python命令大全及说明,python常用指令大全

这篇文章主要介绍了python命令大全及说明，具有一定借鉴价值，需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获，下面让小编带着大家一起了解一下。

Python有哪些常用但容易忘记的命令？

• 1 如何忽略报错信息
• 2 Python常见绘图系列代码
• • 2.1 绘制对比箱线图
  • 2.2 分区绘制图形
  • 2.3 绘制相关系数图（热图）
  • 2.4 绘制计数的条形图countplot
  • 2.5 直方图和核密度图的合体distplot
• 3 绘图函数封装
• • 3.1 1×2的直方图封装
  • 3.2 1×2的对比箱线图封装
  • 3.3 1×2的【1+对数】对比箱线图封装
  • 3.4 统计量计算的函数封装
• 4 如何取消科学计数法
• 5 删去几倍标准差之外的离群值
• • 5.1 单变量独自剔除
  • 5.2 滚动剔除
• 6 参考

1 如何忽略报错信息

import warnings
warnings.filterwarnings('ignore')

2 Python常见绘图系列代码

在数据分析的过程中，经常会遇到一个很麻烦的问题，就是中文无法显示，这个困难真的会困扰很多同学包括我在内，还好终于找到了问题的解决办法，在之前的一篇博客中已经涉及到了，详情戳：机器学习 | 特征重要性判断

下面就详细分开的说下每种图该怎么画！

2.1 绘制对比箱线图

参数：

• 直接x和y即可。x表示分类型变量，y表示数值型变量
• data表示数据框
• 如果绘图希望箱子有顺序，就加上order这个参数！

p1 = sns.boxplot(x = 'type_now', y = '7_active_days', data=df, order=['高活','中活','低活','不活'])
plt.savefig('plot/3-1.png')
plt.show()

注：倒数第二行的命令是保存图片，具体看需求，最后一个命令是显示图片python基础知识重点。有时候jupyter无法显示图片，还得再运行一下ok，有点玄学，不过在命令框的前面加上一个魔法命令就可以解决了：

%matplotlib inline

绘制后的效果见下图：

2.2 分区绘制图形

有时候希望画成1×2 或者 2×1的图形，具体如何实现呢？

代码：

f, (ax1,ax2) = plt.subplots(1, 2, figsize=(10, 6))
sns.distplot(df['event_columnx'], ax=ax1)
sns.distplot(df['event_columnx_now'], ax=ax2)
plt.savefig('plot/3-4.png')
plt.show()

参数：

• 首先是plt.subplots 注意有s 其中1 2 表示1行2列，即第一个参数为行数，第二个参数为列数。figsize调节大小。
• 在分图中加入参数ax，即ax=ax1或者ax2 表示具体位置！

效果：

2.3 绘制相关系数图（热图）

import seaborn as sns
import matplotlib.pyplot as plt
def test(df):
    dfData = df.corr()
    plt.subplots(figsize=(9, 9)) # 设置画面大小
    sns.heatmap(dfData, annot=False, vmax=1, square=True, cmap="Blues")
    plt.savefig('./相关系数图.png')
    plt.show()

绘图后效果见下图：

2.4 绘制计数的条形图countplot

先上图：

起到的作用：

• 统计分类型变量1不同水平下各自有分类变量2的频数。绘制条形图！
• 是不是有点绕！看上面的图就懂了！还是很强的一个绘图函数

代码：

ax = sns.countplot(x = 'type', hue = 'type_now', data = df, order=['高活','中活','低活','不活'])
plt.savefig('plot/3-1-2.png')
plt.show()

参数：

• x：表示分类型变量1
• hue：表示分类型变量2
• data：数据框
• order：表示分类变量1的顺序

补充：

• 对于上图中标签和图形重叠在一起，有一种解决方式是调大图形的长和宽！具体见下图：
  
  一开始加一行代码即可：

# 调整figsize
f, ax = plt.subplots(figsize=(12, 8))

2.5 直方图和核密度图的合体distplot

代码：

f, ax = plt.subplots(figsize=(10, 8))
sns.distplot(df['session_count'], kde=True)
plt.savefig('plot/3-3-3.png')
plt.show()

效果：

参数：

• kde=True 表示核密度估计的曲线也画出来！
• 直接displot

3 绘图函数封装

3.1 1×2的直方图封装

代码：

def PlotHis2(col1, col2, pic_name):
	# 函数作用：绘制1×2的直方图
	# col1：表示变量1
	# col2：表示变量2
	# pic_name：图片保存后的名称
	# 注：其实更合适一点是加入数据框的名称
    import numpy as np
    np.set_printoptions(suppress=True)
    f, (ax1,ax2) = plt.subplots(1, 2, figsize=(10, 6))
    sns.distplot(df[col1], ax=ax1)
    sns.distplot(df[col2], ax=ax2)
    plt.savefig('plot/' + pic_name + '.png')
    plt.show()

效果见下图：

3.2 1×2的对比箱线图封装

代码：

def PlotBox2(col1, col2, pic_name):
	# 函数作用：绘制1×2的直方图
	# col1：表示变量1
	# col2：表示变量2
	# pic_name：图片保存后的名称
	# 注：其实更合适一点是加入数据框的名称
    import numpy as np
    np.set_printoptions(suppress=True)
    f, (ax1,ax2) = plt.subplots(1, 2, figsize=(10, 6))
    sns.boxplot(x = 'type_now', y=col1, data=df, ax=ax1, order=['高活','中活','低活','不活'])
    sns.boxplot(x = 'type_now', y=col2, data=df, ax=ax2, order=['高活','中活','低活','不活'])
    plt.savefig('plot/' + pic_name + '.png')
    plt.show()

效果见下图：

3.3 1×2的【1+对数】对比箱线图封装

代码：

import numpy as np
def to_log(x):
    return np.log(1+x)

def PlotBoxLog2(col1, col2, pic_name):
    f, (ax1,ax2) = plt.subplots(1, 2, figsize=(10, 6))
    log_col1 = 'log_' + col1
    log_col2 = 'log_' + col2
    df[log_col1] = df[col1].map(to_log)
    df[log_col2] = df[col2].map(to_log)
    
    sns.boxplot(x = 'type_now', y=log_col1, data=df, ax=ax1, order=['高活','中活','低活','不活'])
    sns.boxplot(x = 'type_now', y=log_col2, data=df, ax=ax2, order=['高活','中活','低活','不活'])
    plt.savefig('plot/' + pic_name + '.png')
    plt.show()

效果见下图：

3.4 统计量计算的函数封装

代码：

def CalVar(col1, col2):
    import numpy as np
    np.set_printoptions(suppress=True)
    cols = [col1, col2]
    for col in cols:
        print('变量 %s 描述统计计算结果如下：' % col)
        print(df[col].describe())
        print('--------********-------')

代码执行层面：

CalVar('event_columnx', 'event_columnx_now')

实现效果：

4 如何取消科学计数法

import numpy as np
np.set_printoptions(suppress=True)

5 删去几倍标准差之外的离群值

5.1 单变量独自剔除

函数代码：

def RemoveValue_sole(df_model, col, s):
	# 其中s作用是统计总共有多少行记录被删去
    r1 = df_model.shape[0]
    v_mean = df_model[col].mean()
    v_std = df_model[col].std()
    thrhol = v_mean + 10 * v_std
    df_model = df_model[df_model[col]<=thrhol]
    r2 = df_model.shape[0]
    s = s + r1 - r2
    print('列 %s 删除10倍以上标准差的数值 共删除的行数为： %d ' % (col, r1-r2))
    return s

实现剔除代码：

s = 0
for col in model_col:
	# 其中model_col为事先定义好的需要剔除异常值的变量！
    s = RemoveValue_sole(df_model, col, s)
print(s)

实现效果见下：

可以看到总共是4027个被单独剔除！但是df_model好像是不动的？

5.2 滚动剔除

啥叫滚动剔除？就是一个变量异常值被剔除之后，在这个被剔除异常值的数据框的基础之上再考虑下一个变量，继续下去！应用相较于第一种应该是广泛的！

代码：

def RemoveValue(df_model, col):
    r1 = df_model.shape[0]
    v_mean = df_model[col].mean()
    v_std = df_model[col].std()
    thrhol = v_mean + 10 * v_std
    df_model = df_model[df_model[col]<=thrhol]
    r2 = df_model.shape[0]
    print('列 %s 删除10倍以上标准差的数值 共删除的行数为： %d ' % (col, r1-r2))
    return df_model

滚动剔除代码：

for col in model_col:
    df_model = RemoveValue(df_model, col)
    # 每一次赋值返回均为df_model 这样就能起到滚动的作用！
print(df_model.shape)

实现效果见下：

6 参考

• https://www.cnblogs.com/noahzn/p/4133252.html
• displot参考：https://www.jianshu.com/p/844f66d00ac1
• mac的jupyter绘图中文如何显示：机器学习 | 特征重要性判断_机器学习特征重要性排序-CSDN博客