👽发现宝藏
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。【点击进入巨牛的人工智能学习网站】。
一,前言
1.1 数据处理
Python 数据处理是指使用 Python 编程语言对各种数据进行操作、清理、转换和分析的过程。数据处理是数据科学、机器学习、人工智能等领域中的一个关键步骤,因为在这些领域中,通常需要对大量的数据进行处理以从中提取有用的信息。
数据处理的任务包括:
-
数据清理(Data Cleaning): 处理缺失值、异常值、重复值等,以确保数据质量。
-
数据转换(Data Transformation): 将数据从一种格式转换为另一种格式,或者进行归一化、标准化等操作。
-
数据分析(Data Analysis): 使用统计学和数学方法分析数据,提取有关数据集的洞察。
-
特征工程(Feature Engineering): 创建新的特征,选择重要的特征,以提高机器学习模型的性能。
-
数据合并和连接(Data Merging and Joining): 将来自不同来源的数据集合并或连接在一起。
-
数据可视化(Data Visualization): 使用图表、图形等方式将数据可视化,以更好地理解数据的分布和关系。
-
时间序列分析(Time Series Analysis): 针对时间序列数据进行分析,例如股票价格、气象数据等。
-
文本处理(Text Processing): 对文本数据进行清理、分词、词干提取等操作。
Python 提供了许多库和工具,如NumPy、Pandas、Matplotlib、Seaborn、Scikit-learn等,用于简化和加速数据处理的过程。这些工具提供了丰富的功能,使得数据科学家和分析师能够更轻松地处理和分析数据。
1.2 数据处理数据集
我们现在拿到了一个十分庞大的数据集。是json文件,里面存储了将近十万个数据,现在要对其中的数据进行清洗处理。
二,python模块
import json
import jieba
我们需要用json模块来处理json文件,和使用jieba库来分析词性,这样可以实现我们的需求。
2.1,增加停用词表
停用词表.txt,把停用词表存入stopwords,原因是:我们的目标分析json里有一些标点符号。
stopwords = [line.strip() for line in open("停用词表.txt",encoding="utf-8").readlines()]
基本如图所示:
a+str(b)+c这是文件名称,a+b+c=./json/poet.song.0.json b递增,实现动态取值
with open(a+str(b)+c,'r',encoding='utf8')as fp:
因为有将近500个json文件。每个文件里有好几千组数据,我现在尽力的优化代码,现在提取一次,把需要的数据存入文件里面差不多需要五分钟。
2.2,顺序读取
定义一个空的字符串,将json对象转换为python对象。定义一个空的list存放诗句。
循环json_data i为里面的每一个元素。
新的追加到list_paragraphs列表
循环 j为里面的每一句。
代码如图所示:
使用jieba库,分析str内容的词性【注意是名称,动词。。。。】排行输出都是俩个字是巧合,没有字数限制
words = jieba.lcut(str_s)
现在words为分析完毕的词性列表,遍历。
排除特殊符号
for word in words:
if word not in stopwords:
if len(word) == 1:
continue
else:
counts[word] = counts.get(word,0) + 1
出现频率加一。
2.3,lambda函数
使用lambda函数,sort快速排序,遍历输出频率前50的词性。
items.sort(key=lambda x:x[1], reverse=True)
之后赋值word, count。
word, count = items[i]
print ("{:<10}{:>7}".format(word, count))
三,运行
3.1,存入文件
f=open('towa.txt',"a",encoding='gb18030')
f.writelines("题目:"+textxxx)
f.writelines(word_ping)
四.总结
这篇文章介绍了Python数据处理的基本概念和方法,重点关注了数据清理、转换、分析、特征工程、数据合并与连接、数据可视化、时间序列分析和文本处理等任务。为了演示数据处理的过程,作者使用了一个庞大的JSON数据集,并展示了使用Python模块进行数据处理的方法。
在数据处理的过程中,作者使用了json
模块来处理JSON文件,同时引入了jieba
库用于分析词性。文章介绍了如何增加停用词表以处理标点符号,并展示了读取和处理多个JSON文件的方法。在文中提到了优化代码以提高处理速度的尝试。
文章的第三部分展示了代码的运行过程,包括将结果存入文件的操作。最后,通过展示运行结果,作者演示了对数据集中诗句的分析,输出了出现频率前50的词性,并将结果存入文件中。
总体而言,这篇文章通过实际案例生动地展示了Python在数据处理方面的应用,尤其在处理大规模JSON数据集时的方法和技巧。