Day 15：8 个数据分析、机器学习和深度学习包和框架和入门案例总结
发布日期：2022年3月12日 18:02 阅读: 288 访问: 288
五分钟入门 8 个数据分析、机器学习和深度学习包和框架和入门案例总结，提供 8 个数据分析和机器学习常用的工具包。NumPyNumPy 是基于 Python 的开源数值计算扩展库，用来存储和处理大型矩阵。相比于 Python 自身的嵌套列表（nested list structure）结构要高效得多。NumPy 数组结构也能用来表示
五分钟入门 8 个数据分析、机器学习和深度学习包和框架和入门案例总结，提供 8 个数据分析和机器学习常用的工具包。
NumPy
NumPy 是基于 Python 的开源数值计算扩展库，用来存储和处理大型矩阵。
相比于 Python 自身的嵌套列表（nested list structure）结构要高效得多。
NumPy 数组结构也能用来表示矩阵（matrix），详情参考：
主要功能包括：
- N 维数组对象 Array
- 成熟的广播机制
- 能够解决线性代数、随机数生成数相关问题
NumPy 最基本的数据结构 array，下面是关于它的基本操作。
首先，导入 NumPy 包：
In [1]: import numpy as npNumPy 中，array 函数将 Python 的 list 对象包装为 array：
In [9]: x = np.array([[2, 1], [1, 2]])
In [10]: x
Out[10]:
array([[2, 1],
[1, 2]])求 x 的转置矩阵：
In [11]: xt = x.transpose()
In [12]: xt
Out[12]:
array([[2, 1],
[1, 2]])方便的赋值操作：
xt[0, 0] =1.0dot 操作求两个矩阵的乘积：
In [13]: x2 = xt.dot(x)
In [14]: x2
Out[14]:
array([[5, 4],
[4, 5]])求逆矩阵，需要导入另一个模块 linalg：
In [19]: import numpy.linalg as lg
In [20]: lg.inv(x2)
Out[20]:
array([[ 0.55555556, -0.44444444],
[-0.44444444, 0.55555556]])SciPy
SciPy 基于 Python，是用于数学计算的工具包。详情参考：
案例：绘制常见的两种概率分布。
In [21]: from scipy.stats import norm, uniform
...: import numpy as np写一个专门绘图用的装饰器。
首先导入所需要的包：
import matplotlib.pyplot as plt
from functools import wraps绘图装饰器，带有四个参数，分别表示：legend 的 2 类说明文字、y 轴 label、保存的 PNG 文件名称。
# 定义带四个参数的画图装饰器
def my_plot(label0=None, label1=None, ylabel='probability density function', fn=None):
def decorate(f):
@wraps(f)
def myplot():
fig = plt.figure(figsize=(16, 9))
ax = fig.add_subplot(111)
x, y, y1 = f()
ax.plot(x, y, linewidth=2, c='r', label=label0)
ax.plot(x, y1, linewidth=2, c='b', label=label1)
ax.legend()
plt.ylabel(ylabel)
# plt.show()
plt.savefig('./img/%s' % (fn,))
plt.close()
return myplot
return decorate均匀分布函数 unif：
@my_plot(label0='b-a=1.0', label1='b-a=2.0', fn='uniform.png')
def unif():
x = np.arange(-0.01, 2.01, 0.01)
y = uniform.pdf(x, loc=0.0, scale=1.0)
y1 = uniform.pdf(x, loc=0.0, scale=2.0)
return x, y, y1调用 unif()，绘制均匀分布的概率密度曲线：
二项分布
@my_plot(label0='n=50,p=0.3', label1='n=50,p=0.7', fn='binom.png', ylabel='probability mass function')
def bino():
x = np.arange(50)
n, p, p1 = 50, 0.3, 0.7
y = binom.pmf(x, n=n, p=p)
y1 = binom.pmf(x, n=n, p=p1)
return x, y, y1调用 bino()，绘制二项分布概率密度图：
红色曲线表示发生一次概率为 0.3，重复 50 次的密度函数，二项分布期望值为 0.3*50 = 15 次。
看到这 50 次实验，很可能出现的次数为 10~20。
Pandas
Pandas 是 Python 中，功能强大的数据分析库。提供关于数据分析高级的数据结构，各种各样的分析工具，确保整个数据处理的过程更加容易。详情参考：
Pandas 两大数据结构：
- 一维 Series
- 二维 DataFrame
创建 Series：
In [32]: s1 = pd.Series( [3,5,7])
In [33]: s1
Out[33]:
0 3
1 5
2 7
dtype: int64指定 index、name：
In [34]: s2 = pd.Series( [3,5,7], index = list('ABC'),name='s3' )
In [35]: s2
Out[35]:
A 3
B 5
C 7
Name: s3, dtype: int64通过嵌套列表，创建 DataFrame：
In [36]: df = pd.DataFrame([[9,0,1],[7,3,10]],index=['a','b'],columns=['A','B','C'])
In [37]: df
Out[37]:
A B C
a 9 0 1
b 7 3 10通过字典，创建 DataFrame：
In [38]: df = pd.DataFrame({'A':[9,7],'B':[0,3],'C':[1,10]},index=['a','b'])
In [39]: df
Out[39]:
A B C
a 9 0 1
b 7 3 10Matplotlib
Matplotlib 是 Python 中非常强大的 2D 绘图工具。提供方便易用的绘图接口，能使用在 Python 脚本，IPython shell、Jupyter Notebook、Web 应用服务器等。详情参考：
下面的案例，绘制三类折线图。
首先，导入所需要的包：
import numpy as np
import matplotlib.pyplot as plt其次，创建画图 fig 和 axes：
def setup_axes():
fig, axes = plt.subplots(ncols=3, figsize=(6.5,3))
for ax in fig.axes:
ax.set(xticks=[], yticks=[])
fig.subplots_adjust(wspace=0, left=0, right=0.93)
return fig, axes生成数据 x，创建 fig、axes：
x = np.linspace(0, 10, 100)
fig, axes = setup_axes()
for ax in axes:
ax.margins(y=0.10)执行上述代码，生成空白图：
子图 1，绘制多条线，颜色系统分配：
for i in range(1, 6):
axes[0].plot(x, i * x)
子图 2 ，展示线的不同 linestyle：
for i, ls in enumerate(['-', '--', ':', '-.']):
axes[1].plot(x, np.cos(x) + i, linestyle=ls)
子图 3，展示线的不同 linestyle 和 marker：
for i, (ls, mk) in enumerate(zip(['', '-', ':'], ['o', '^', 's'])):
axes[2].plot(x, np.cos(x) + i * x, linestyle=ls, marker=mk, markevery=10)
Seaborn
Seaborn 是一个基于 Matplotlib 的 Python 数据可视化库，提供绘制更加高层和优美的图形接口。详情参考：
如下，绘制模型拟合后的残差图，y 值添加一个正态分布的误差。
使用 Seaborn 绘图非常方便，所写代码更少。
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="whitegrid")
rs = np.random.RandomState(1)
x = rs.normal(2, 0.1, 50)
y = 2 + 1.6 * x + rs.normal(0, 0.1, 50)
sns.residplot(x, y, lowess=True, color="orange")
plt.show()从残差图看出，y 值误差符合均值 0、方差 0.1 的正态分布规律。
scikit-learn
scikit-learn 是适用于数据处理和机器学习处理非常强大的库。提供数据降维、回归、聚类、分类等功能，是机器学习从业者的必备库之一。详情参考：
案例：鸢尾属植物数据集（iris）分类。
鸢尾属植物数据集一共有 4 个特征，target 值有 3 类，每一类都有 50 个样本。
四维数据集为了在二维平面内展示方便，只选取其中两个维度。
如下面数据集，选择特征：sepallength、petallength、species 是 target 值。
sepal_length petal_length species
0 5.1 1.4 setosa
1 4.9 1.4 setosa
2 4.7 1.3 setosa
3 4.6 1.5 setosa
4 5.0 1.4 setosa
.. ... ... ...
145 6.7 5.2 virginica
146 6.3 5.0 virginica
147 6.5 5.2 virginica
148 6.2 5.4 virginica
149 5.9 5.1 virginica如下所示，绘制出一对特征的数据分布矩阵图，点的颜色表示分类值。
矩阵图主对角线，两幅子图分表表示特征 sepallength、petallength 取值的概率分布图。
绘制下图的代码：
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style="ticks")
df = sns.load_dataset("iris")
df02 = df.iloc[:,[0,2,4]] # 选择一对特征
print(df02)
sns.pairplot(df02, hue="species")
plt.show()
从上图看出，选取的一对特征，species 分布具有一定规律。target 值给定，因此是有监督分类任务。
选择一个基础的分类算法——决策树模型，学习此任务的分类模型。
导入树模型 tree：
from sklearn import tree创建决策树分类器：
clf = tree.DecisionTreeClassifier()每类植物抽样 3/5 数据做训练，2/5 做预测。
train_index = [i for i in range(150) if i<30 or 50<=i<80 or 100<=i<130]
test_index = [i for i in range(150) if 30<=i<50 or 80<=i<100 or 130<=i<150]
train_data, train_target = df02.iloc[train_index,[0,1]],df02.iloc[train_index,2]
test_data, test_target = df02.iloc[test_index,[0,1]],df02.iloc[test_index,2]训练模型：
clf = clf.fit(train_data, train_target)
print(clf)
# 结果
DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
max_features=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, presort=False,
random_state=None, splitter='best')在数据上做预测：
test_val = clf.predict(test_data)
print(test_val)
# 结果
['setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
'setosa' 'setosa' 'setosa' 'setosa' 'versicolor' 'versicolor'
'versicolor' 'virginica' 'versicolor' 'versicolor' 'versicolor'
'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
'versicolor' 'versicolor' 'versicolor' 'virginica' 'virginica'
'virginica' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
'versicolor' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
'virginica' 'virginica' 'versicolor' 'virginica' 'virginica' 'virginica']预测精度 95%。
right = [i for i, j in zip(test_val,test_target) if i==j]
percent = len(right) / len(test_target)
print(percent) # 0.95TensorFlow
TensorFlow 由 Google 与 Brain Team 合作开发，是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。
节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。
详情参考：
案例：使用 TensorFlow 做线性回归。
#global_variables_initializer 初始化 Variable 等变量
import tensorflow as tf
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))
#迭代 20 次 train
for step in range(20):
sess.run(train)
print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))
#写入磁盘，提供 tensorboard 在浏览器中展示用
writer = tf.summary.FileWriter("./mytmp",sess.graph)打印下 w 和 b，损失值的变化情况，可以看到损失值从 0.24 降到 0.0008。
拟合结果：
PyTorch
PyTorch 是使用 GPU 和 CPU 优化的深度学习张量库，也是深度学习的重要的一个库。详情参考：
In [9]: import torch
In [10]: a = torch.ones(10)
In [11]: b = torch.ones(10)
In [11]: a + b # 矢量相加
Out[11]: tensor([2., 2., 2., 2., 2., 2., 2., 2., 2., 2.]) 小结
今天与大家一起学习了 8 个数据分析、机器学习和深度学习的常见包和框架。大部分包介绍时，还配备了入门的案例，方便大家快速形成一个使用它们的初步印象。