python用于数据科学教程

此博文是对原文的一个理解和知识点整理(个人理解可能有误)，只是方便以后快速查阅。不是对原文的完全翻译，原文详细链接点击打开链接

一：python数据分析基础

二：python库和数据结构

三：pandas用于数据探索

（1）导入库

（2）读入数据：pd.read_csv()

（3）查看：

df.head() 大致查看数据前几行，了解内容

df.describe() 计数，平均值，中位数，偏差等  可以基本看出缺失值和平均值和中位数了解数据偏差

（4）对于非数值型查看频率分布  Series.value_counts()

（5）研究各种变量的分布：

Series.hist() 直方图

df.boxplot(column='') 盒图

df.boxplot(column='B',by='A')通过A取值分割 画B的盒图

df.pivot_table() 透视表

pd.crosstab(df['A'],df['B']).plot(kind='bar',stacked=True,color=[],grid=) 堆叠图表

四：pandas用于数据整理

（1）处理缺失值

df.apply（lambda x：sum（x.isnull（）），axis = 0）了解各列的缺失值   

.fillna（df ['A'].mean（），inplace = True）均值替换

创建特征利用监督学习模型预测缺失值

df['A'].fillna(众数,inplace=True) 如果分布差别特别明显，则填补很多的那类更保险
若发现C的取值与AB取值组合有明显关系：统计AB取值众数，对应查看该用户的AB决定C
table = df.pivot_table(values='C', index='A' ,columns='B', aggfunc=np.median)
def fage(x):
 return table.loc[x['A'],x['B']]
df['C'].fillna(df[df['C'].isnull()].apply(fage, axis=1), inplace=True
table = df.pivot_table(values='LoanAmount', index='Self_Employed' ,columns='Education', aggfunc=np.median)
# Define function to return value of this pivot_table
def fage(x):
 return table.loc[x['Self_Employed'],x['Education']]
# Replace missing values
df['LoanAmount'].fillna(df[df['LoanAmount'].isnull()].apply(fage, axis=1), inplace=True)

（2）处理异常值：不切实际的值

对于明显偏离的值但是实际中有可能存在的，不应该视为异常值：

采用log转换，消除影响 df['a']=np.log(df['a'])  hist()查看效果

增加和值特征

增加比例特征

五：用Python构建一个预测模型

sklearn要求所有输入都是数字的，所以我们应该通过对类别进行编码，将所有的分类变量转换为数值

sklearn.preprocessing.LabelEncoder     model.fit_transform(df[''])

sklearn.cross_validation.KFold

编写一个通用的函数

def classification_model(model,data,feature,label):

       model.fit(data[feature],data[label])

      predictions=model.predict(data[feature])

      accuracy=merics.accuracy_score(predictions,data[label])

      print 'auuracy:%s' % '{0:.3%}'.format(accuracy)

      .........

不同的特征选择，不同的模型尝试

当测试集上准确度提高但是交叉验证得分降低，说明过拟合。需要减少特征量（查看重要特征排序，取前几个），调整模型参数

pd.Series（model.feature_importances_，index =之前特征量）.sort_values（ascending = False）

1. 使用更复杂的模型不能保证更好的结果。
2. 避免使用复杂的建模技术作为黑盒子而不了解基本概念。这样做会增加过拟合的趋势，从而使模型不可解释
3. 特征工程是成功的关键。

不同的