python 数据分析及可视化常用库-更新ing

一、连接数据库

pymysql

import pymysql
 
#打开数据库连接
host = '111.235.32'
user = 'user'
passwd = '123'
db = 'admin'
db = pymysql.connect(host,user,passwd,db，charset="utf8", port=3306) 

#使用 cursor() 方法创建一个游标对象 cursor
cursor = db.cursor() 

#使用 execute()  方法执行 SQL 查询 
sql = """CREATE TABLE EMPLOYEE (
         FIRST_NAME  CHAR(20) NOT NULL,
         LAST_NAME  CHAR(20),
         AGE INT,  
         SEX CHAR(1),
         INCOME FLOAT )"""
cursor.execute(sql) 


#使用 fetchone() 方法获取单条数据.
#fetchall(): 接收全部的返回结果行.
#rowcount:一个只读属性，并返回执行execute()方法后影响的行数。
data = cursor.fetchone() 
print ("Database version : %s " % data) 

#搭配使用的例子
try:
   # 执行SQL语句
   cursor.execute(sql)
   # 提交到数据库执行（一般是sql语句做了增删改操作时用，不提交无法保存改动）
   db.commit()
   # 获取所有记录列表
   results = cursor.fetchall()
   for row in results:
      fname = row[0]
      lname = row[1]
      age = row[2]
      sex = row[3]
      income = row[4]
       # 打印结果
      print ("fname=%s,lname=%s,age=%s,sex=%s,income=%s" % \
             (fname, lname, age, sex, income ))
except:
   # 发生错误时回滚
   db.rollback()
   print ("Error: unable to fetch data") 
#关闭游标
cursor.close()
# 关闭数据库连接
db.close()

如果只是查数据的话，也可以这样：

#定义函数
def read_data_sql(host,user,passwd,db,sql_query):
    conn = pymysql.connect(host = host,user = user,passwd = passwd,db = db,charset="utf8",port=3306)
    sql_query = sql_query
    df = pd.read_sql(sql_query, con=conn) 
    return df
#数据库和查询语句
host = '111.235.32'
user = 'user'
passwd = '123'
db = 'admin'
sql_query = """
    select id,email from cs where st='1'
"""
result = read_data_sql(host,user,passwd,db,sql_query)

二、数据处理

json & simplejson

有些帖子认为simplejson在效率上更有优势，但本文未做检验，只列出常用函数。

dump、dumps、load、loads
带s跟不带s的区别： 带s的是对字符串的处理，而不带s的是对文件对象的处理。

import json
#json.load()用于从json文件中读取数据。
#将字符串转换成python对象，输出<class 'dict'>
json.load(open('json.json'))
json.loads(str) 
json_list = json.loads(json_str, encoding='utf-8', strict=False)
#从文件中读取json字符串然后转换成python对象
python_object = json.load('json.json') 

#将字典类型转换成字符串类型,输出<class 'str'>
json.dumps(dist) 
#json.dump()用于将dict类型的数据转成str，并写入到json文件中
json.dump(dist,'json.json') 
json.dump(name_emb, open(emb_filename, “w”))

import simplejson
simplejson_list = simplejson.loads(simplejson_str, encoding='utf-8', strict=False)

#dumps是“转储”的意思，是从Python里转出成其他格式，即 dict -> json(str)
#loads是“加载”的意思，是从其他格式转成Python内置格式，即 json(str) -> dict

在使用loads对json字符串进行转换时，有时候可能因为json字符串的格式不是完全的符合json格式，会造成loads报错，这时候我们可以设置参数strict=False，表示loads()时,不严格检查json格式。

标准化 sklearn.preprocessing

from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import LabelEncoder

le = LabelEncoder().fit_transform(df['register_year'])
df['year_encode']=le

df1=df.drop(columns=['u','r','y'])
scaled_df = StandardScaler().fit_transform(df1)#标准化

features = ['t', 'r', 'u', 'f']    #必须要和原版一一对应！    

df2 = pd.DataFrame(scaled_df,columns=features)

其他标准化：
scale#直接将给定数据进行标准化
StandardScaler#可保存训练集中的均值、方差参数，然后直接用于转换测试集数据
MinMaxScaler#缩放到指定最大和最小值（通常是1-0）之间，可增强方差非常小的属性的稳定性，也可维持稀疏矩阵中为0的条目。 
Normalizer#正则化：计算每个样本p-范数，再对每个元素除以该范数，处理后每个样本的p-范数（l1-norm,l2-norm）等于1。如果后续要使用二次型等方法计算两个样本之间的相似性会有用。 

datetime

此处只列一些容易混淆或者笔者刚用到过的，更详细的还请参考这位作者

#string和datetime的转换
from datetime import datetime #从datetime模块引入datetime类
#把str转换为datetime
datetime.strptime('2017-8-1 18:20:20', '%Y-%m-%d %H:%M:%S')
datetime.strptime('2017-8-1')
#把datetime对象格式化为字符串
now = datetime.now()
print(now.strftime('%a, %b %d %H:%M'))

#时间的加减
from datetime import datetime,timedelta
now = datetime.now()
now + timedelta(hours=10)
now - timedelta(days=1)
now + timedelta(days=2, hours=12)

三、统计分析

statsmodels

statsmodels 中的回归操作都是基于矩阵,正常情况下需要在数据集中多加一行常数项。

import statsmodels.api as sm
from statsmodels.regression.linear_model import OLS,WLS
from statsmodels.tools.tools import rank,add_constant

sm.add_constant()
dat = sm.datasets.get_rdataset("Guerry", "HistData").data
# Fit regression model (using the natural log of one of the regressors)
results = smf.ols('Lottery ~ Literacy + np.log(Pop1831)', data=dat).fit()
# Inspect the results
print(results.summary())

四、可视化

seaborn

import seaborn as sns
sns.set()#设置并使用 seaborn 默认的主题、尺寸大小以及调色板
sns.set_style('whitegrid')#背景色：darkgrid、whitegrid、dark、white、ticks                           
sns.despine()     # 只留下X,Y轴

sns.countplot() #以bar的形式展示每个类别的数量

sns.relplot(data=user.average_stars,kind='line')
#kind可选scatter或line

sns.distplot()
'''
矩形为直方图（默认hist=true）,曲线为核密度估计（默认kde=true）
bins控制直方图的区间划分
rag：控制是否生成观测数值的小细条
fit：控制拟合的参数分布图形，能够直观地评估它与观察数据的对应关系(黑色线条为确定的分布)，如fit = norm表示拟合正态分布
kde_kws={"label":"KDE"}
vertical=True
'''
#热力图，用途：可视化一下已经有的数字
sns.heatmap(data=corr_u17,annot = True, square=True, cmap="Blues",mask= corr_u17 < 0.45)
#robust:排除极端值影响；square:是否是正方形;annot: 是否在格子上显示数字

matplotlib

import matplotlib.pyplot as plt

#参数设置
plt.rc("font",family="SimHei",size="12")  #用于解决中文显示不了的问题
plt.rcParams['figure.figsize'] = (8.0, 4.0) # 设置figure_size尺寸
plt.rcParams['figure.dpi'] = 300 #分辨率
# 默认的像素：[6.0,4.0]，分辨率为100，图片尺寸为 600&400
# 指定dpi=200，图片尺寸为 1200*800
# 指定dpi=300，图片尺寸为 1800*1200
# 设置figsize可以在不改变分辨率情况下改变比例
plt.rcParams['image.cmap'] = 'gray' # 设置 颜色 style

#画图函数
plt.plot(use_index=True)
#kind参数: 'line', 'bar', 'barh', 'kde','hexbin','hist','box','area','pie','scatter'

在ipython窗口输入：
 %matplotlib inline，则在终端窗口中输出图片
 %matplotlib qt5，则在图片窗口表现图片