Python的三大開源數(shù)據(jù)分析工具是什么

本文小編為大家詳細介紹“Python的三大開源數(shù)據(jù)分析工具是什么”，內(nèi)容詳細，步驟清晰，細節(jié)處理妥當，希望這篇“Python的三大開源數(shù)據(jù)分析工具是什么”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學(xué)習(xí)新知識吧。

在大數(shù)據(jù)庫領(lǐng)域，Python是最常被使用的編程語言，因此了解與其相關(guān)的數(shù)據(jù)分析工具是很有必要的。如果你正在使用virtualenv、pyenv或其他變體在自己的環(huán)境中運行Python，那么，可以嘗試本文推薦的三大開源工具。

（注：本文示例使用IPython，如果感興趣，請確保已經(jīng)安裝）

$ mkdir python-big-data

$ cd python-big-data

$ virtualenv ../venvs/python-big-data

$ source ../venvs/python-big-data/bin/activate

$ pip install ipython

$ pip install pandas

$ pip install pyspark

$ pip install scikit-learn

$ pip install scipy

本文選取的示例數(shù)據(jù)是最近幾天從某網(wǎng)站獲取的實際生產(chǎn)日志數(shù)據(jù)，從技術(shù)層面來看，這些數(shù)據(jù)并不能算作是大數(shù)據(jù)，因為它的大小只有大約2Mb，但就演示來說已經(jīng)足夠了。

如果你想獲取這些示例數(shù)據(jù)，可以使用git從作者的公共GitHub存儲庫中下載：admintome / access-log-data

$ git clone https://github.com/admintome/access-log-data.git

數(shù)據(jù)是一個簡單的CSV文件，因此每行代表一個單獨的日志，字段用逗號分隔：

2018-08-01 17:10,'www2','www_access','172.68.133.49 - - [01/Aug/2018:17:10:15 +0000] "GET /wp-content/uploads/2018/07/spark-mesos-job-complete-1024x634.png HTTP/1.0" 200 151587 "https://dzone.com/" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"'

以下是日志行架構(gòu)：

由于對數(shù)據(jù)可執(zhí)行的操作的復(fù)雜性不確定，因此本文重點選取加載數(shù)據(jù)和獲取數(shù)據(jù)樣本兩個操作來講解三個工具。

1、Python Pandas

我們討論的第一個工具是Python Pandas。正如它的網(wǎng)站所述，Pandas是一個開源的Python數(shù)據(jù)分析庫。它最初由AQR Capital Management于2008年4月開發(fā)，并于2009年底開源，目前由專注于Python數(shù)據(jù)包開發(fā)的PyData開發(fā)團隊繼續(xù)開發(fā)和維護，屬于PyData項目的一部分。Pandas最初被作為金融數(shù)據(jù)分析工具而開發(fā)出來，因此，pandas為時間序列分析提供了很好的支持。 

首先，啟動IPython并對示例數(shù)據(jù)進行一些操作。（因為pandas是python的第三方庫所以使用前需要安裝一下，直接使用pip install pandas 就會自動安裝pandas以及相關(guān)組件）

import pandas as pd
headers = ["datetime", "source", "type", "log"]
df = pd.read_csv('access_logs_parsed.csv', quotechar="'", names=headers)

大約一秒后，我們會收到如下回復(fù)：

[6844 rows x 4 columns]
In [3]:

如上所見，我們有大約7000行數(shù)據(jù)，它從中找到了四個與上述模式匹配的列。

Pandas自動創(chuàng)建了一個表示CSV文件的DataFrame對象，Pandas中的DataFrame數(shù)據(jù)既可以存儲在SQL數(shù)據(jù)庫中，也可以直接存儲在CSV文件中。接下來我們使用head（）函數(shù)導(dǎo)入數(shù)據(jù)樣本。

In [11]: df.head()
Out[11]:
           datetime source        type                                                log
0  2018-08-01 17:10   www2  www_access  172.68.133.49 - - [01/Aug/2018:17:10:15 +0000]...
1  2018-08-01 17:10   www2  www_access  162.158.255.185 - - [01/Aug/2018:17:10:15 +000...
2  2018-08-01 17:10   www2  www_access  108.162.238.234 - - [01/Aug/2018:17:10:22 +000...
3  2018-08-01 17:10   www2  www_access  172.68.47.211 - - [01/Aug/2018:17:10:50 +0000]...
4  2018-08-01 17:11   www2  www_access  141.101.96.28 - - [01/Aug/2018:17:11:11 +0000]...

使用Python Pandas可以做很多事情， 數(shù)據(jù)科學(xué)家通常將Python Pandas與IPython一起使用，以交互方式分析大量數(shù)據(jù)集，并從該數(shù)據(jù)中獲取有意義的商業(yè)智能。

2、PySpark

我們討論的第二個工具是PySpark，該工具來自Apache Spark項目的大數(shù)據(jù)分析庫。

PySpark提供了許多用于在Python中分析大數(shù)據(jù)的功能，它自帶shell，用戶可以從命令行運行。

$ pyspark

這會加載pyspark shell：

(python-big-data)[email protected]:~/Development/access-log-data$ pyspark Python 3.6.5 (default, Apr 1 2018, 05:46:30) [GCC 7.3.0] on linux Type "help", "copyright", "credits" or "license" for more information. 2018-08-03 18:13:38 WARN Utils:66 - Your hostname, admintome resolves to a loopback address: 127.0.1.1; using 192.168.1.153 instead (on interface enp0s3) 2018-08-03 18:13:38 WARN Utils:66 - Set SPARK_LOCAL_IP if you need to bind to another address 2018-08-03 18:13:39 WARN NativeCodeLoader:62 - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). Welcome to ____ __ / __/__ ___ _____/ /__ _\ \/ _ \/ _ `/ __/ '_/ /__ / .__/\_,_/_/ /_/\_\ version 2.3.1 /_/ Using Python version 3.6.5 (default, Apr 1 2018 05:46:30) SparkSession available as 'spark'. >>>

當你啟動shell時，你會得到一個Web GUI查看你的工作狀態(tài)，只需瀏覽到http：// localhost：4040即可獲得PySpark Web GUI。

讓我們使用PySpark Shell加載示例數(shù)據(jù)：

dataframe = spark.read.format("csv").option("header","false").option("mode","DROPMALFORMED").option("quote","'").load("access_logs.csv")
dataframe.show()

PySpark提供了已創(chuàng)建的DataFrame示例：

>>> dataframe2.show()
+----------------+----+----------+--------------------+
|             _c0| _c1|       _c2|                 _c3|
+----------------+----+----------+--------------------+
|2018-08-01 17:10|www2|www_access|172.68.133.49 - -...|
|2018-08-01 17:10|www2|www_access|162.158.255.185 -...|
|2018-08-01 17:10|www2|www_access|108.162.238.234 -...|
|2018-08-01 17:10|www2|www_access|172.68.47.211 - -...|
|2018-08-01 17:11|www2|www_access|141.101.96.28 - -...|
|2018-08-01 17:11|www2|www_access|141.101.96.28 - -...|
|2018-08-01 17:11|www2|www_access|162.158.50.89 - -...|
|2018-08-01 17:12|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:12|www2|www_access|172.68.47.151 - -...|
|2018-08-01 17:12|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:12|www2|www_access|141.101.76.83 - -...|
|2018-08-01 17:14|www2|www_access|172.68.218.41 - -...|
|2018-08-01 17:14|www2|www_access|172.68.218.47 - -...|
|2018-08-01 17:14|www2|www_access|172.69.70.72 - - ...|
|2018-08-01 17:15|www2|www_access|172.68.63.24 - - ...|
|2018-08-01 17:18|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:18|www2|www_access|141.101.99.138 - ...|
|2018-08-01 17:19|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:19|www2|www_access|162.158.89.74 - -...|
|2018-08-01 17:19|www2|www_access|172.68.54.35 - - ...|
+----------------+----+----------+--------------------+
only showing top 20 rows

我們再次看到DataFrame中有四列與我們的模式匹配，DataFrame此處可以被視為數(shù)據(jù)庫表或Excel電子表格。

3、Python SciKit-Learn

任何關(guān)于大數(shù)據(jù)的討論都會引發(fā)關(guān)于機器學(xué)習(xí)的討論，幸運的是，Python開發(fā)人員有很多選擇來使用機器學(xué)習(xí)算法。

在沒有詳細介紹機器學(xué)習(xí)的情況下，我們需要獲得一些執(zhí)行機器學(xué)習(xí)的數(shù)據(jù)，我在本文中提供的示例數(shù)據(jù)不能正常工作，因為它不是數(shù)字類型的數(shù)據(jù)。我們需要操縱數(shù)據(jù)并將其呈現(xiàn)為數(shù)字格式，這超出了本文的范圍，例如，我們可以按時間映射日志以獲得具有兩列的DataFrame：一分鐘內(nèi)的日志數(shù)和當前時間：

+------------------+---+
| 2018-08-01 17:10 | 4 |
+------------------+---+
| 2018-08-01 17:11 | 1 |
+------------------+---+

通過這種形式的數(shù)據(jù)，我們可以執(zhí)行機器學(xué)習(xí)算法來預(yù)測未來可能獲得的訪客數(shù)量，SciKit-Learn附帶了一些樣本數(shù)據(jù)集，我們可以加載一些示例數(shù)據(jù)，來看一下具體如何運作。

In [1]: from sklearn import datasets
In [2]: iris = datasets.load_iris()
In [3]: digits = datasets.load_digits()
In [4]: print(digits.data)
[[ 0.  0.  5. ...  0.  0.  0.]
 [ 0.  0.  0. ... 10.  0.  0.]
 [ 0.  0.  0. ... 16.  9.  0.]
 ...
 [ 0.  0.  1. ...  6.  0.  0.]
 [ 0.  0.  2. ... 12.  0.  0.]
 [ 0.  0. 10. ... 12.  1.  0.]]

這將加載兩個用于機器學(xué)習(xí)分類的算法，用于對數(shù)據(jù)進行分類。

讀到這里，這篇“Python的三大開源數(shù)據(jù)分析工具是什么”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。