Python數(shù)據(jù)分析與應(yīng)用 課件 第7章 python與數(shù)據(jù)分析

第7章Python與數(shù)據(jù)分析《Python數(shù)據(jù)分析與應(yīng)用》啤酒與尿布“啤酒與尿布”。該故事產(chǎn)生于20世紀(jì)90年代的美國(guó)沃爾瑪超市，超市管理人員分析銷(xiāo)售數(shù)據(jù)時(shí)發(fā)現(xiàn)了一個(gè)令人難于理解的現(xiàn)象——“啤酒”與“尿布”兩件看上去毫無(wú)關(guān)系的商品會(huì)經(jīng)常出現(xiàn)在年輕的父親的同一個(gè)購(gòu)物籃。這是由于在美國(guó)有嬰兒的家庭中，母親留在家中照看嬰兒，父親去超市購(gòu)買(mǎi)尿布。父親在購(gòu)買(mǎi)尿布的同時(shí)，往往會(huì)順便為自己購(gòu)買(mǎi)啤酒。至此，超市人員將屬于食品飲料的“啤酒”和屬于生活用品的“尿布”擺放在一處，從而致使兩種商品的銷(xiāo)售量直線上升。數(shù)據(jù)分析流程（1）明確目標(biāo)（2）獲取數(shù)據(jù)（3）清洗數(shù)據(jù)（4）特征工程（5）構(gòu)建模型（6）模型評(píng)估。明確目標(biāo)這是數(shù)據(jù)分析與挖掘的第一步，即明確數(shù)據(jù)分析的對(duì)象、目標(biāo)、或任務(wù)。此環(huán)節(jié)應(yīng)該跟業(yè)務(wù)需求方多次溝通與合作，把握最終要解決的問(wèn)題。規(guī)劃哪些數(shù)據(jù)可能會(huì)影響到這些問(wèn)題的答案，這一步就稱(chēng)為數(shù)據(jù)的獲取過(guò)程。數(shù)據(jù)獲取數(shù)據(jù)清洗為確保數(shù)據(jù)分析或挖掘結(jié)果的準(zhǔn)確性，往往需要對(duì)數(shù)據(jù)做一些基本的清洗和整理，如數(shù)據(jù)的一致性檢驗(yàn)、缺失值和異常值的處理等。特征工程通過(guò)Scipy、Pandas、Sklearn等分析庫(kù)對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一量綱等標(biāo)準(zhǔn)化處理，對(duì)數(shù)據(jù)進(jìn)行離散化處理，采用啞變量、獨(dú)熱編碼進(jìn)行數(shù)據(jù)重編碼，實(shí)施特征工程。模型評(píng)估通常情況下，在模型搭建好后，并不意味著分析或挖掘任務(wù)的結(jié)束，還需要對(duì)模型的擬合效果做評(píng)估，其目的就是不斷優(yōu)化模型，使最終的模型能夠更好地反映數(shù)據(jù)的真實(shí)性。構(gòu)建模型建模的目的主要是為了預(yù)測(cè)，例如使用線性回歸模型預(yù)測(cè)產(chǎn)品的銷(xiāo)售額；利用決策樹(shù)模型預(yù)測(cè)用戶是否具有欺詐行為；利用樸素貝葉斯模型預(yù)測(cè)郵件是否為垃圾郵件。Python數(shù)據(jù)分析庫(kù)庫(kù)名簡(jiǎn)

介Numpy提供數(shù)組支持，以及相應(yīng)的高效處理函數(shù)Matplotlib強(qiáng)大的數(shù)據(jù)可視化工具、作圖庫(kù)Pandas強(qiáng)大的數(shù)據(jù)分析、數(shù)據(jù)處理和數(shù)據(jù)清洗工具seaborn數(shù)據(jù)可視化工具、作圖庫(kù)Scipy提供矩陣支持，以及矩陣相關(guān)的數(shù)值計(jì)算模塊sklearn經(jīng)典的機(jī)器學(xué)習(xí)庫(kù)NumpyNumPy是Python的數(shù)據(jù)分析的基本庫(kù)，是在Python的Numeric數(shù)據(jù)類(lèi)型的基礎(chǔ)上，引入Scipy模塊中針對(duì)數(shù)據(jù)對(duì)象處理的功能，用于數(shù)值數(shù)組和矩陣類(lèi)型的運(yùn)算、矢量處理等。MatplotlibMatplotlib具有兩個(gè)重要的模塊——pylab和pyplot。Pylab實(shí)現(xiàn)了MATLAB的繪圖功能，就是MATLAB的Python版本。pyplot主要用于將NumPy統(tǒng)計(jì)結(jié)果可視化，可以繪制線圖、直方圖、餅圖、散點(diǎn)圖以及誤差線圖等各種圖形。Pandas

Pandas的名稱(chēng)來(lái)源于面板數(shù)據(jù)（PanelData）和Python數(shù)據(jù)分析（DataAnalysis），作為Python進(jìn)行數(shù)據(jù)分析和挖掘時(shí)的數(shù)據(jù)基礎(chǔ)平臺(tái)和事實(shí)上的工業(yè)標(biāo)準(zhǔn)，支持關(guān)系型數(shù)據(jù)的增、刪、改、查，具有豐富的數(shù)據(jù)處理函數(shù)，支持時(shí)間序列分析功能，靈活處理缺失數(shù)據(jù)等。seabornSeaborn是圖形可視化python包，作為matplotlib的補(bǔ)充，在其基礎(chǔ)上進(jìn)行了更高級(jí)的API封裝，高度兼容numpy與pandas數(shù)據(jù)結(jié)構(gòu)以及scipy等統(tǒng)計(jì)模式，能做出具有吸引力的圖。ScipyScipy是2001年發(fā)行的類(lèi)似于Matlab和Mathematica等數(shù)學(xué)計(jì)算軟件的Python庫(kù)，用于統(tǒng)計(jì)、優(yōu)化、整合、線性代數(shù)模塊、傅里葉變換、信號(hào)和圖像處理等數(shù)值計(jì)算。scipy具有stats（統(tǒng)計(jì)學(xué)工具包）、erpolate（插值，線性的，三次方）、cluster（聚類(lèi)）、signal（信號(hào)處理）等模塊。SklearnSklearn（又稱(chēng)為scikit-learn）是簡(jiǎn)單高效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具，基于python語(yǔ)言的NumPy、SciPy和matplotlib庫(kù)之上，是當(dāng)前較為流行的機(jī)器學(xué)習(xí)框架。數(shù)據(jù)分類(lèi)定類(lèi)數(shù)據(jù)：表示個(gè)體在屬性上的特征和類(lèi)別上的不同變量，只是一種標(biāo)志，沒(méi)有次序關(guān)系，不可以直接測(cè)量的數(shù)據(jù)。如外貌，出生地等。定序數(shù)據(jù)：表示個(gè)體在某個(gè)有序狀態(tài)中所處的位置，不能直接做四則運(yùn)算。如學(xué)歷分為初中、高中、大學(xué)、碩士、博士等。定量數(shù)據(jù)：定量數(shù)據(jù)又稱(chēng)為定距數(shù)據(jù)，具有間距特征的變量，可以直接測(cè)量的數(shù)據(jù)，如身高、體重、氣溫等。數(shù)據(jù)統(tǒng)計(jì)量（1）極差極差又稱(chēng)范圍誤差或全距，用來(lái)衡量指定變量間差異變化范圍，是最大值與最小值的差距，用于標(biāo)志值變動(dòng)的最大范圍。通常極差越大，樣本變化范圍越大。（2）平均數(shù)平均值用于測(cè)量數(shù)據(jù)集中趨勢(shì)，計(jì)算公式是所有數(shù)據(jù)之和除以數(shù)據(jù)的個(gè)數(shù)。數(shù)據(jù)統(tǒng)計(jì)量（3）中位數(shù)中位數(shù)是指將樣本數(shù)值集合劃分為數(shù)量相等或相差1的上下兩部分。對(duì)于有限的數(shù)集，可以通過(guò)把所有觀察值高低排序后找出正中間的一個(gè)作為中位數(shù)。如果觀察值有偶數(shù)個(gè)，通常取最中間的兩個(gè)數(shù)值的平均數(shù)作為中位數(shù)。（4）眾數(shù)眾數(shù)是樣本觀測(cè)值在頻數(shù)分布表中頻數(shù)最多的那組數(shù)。例如：1，2，2，2，3，3，4的眾數(shù)是2。如果所有數(shù)據(jù)出現(xiàn)的次數(shù)都一樣，那么這組數(shù)據(jù)沒(méi)有眾數(shù)。例如：1，2，3，4，5沒(méi)有眾數(shù)。數(shù)據(jù)統(tǒng)計(jì)量（5）方差方差是實(shí)際值與期望值之差平方的平均值，方差是在概率論和統(tǒng)計(jì)方差衡量隨機(jī)變量或一組數(shù)據(jù)是離散程度的度量。（6）協(xié)方差協(xié)方差用于衡量?jī)蓚€(gè)變量的總體誤差，兩個(gè)變量是否相對(duì)它們各自平均值有一致行為。1）如果兩個(gè)變量同時(shí)處于平均值之上或之下，兩個(gè)變量就是正關(guān)聯(lián)性。2）如果兩個(gè)變量一個(gè)處于平均值之上，另一個(gè)處于平均值之下，就是負(fù)關(guān)聯(lián)性。當(dāng)兩個(gè)變量相同時(shí)，協(xié)方差就是方差。數(shù)據(jù)統(tǒng)計(jì)量皮爾森相關(guān)系數(shù)度量?jī)蓚€(gè)變量之間的相關(guān)程度其值介于-1與+1之間，表示兩變量存在一定程度的相關(guān)，越接近1，兩變量間線性關(guān)系越密切；越接近于0，表示兩變量的線性相關(guān)越弱

數(shù)據(jù)可視化數(shù)據(jù)可視化是指將大型數(shù)據(jù)集中的數(shù)據(jù)以統(tǒng)計(jì)圖表和圖形圖像形式呈現(xiàn)，表現(xiàn)抽象或復(fù)雜的概念、技術(shù)和信息，并利用數(shù)據(jù)分析和開(kāi)發(fā)工具發(fā)現(xiàn)其中未知信息的處理過(guò)程。數(shù)據(jù)可視化起源于1960年代計(jì)算機(jī)圖形學(xué)，通過(guò)計(jì)算機(jī)創(chuàng)建圖形圖表，將數(shù)據(jù)的各種屬性和變量呈現(xiàn)出來(lái)，通過(guò)餅圖、直方圖、散點(diǎn)圖、柱狀圖等原始的統(tǒng)計(jì)圖表將數(shù)據(jù)可視化是最基礎(chǔ)和常見(jiàn)應(yīng)用。折線圖折線圖又名線形圖，或折線統(tǒng)計(jì)圖，是以折線的上升或下降表示數(shù)量變化的統(tǒng)計(jì)圖。折線圖不僅可以表示數(shù)量的多少，而且反映同一事物在不同時(shí)間里數(shù)據(jù)的變化趨勢(shì)。

餅圖餅圖屬于最傳統(tǒng)的統(tǒng)計(jì)圖形之一，通過(guò)各扇形面積的大小反映部分與部分，部分與總體的比例關(guān)系。但不擅長(zhǎng)對(duì)比差異不大或水平值過(guò)多的離散型變量。散點(diǎn)圖散點(diǎn)圖又稱(chēng)為散點(diǎn)分布圖，和折線圖需要的數(shù)組非常相似，區(qū)別是折線圖會(huì)將各數(shù)據(jù)點(diǎn)連接起來(lái)；而散點(diǎn)圖則只是描繪各數(shù)據(jù)點(diǎn)，并不會(huì)將這些數(shù)據(jù)點(diǎn)連接起來(lái)。直方圖直方圖又稱(chēng)質(zhì)量分布圖，由一系列高度不等的縱向條紋和線段表示數(shù)據(jù)分布形態(tài)，一般用橫軸表示數(shù)據(jù)所屬類(lèi)別，縱軸表示數(shù)量或者占比。條形圖條形圖是統(tǒng)計(jì)圖資料分析中最常用的圖形，又名柱狀圖，可以清楚地表明各種數(shù)量的多少，用來(lái)描述各個(gè)類(lèi)別之間的關(guān)系。箱線圖箱線圖又稱(chēng)箱形圖或盒式圖，主要用于分析數(shù)據(jù)內(nèi)部的分布狀態(tài)或分散狀態(tài)，不同于折線圖、柱狀圖或餅圖等傳統(tǒng)圖表只是數(shù)據(jù)大小、占比、趨勢(shì)