Python数据分析的第三方库_pthon第三方库中专注于数据挖掘的

绘制折线图

x = [1, 2, 3, 4, 5]
y = [10, 20, 15, 25, 30]
plt.plot(x, y)

绘制散点图

plt.scatter(x, y)

绘制柱状图

plt.bar(x, y)

添加标题和标签

plt.title(‘Title’)
plt.xlabel(‘X Label’)
plt.ylabel(‘Y Label’)

显示图表

plt.show()

4. Seaborn:

import seaborn as sns
import matplotlib.pyplot as plt

绘制带有趋势线的散点图

sns.regplot(x=‘x’, y=‘y’, data=df)

绘制箱线图

sns.boxplot(x=‘group’, y=‘value’, data=df)

绘制直方图和核密度估计

sns.distplot(df[‘column’], bins=10, kde=True)

设置样式和调整图表布局

sns.set(style=‘darkgrid’)
plt.tight_layout()

显示图表

plt.show()

5. Scikit-learn:

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

创建线性回归模型

model = LinearRegression()

在训练集上拟合模型

model.fit(X_train, y_train)

在测试集上进行预测

y_pred = model.predict(X_test)

计算均方误差

mse = mean_squared_error(y_test, y_pred)

6. SciPy:

from scipy.optimize import minimize
from scipy.interpolate import interp1d
from scipy.integrate import quad

最小化函数

result = minimize(f, x0)

插值函数

f_interp = interp1d(x, y, kind=‘linear’)
y_interp = f_interp(x_new)

数值积分

result, error = quad(f, a, b)

7. Statsmodels:

import statsmodels.api as sm

创建线性回归模型

model = sm.OLS(y, X)

在训练集上拟合模型

results = model.fit()

打印模型摘要

print(results.summary())

进行假设检验

hypothesis = ‘x = 0’
t_test = results.t_test(hypothesis)

进行预测

y_pred = results.predict(X_new)

8. NetworkX:

import networkx as nx
import matplotlib.pyplot as plt

创建图对象

G = nx.Graph()

添加节点和边

G.add_nodes_from([1, 2, 3, 4])
G.add_edges_from([(1, 2), (2, 3), (3, 4), (4, 1)])

绘制图形

nx.draw(G, with_labels=True)

计算图的中心性指标

centrality = nx.betweenness_centrality(G)

计算最短路径

shortest_path = nx.shortest_path(G, source=1, target=4)

显示图形

plt.show()

9. BeautifulSoup:

from bs4 import BeautifulSoup
import requests

发送HTTP请求，获取网页内容

response = requests.get(‘https://www.example.com’)

使用BeautifulSoup解析网页内容

soup = BeautifulSoup(response.content, ‘html.parser’)

提取网页中的文本内容

text = soup.get_text()

提取指定标签的内容

links = soup.find_all(‘a’)
for link in links:
print(link.get(‘href’))

10. TensorFlow:

import tensorflow as tf

创建图和会话

graph = tf.Graph()
session = tf.Session(graph=graph)

定义变量和操作

x = tf.constant(2)
y = tf.constant(3)
z = tf.add(x, y)

运行操作

result = session.run(z)
print(result)

定义神经网络模型

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(10, activation=‘relu’))
model.add(tf.keras.layers.Dense(1, activation=‘sigmoid’))

编译模型

model.compile(loss=‘binary_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’])

训练模型

model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))

这些使用事例展示了以上每个库的基本用法和功能，可以根据具体需求进行相应的调用和使用。


### 实际案例：


假设我们有一个电商网站的销售数据，想要对销售情况进行分析和预测。


首先，我们可以使用pandas读取销售数据的CSV文件为一个DataFrame，并进行数据清洗和整理，以便后续分析。

import pandas as pd

读取销售数据

df = pd.read_csv(‘sales_data.csv’)

查看数据前几行

print(df.head())

对数据进行清洗和整理

…

接下来，我们可以使用NumPy计算销售数据的一些统计指标，比如平均值、标准差等。

import numpy as np

计算销售额的平均值和标准差

sales = df[‘sales’].values
mean_sales = np.mean(sales)
std_sales = np.std(sales)

计算销售额的累积和

cumulative_sales = np.cumsum(sales)

然后，我们可以使用Matplotlib和Seaborn绘制销售数据的可视化图表，比如折线图、柱状图等。

import matplotlib.pyplot as plt
import seaborn as sns

绘制销售额的折线图

dates = df[‘date’].values
plt.plot(dates, sales)
plt.xlabel(‘Date’)
plt.ylabel(‘Sales’)
plt.title(‘Sales Trend’)
plt.show()

绘制销售额的柱状图

categories = df[‘category’].values
sns.barplot(x=categories, y=sales)
plt.xlabel(‘Category’)

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！