'.format(data.loc[:,['AQI','PM2.5']].groupby(data['季度']).mean()))
print('各季度AQI和PM2.5的描述统计量:\n',data.groupby(data['季度'])['AQI','PM2.5'].apply(lambda x:x.describe()))
def top(df,n=10,column='AQI'):
    return df.sort_values(by=column,ascending=False)[:n]

print('空气质量最差的5天:\n',top(data,n=5)[['日期','AQI','PM2.5','等级’]])

print('各季度空气质量最差的3天:\n',data.groupby(data['季度']).apply(lambda x:top(x,n=3)[['日期','AQI','PM2.5','等级']]))
print('各季度空气质量情况:\n',pd.crosstab(data['等级'],data['季度'],margins=True,margins_name='总计',normalize=False))

代码说明：

（1）第1行：利用数据框的groupby()方法，计算各季度AQI和PM2.5的平均值。

（2）第2行：计算几个季度AQI和PM2.5的基本描述统计量（均值，标准差，最小值，四分位数，最大值）。

（3）第4，5行：定义了一个名为top的用户自定义函数：对给定数据框，按指定列（默认AQI列）值的降序排序，返回排在前n（默认10）条数据。

（4）第6行：调用用户自定义函数top，对data数据框中，按AQI值的降序排序并返回前5条数据，即AQI最高的5天的数据。

（5）第7行：首先对数据按季度分组，依次对分组数据调用用户自定义函数top，得到各季度AQI最高的3天数据。

（6）第8行：利用Pandas函数crosstab()对数据按季度和空气质量等级交叉分组，并给出各个组的样本量。

2.2 空气质量监测数据的基本分析-派生虚拟变量

独热编码 one-hot
pd.get_dummies(data['等级'])
data.join(pd.get_dummies(data['等级']))

代码说明：

（1）第1行：利用Pandas的get_dummies得到分类型变量“等级”的哑变量。

（2）第2行：利用数据框的join()方法，将原始数据和哑变量数据，按行索引进行横向合并。

2.3 空气质量监测数据的基本分析-数据集抽样

抽样或采样，在数据建模中非常普遍。以下两种抽样方法：1）简单随机抽样；2）依条件抽样。

#简单随机抽样
np.random.seed(123)
sampler=np.random.randint(0, len(data), 10) #可以重复
print(sampler)

sampler=np.random.permutation(len(data))[:10]
print(sampler)
data.take(sampler)

#依条件抽样
data.loc[data['质量等级']=='优',:]

整体代码：

#简单随机抽样
np.random.seed(123)
sampler=np.random.randint(0, len(data), 10) #可以重复
print(sampler)
sampler=np.random.permutation(len(data))[:10]
print(sampler)
data.take(sampler)
#依条件抽样
data.loc[data['质量等级']=='优',:]

代码说明：

（1）第2行：利用Pandas函数random.randint()在指定范围内随机抽取指定个数（这里是10）的随机数。

（2）第 4行：利用Pandas函数random.permutation是对数据随机打乱重排。之后再抽取前10个样本观测。

（3）第7行：利用数据框的take()方法，基于指定随机数获得数据集的一个子集。

（4）第8行：利用数据框访问的方式，抽取满足指定条件（质量等级等于优）行的数据。

2.4 空气质量监测数据的图形化展示

Matplotlib是Python中最常用的绘图模块，主要特点：

Matplotlib的子模块Pylot与Matlab非常相似，可以方便地绘制各种常见统计图形，是探索数据的重要图形工具。

可通过各种函数设置图形的标题、线条样式、字符形状、颜色等。

利用Matplotlib的线图展示2014年至2019年每日AQI的时序变化特点。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  #解决中文显示乱码问题
plt.rcParams['axes.unicode_minus']=False

data=pd.read_excel('北京市空气质量数据.xlsx')
data=data.replace(0,np.NaN)

plt.figure(figsize=(10,5))

plt.plot(data['AQI'],color='black',linestyle='-',linewidth=0.5)

plt.axhline(y=data['AQI'].mean(),color='red', linestyle='-',linewidth=0.5,label='AQI总平均值’)

data['年']=data['日期'].apply(lambda x:x.year)

AQI_mean=data['AQI'].groupby(data['年']).mean().values

year=['2014年','2015年','2016年','2017年','2018年','2019年’]

col=['red','blue','green','yellow','purple','brown']

for i in range(6):
    plt.axhline(y=AQI_mean[i],color=col[i], linestyle='--',linewidth=0.5,label=year[i])

plt.title('2014年至2019年AQI时间序列折线图’)

plt.xlabel('年份’)

plt.ylabel('AQI’)

plt.xlim(xmax=len(data), xmin=1)

plt.ylim(ymax=data['AQI'].max(),ymin=1)

plt.yticks([data['AQI'].mean()],['AQI平均值’])

plt.xticks([1,365,365*2,365*3,365*4,365*5],['2014','2015','2016','2017','2018','2019’])

plt.legend(loc='best’)

#List的index() 函数用于从列表中找出某个值第一个匹配项的索引位置。

x1=list(data['AQI']).index(data['AQI'].max())
y1=data['AQI'].max()-20
plt.text(x=x1,y=y1,s='空气质量最差日',color='red')

plt.show()

代码说明：

（1）第3行：Matplotlib的Pyplot子模块，指定别名为plt。

（2）第5至7行：指定立即显示所绘图形，且通过参数设置解决图形中文显示乱码问题。

（3）第12行：利用函数plt.figure说明图形的一般特征，如这里宽为10高5。

（4）第13行：利用函数plt.plot绘制序列折线图（还可以绘制其他图）。同时，指定折线颜色、线形、线宽等。

（5）第14行：利用函数plt.axhline在参数y指定的位置上画一条平行于横坐标的直线，并给定直线图例文字。plt.axvline可参数x指定的位置上画一条平行于纵坐标的直线。

（6）第16至20行：首先，分组计算各年AQI的平均值；然后，通过for循环绘制多条平行于横坐标的直线，表征各年AQI平均值。

（7）第21至23行：利用title()、xlabel()、ylabel()指定图的标题，横纵坐标的坐标标签。

（8）第24，25行：利用xlim()、ylim()指定横纵坐标的取值范围。

（9）第26，27行：利用xticks()、yticks()在指定坐标刻度位置上给出刻度标签。

（10）第28行：利用legend()在指定位置（这里best表示最优位置）显示图例。

（11）第29行：利用text()在指定的行列位置上显示指定文字

（12）第30行：利用show()表示本次绘图结束。

 AQI的分布特征及相关性分析

图形化展示：

利用线图展示2014年至2019年的年均AQI的变化特点。

利用直方图展示2014年至2019年AQI的整体分布特征。

利用散点图展示AQI和PM2.5.5的相关性。

利用饼图展示空气质量等级的分布特征。

import warnings #warnings是内置的，不需要安装它。
warnings.filterwarnings(action = 'ignore’)

plt.figure(figsize=(10,5))

plt.subplot(2,2,1)
plt.subplots_adjust(wspace=0.3,hspace=0.5)

#AQI_mean=data['AQI'].groupby(data['年']).mean().values
plt.plot(AQI_mean,color='black',linestyle='-',linewidth=0.5)

plt.title('各年AQI均值折线图’)

plt.xticks([0,1,2,3,4,5],['2014','2015','2016','2017','2018','2019'])
plt.subplot(2,2,2)
plt.hist(data['AQI'], bins=20)

plt.title('AQI直方图’)

plt.subplot(2,2,3)
plt.scatter(data['PM2.5'],data['AQI'],s=0.5,c='green',marker='.’)

plt.title('PM2.5与AQI散点图’)

plt.xlabel('PM2.5’)

plt.ylabel('AQI')
plt.subplot(2,2,4)

tmp=pd.value_counts(data['质量等级'],sort=False)
#等同：tmp=data['质量等级'].value_counts()

share=tmp/sum(tmp)
labels=tmp.index

explode = [1, 2, 0, 0, 0.5,0,0]

plt.pie(share, explode = explode,labels = labels, autopct = '%3.1f%%',startangle = 180, shadow = True)

plt.title('空气质量整体情况的饼图’)
plt.show()