dython来了(1)

文末有福利领取哦~

👉一、Python所有方向的学习路线

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。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

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！

Plot features associations

associations(df)

阈值寻找

只需要给定机器学习多种模型的预测，使用dython便可以轻松显示每个种模型的 ROC 曲线、AUC 分数并找到模型估计的最佳阈值

在Iris 数据集上绘制 SVM 模型预测示例ROC图，便可以使用dython.model_utils.metric_graph() 来进行实现

import numpy as np

from sklearn import svm, datasets

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import label_binarize

from sklearn.multiclass import OneVsRestClassifier

from dython.model_utils import metric_graph

Load data

iris = datasets.load_iris()

X = iris.data

y = label_binarize(iris.target, classes=[0, 1, 2])

Add noisy features

random_state = np.random.RandomState(4)

n_samples, n_features = X.shape

X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

Train a model

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5, random_state=0)

classifier = OneVsRestClassifier(svm.SVC(kernel=‘linear’, probability=True, random_state=0))

Predict

y_score = classifier.fit(X_train, y_train).predict_proba(X_test)

Plot ROC graphs

metric_graph(y_test, y_score, ‘roc’, class_names=iris.target_names)

3子模块

---

这个dython一共有4个子模块，分别实现分析、预测、检验、采样等功能

data_utils

data_utils子模块集成了一些基础性的数据探索性分析相关的API

• identify_columns_with_na()可用于快速检查数据集中的缺失值情况

• identify_columns_by_type()可快速选择数据集中具有指定数据类型的字段

• one_hot_encode()可快速对数组进行「独热编码」

• split_hist()则可以快速绘制分组直方图，帮助用户快速探索数据集特征分布

nominal

nominal子模块包含了一些进阶的特征相关性度量功能

• associations()可以自适应由连续型和类别型特征混合的数据集，并自动计算出相应的Pearson、Cramer’s V、Theil’s U、条件熵等多样化的系数

• cluster_correlations()可以绘制出基于层次聚类的相关系数矩阵图等实用功能

model_utils

model_utils子模块包含了诸多对机器学习模型进行性能评估的工具

• ks_abc() 对二元分类器的正负分布执行 Kolmogorov-Smirnov 检验，然后找到最佳阈值，即能够实现最佳类别分离的阈值。

• metric_graph()绘制预测器结果（包括 AUC 分数）的图表，其中 y_true 和 y_pred 的每一行代表一个示例。

sampling

sampling子模块则包含了boltzmann_sampling()和weighted_sampling()两种数据采样方法，简化数据建模流程。

• boltzmann_sampling()从对提供的数字进行玻尔兹曼采样

• weighted_sampling()从对所提供数字的加权采样

4最后

---

Dython的主要目的是实现各种功能的简易可读性，但是在性能上面稍有欠缺

大家如果对这个库想深入了解，可以参考网站 http://shakedzy.xyz/dython/ 来查看它的具体使用情况

好了，这就是今天的分享，技术永不眠，我们下期见～

授人以渔

一行当初为了学习技术买了太多的课程和书籍，但后来发现在这些资料不在多而在精

天下武功，为快不破，学习技术最高效的方式就是通过学习经典的书籍了

一行这里把自己学习技术路上的经典书籍全部整理出来，并通过网上的开源项目全部打包在一起分享给看到的知友，希望能够给你的技术能力加加速

计算机必看经典书单（含下载方式）​

你好，我是一行，厦门大学硕士毕业，用python发表过两篇顶刊论文 日常分享python的技术学习，面试技巧，赚钱认知等，欢迎关注
@一行玩python 一行肝了3天，精选了9个方面的计算机技术资料，希望能够对你能有帮助 链接:

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！