怎么使用Python庫

本篇內(nèi)容介紹了“怎么使用Python庫”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

數(shù)據(jù)科學(xué)的五個重要步驟包括：

• 獲取數(shù)據(jù)

• 清理數(shù)據(jù)

• 探索數(shù)據(jù)

• 構(gòu)建數(shù)據(jù)

• 呈現(xiàn)數(shù)據(jù)

這五個步驟只是經(jīng)驗之談，并不是什么標(biāo)準(zhǔn)答案。但是如果仔細(xì)思考，就會發(fā)現(xiàn)這五個步驟是非常合理的。

1. 獲取數(shù)據(jù)

獲取數(shù)據(jù)是解決數(shù)據(jù)科學(xué)問題的關(guān)鍵一步。你需要提出一個問題并最終解決它。這取決于你是如何以及從何處獲取數(shù)據(jù)的。獲取數(shù)據(jù)最好的方法就是從Kaggle上下載或從網(wǎng)絡(luò)上抓取。

當(dāng)然，你也可以采用適當(dāng)?shù)姆椒ê凸ぞ邚木W(wǎng)絡(luò)上抓取數(shù)據(jù)。

網(wǎng)絡(luò)數(shù)據(jù)抓取最重要、最常用的庫包括：

• Beautiful Soup

• Requests

• Pandas

Beautiful Soup是一個可從HTML和XML文件中提取數(shù)據(jù)的Python庫。推薦讀者閱讀Beautiful Soup庫官方文檔。

如果已經(jīng)安裝Python，只需輸入以下命令，即可安裝Beautiful Soup。文中所涉及的庫全部給出了安裝方法。但是我更推薦讀者使用Google  Colab，便于練習(xí)代碼。在Google Colab中，無需手動安裝，只需要輸入“importlibrary_name”，Colab就會自動安裝。

pip install beautifulsoup4

導(dǎo)入Beautiful Soup庫：

from bs4 import BeautifulSoupBeautifulSoupSoup = BeautifulSoup(page_name.text, ‘html.parser’)

Python的Requests庫采用更加簡單易用的方式發(fā)送HTTP請求。Requests庫中有很多種方法，其中最常用的是request.get()。在URL轉(zhuǎn)發(fā)成功或失敗的情況下，request.get()都能夠返回URL轉(zhuǎn)發(fā)狀態(tài)。

安裝Requets：

pip install requests

導(dǎo)入Requests庫：

import requestsrequestspaga_name = requests.get('url_name')

Pandas是一種方便易用的高性能數(shù)據(jù)結(jié)構(gòu)，同時也是Python編程語言分析工具。Pandas提供了一種能夠清晰、簡潔地存儲數(shù)據(jù)的數(shù)據(jù)框架。

安裝Pandas：

pip install pandas

導(dǎo)入Pandas庫：

import pandas as pd

2. 清理數(shù)據(jù)

清理數(shù)據(jù)有許多重要的步驟，往往包括清除重復(fù)行、清除異常值、查找缺失值和空值，以及將對象值轉(zhuǎn)換成空值并繪制成圖表等。

數(shù)據(jù)清理常用的庫包括：

• Pandas

• NumPy

Pandas可以說是數(shù)據(jù)科學(xué)中的“萬金油”;到處都可用。

NumPy即Numeric  Python，是一個支持科學(xué)計算的Python庫。眾所周知，Python本身并不支持矩陣數(shù)據(jù)結(jié)構(gòu)，而Python中的NumPy庫則支持創(chuàng)建和運行矩陣計算。

運行以下命令下載NumPy(確保已經(jīng)安裝了Python)：

python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose

導(dǎo)入NumPy庫：

import numpy as np

3. 探索數(shù)據(jù)

探索性數(shù)據(jù)分析(Exploratory Data Analysis,  EDA)是用于增強信息索引理解的工具，通過有規(guī)律地刪減和用圖表繪制索引基本特征實現(xiàn)。使用EDA能夠幫助用戶更加深入、清晰地探索數(shù)據(jù)，展現(xiàn)重要信息采集的發(fā)布或情況。

運行EDA常用的庫包括：

• Pandas

• Seaborn

• Matplotlib.pyplot

Seaborn是一個Python數(shù)據(jù)可視化庫，為繪制數(shù)據(jù)圖表提供了一個高級接口。安裝最新版本的Seaborn：

pip install seaborn

使用Seaborn，可以輕松繪制條形圖、散點圖、熱力圖等圖表。導(dǎo)入Seaborn：

import seaborn as sns

Matplotlib是一個Python  2D圖形繪圖庫，能夠在多種環(huán)境中繪制圖表，可替代Seaborn。事實上，Seaborn是基于Matplotlib開發(fā)的。

安裝Matplotlib：

python -m pip install -U matplotlib

導(dǎo)入Matplotlib.pyplot庫：

import matplotlib.pyplot as plt

4. 構(gòu)建模型

構(gòu)建模型是數(shù)據(jù)科學(xué)中的關(guān)鍵一步。由于這一步要求根據(jù)要解決的問題和所獲取的數(shù)據(jù)來構(gòu)建機(jī)器學(xué)習(xí)模型，所以和其他步驟相比難度更大。在這一步中，問題陳述是至關(guān)重要的一點，因為它會影響對問題的定義和提出的解決方法。網(wǎng)絡(luò)上大部分公開的數(shù)據(jù)集都是基于某一個問題收集的，因此解決問題的能力就尤為重要。而且，由于沒有某個特定的算法最適合自己，你需要在多種算法中進(jìn)行選擇，考慮數(shù)據(jù)適合用回歸、分類、聚類還是降維算法。

選擇算法經(jīng)常是一件讓人頭疼的事。讀者可以使用SciKit learn算法選擇路徑圖來記錄追蹤哪個算法的性能最優(yōu)。下圖展示了一張SciKit  learn的路徑圖：

不難猜出，建模時最常用的庫是：

(1) SciKit learn

SciKit learn是Python中一個便于使用的構(gòu)建機(jī)器學(xué)習(xí)模型的庫。它是基于NumPy、SciPy和Matplotlib開發(fā)的。

導(dǎo)入scikit learn：

import sklearn

安裝scikit learn：

pip install -U scikit-learn

5. 呈現(xiàn)數(shù)據(jù)

這是數(shù)據(jù)科學(xué)的最后一步，也是很多人不想做的一步——畢竟沒有人想要公開發(fā)表他們的數(shù)據(jù)發(fā)現(xiàn)。呈現(xiàn)數(shù)據(jù)也是有法可循的，并且這個方法極為重要，因為無論如何，成果最終還是要向人們展示的。而且由于人們并不關(guān)心所使用的的算法，他們只關(guān)心結(jié)果，所以展示還要做到簡潔明了。

同時，安裝如下指令給notebook配備展示選項：

pip install RISE

“怎么使用Python庫”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！