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

（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))

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，你可以按照下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

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，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。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，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。

六、面试宝典

简历模板

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，可以戳这里无偿获取

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！