sklearn&Tensorflow机器学习01 --- 概览，回归模型(幸福感与国家gdp的关系）

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

（相关数据请关注公众号‘一行数据’，回复“机器学习sklearn”可免费获得）

import matplotlib.pyplot as plt import numpy as np import pandas as pd from sklearn import linear_model #首先处理幸福的数据 #加载数据 oecd_bli = pd.read_csv("oecd_bli_2015.csv",thousands = ',') oecd_bli = oecd_bli[oecd_bli['Inequality']=='Total'] oecd_bli = oecd_bli.pivot(index = 'Country', columns = 'Indicator',values = 'Value') #接着处理gdp的数据 gdp_per_capita = pd.read_csv('gdp_per_capita.csv',thousands = ',', delimiter = '\t', encoding ='latin1',na_values = 'n/a') gdp_per_capita.rename(columns = {'2015':'GDP per captial'},inplace = True) gdp_per_capita.set_index('Country', inplace = True) gdp_per_capita.head(2) #将两张表融合在一起 full_country_stats = pd.merge(left = oecd_bli, right = gdp_per_capita, left_index = True, right_index = True) full_country_stats.sort_values(by = 'GDP per captial', inplace = True) #划分数据 remove_indices = [0,1,6,8,33,34,35] keep_indices = list(set(range(36)) - set(remove_indices)) sample_data = full_country_stats[["GDP per captial",'Life satisfaction']].iloc[keep_indices] missing_data = full_country_stats[["GDP per captial","Life satisfaction"]].iloc[remove_indices] #画图 sample_data.plot(kind = 'scatter',x= 'GDP per captial',y = 'Life satisfaction', figsize = (5,3)) plt.axis([0,60000,0,10]) position_text = { "Hungary":(5000,1), "Korea":(18000,1.7), "France":(29000,2.4), "Australia":(40000,3.0), "United States":(52000,3.8) } for country, pos_text in position_text.items(): pos_data_x, pos_data_y = sample_data.loc[country] if country == "United States" : country = 'U.S.' else: country plt.annotate(country, xy = (pos_data_x, pos_data_y), xytext = pos_text, arrowprops = dict(facecolor = 'black', width = 0.5, shrink = 0.1, headwidth = 5)) plt.plot(pos_data_x,pos_data_y,'ro')

#选择线性模型 country_stats = sample_data x = np.c_[country_stats['GDP per captial']] y = np.c_[country_stats['Life satisfaction']] # Visualize the data country_stats.plot(kind='scatter', x="GDP per captial", y='Life satisfaction') plt.show() #选择线性模型 lin_reg_model = linear_model.LinearRegression() lin_reg_model.fit(x, y) #Make a prediction for Cyprus X_new = [[22587]] print(lin_reg_model.predict(X_new))

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！