<Python数据分析实战Tricks个人总结>

Python数据分析实战Tricks总结

matplotlib & seaborn 可视化

matplotlib 图内中文乱码显示：

• 在最开始处加上以下代码：

# plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
# plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

词云可视化

• 词云：只是简单根据词频进行可视化展示，没有去除停用词等

from wordcloud import WordCloud
# greatcloud = WordCloud(width=2400,height=1400,relative_scaling=.5).generate(str(sub_df['review_body']))
# plt.imshow(greatcloud,interpolation='bilinear')
# plt.axis('off')
# plt.show()

相关性图 / 变量分布图 / 箱线图

• 图像详细可参考：Python统计分析可视化库seaborn

• 多属性相关性：

  • 协相关矩阵（各个相关系数，默认皮尔逊）
  • sns.pariplot：分布图+相关点图 - 还可以根据不同索引画在一张图上
  • sns.heatmap：相关性热力图（适合多变量相比，因为相关性最低的区域一定是黑色），协相关矩阵的可视化表达
  • sns.clustermap：分层相关性热力图，了解不多
  • sns.PairGrid：网格化相关性图，可以分别在上中下使用不同的图像类型

• 单个属性的分布：

  • sns.distplot：分布图+参数拟合（kde=False，则不展现拟合线）
  • sns.countplot：计数分布图（离散型数据）
  • sns.rugplot：展示原始的数据离散分布（dist是域分布，这里是边缘分布，更加实际离散）
  • sns.kdeplot：内核密度估计图，也显示了统计分布

• 两两属性的相关性图：

  • sns.joinplot：相关分布图（数值与数值型）

    • kind：默认，点图
    • kind：'hex'，深度频次图
    • kind：'reg'，点图+简单回归线
    • kind：‘kde’，核密度分布图

  • sns.boxplot：箱线图（hue也可以加上不同属性对应的箱线图）（以下都是数值与离散值型）

  • sns.voilinplot：小提琴图，结合了boxplot图和密度痕迹，也可以用hue表示不同属性对应图

  • sns.stripplot：离散散点图，hue属性

  • sns.swarmplot：与stripplot类似，但是他不会重叠数据点，stripplot会重叠一样的数据

  • sns.factorplot：类似与PairGrid，可以显示任何想要的图像类型

sns.pairplot(tips) 
sns.pairplot(tips ,hue ='sex', markers=["o", "s"]) # markers颜色
sns.heatmap(tips.corr())
sns.clustermap(tips.corr())

g = sns.PairGrid(tips)
g.map_diag(sns.distplot)
g.map_upper(plt.scatter)
g.map_lower(sns.kdeplot)

sns.distplot(tips['total_bill'])
sns.distplot(tips['total_bill'],kde = False)
sns.countplot(x = 'smoker', data = tips)
sns.rugplot(tips['total_bill'])
sns.kdeplot(tips['total_bill'], shade=True)

sns.jointplot(x = 'total_bill', y = 'tip', data = tips)
sns.jointplot(x = 'total_bill', y = 'tip', data = tips ,kind = 'hex')
sns.jointplot(x = 'total_bill', y = 'tip', data = tips ,kind = 'reg')
sns.jointplot(x = 'total_bill', y = 'tip', data = tips ,kind = 'kde')

sns.boxplot(x = 'day', y= 'total_bill', data = tips)
sns.boxplot(x = 'day', y= 'total_bill', data = tips, hue = 'sex')
sns.violinplot(x = 'day', y= 'total_bill', data = tips)
sns.violinplot(x = 'day', y= 'total_bill', data = tips, hue = 'sex', split = True)
sns.stripplot(x = 'day', y = 'total_bill', data = tips)
sns.stripplot(x = 'day', y = 'total_bill', data = tips, jitter= True,hue = 'sex', dodge = True)
sns.swarmplot(x = 'day', y = 'total_bill', data = tips)
sns.factorplot(x = 'day', y = 'total_bill', kind = 'box', data = tips)

pandas & numpy 数据分析

数据集描述：

• 数据集统计描述：

df.describe()

• 数据集查看变量信息和缺失情况：

df.info()

• 更深度的数据集描述报告：
  • 详细可参考：pandas_profiling：一行代码生成你的数据分析报告

profile = df.profile_repor(title = "Dataset Report")
profile.to_file(output_file = Path("./dataset_report.html"))

数据集初步处理

• 去重复值：drop_duplicates()

df = df.drop_duplicates()

• 空值处理：
  • pd.isna() / pd.isnull() / nnp.isnan() / Series=Series（前三nan为True，后者nan为False） - 返回布尔矩阵
  • dropna() 删除NaN
  • fillna() 设置NaN值

df.dropna() #NaN行
df.dropna(axis=1) #NaN列
dropna(how='all')
df.fillna(0)
df.fillna(method="bfill/ffill") # 向后填充/向前填充
df.fillna({"column1":1, "column2":0})

• 换值处理：replace

df['column'].replace({11:22}) #注意inplace

• 计数统计：
  • count()：按顺序统计
  • value_counts()：按排序统计
  • cumsum()：样本值累计和 - 应用：按时间轴变化图

df['column'].count()
df.count() ## axis=1按列，相当于统计非NaN值
df['column'].value_counts()
df['column'].cumsum()

• 区间映射：将xmin-xmax区间映射到a,b区间

Xmin = np.min(x_scale)
Xmax = np.max(x_scale)
#将数据映射到[2,8]区间 即a=2，b=8
a = 2
b = 8
y_scale = a + (b-a)/(Xmax-Xmin)*(x_scale-Xmin)

格式变换

• 读取数据集时，数值型变量一开始都是str，需要转换成float：

df['column'] = df['column'].astype('float')

• str转datetime/timestamp：

df['time'] = pd.to_datetime(df['time'],format = ''%m/%d/%Y'')  # str='02/12/2015'

• timestamp转datetime：因为timestamp不能进行计算，需要要转datetime

datetime.strptime(df.loc[:]['time'].strftime('%Y-%m-%d %H:%M:%S'),"%Y-%m-%d %H:%M:%S")

简单tricks

• for循环进度条：tqdm
  • from tqdm import tqdm

from tqdm import tqdm
for i in tqdm(range(len(temp))):
	pass

• 需要对每行进行遍历计算：
  • 使用apply：时间比较长而且不知道进度
  • 使用for：一般习惯使用，每行计算结果append入列表最后转为一列

res = []
for i in ..:
	...
	res.append()
df['new_column'] = pd.Series(res)

• 删除行删除列：

  • df.drop([...], axis=0/1, inplace=True)

• 索引行索引列：

  • df.loc[行][列]
  • df[列][行]

• 深拷贝：df.copy(deep=True

• 找满足某个条件的行：

# 选出所有好评评论
querySer = df.loc[:,'star'] >= 4 
df_good = df.loc[querySer,:]

• 统计不同的某列下的一些情况：groupby聚合

# 不同产品下各有多少条评论
# sub_df = pd.DataFrame(df_good.groupby(["product_id"],sort=True)["star"].size()).reset_index()

数据集初步分析 - 举例

• 题目：选出获得好评最多的淘宝产品
  • 选出所有好评的评论
  • 根据产品进行聚合
  • 按好评数目降序排列

# 选出所有好评评论
querySer = df.loc[:,'star'] >= 4
df_good = df.loc[querySer,:]
# 根据产品进行聚合 - 聚合的size，就是以'product_id'索引下的条目数
# sub_df = pd.DataFrame(df_good.groupby(["product_id"],sort=True)["star"].size()).reset_index()
# 列重命名
# NameDict = {'product_id':'好评数'}
# sub_df.rename(columns = NameDict,inplace=True)
# 按好评数降序排列
# sub_df=sub_df.sort_values(by='好评数',ascending=False ,na_position='first')
# 取前5结果
sub.df.head(5)

• 题目：1-5星评论占比与分布
  • 根据星级进行聚合
  • 计算占比
  • 分布图

#按星级进行聚合 - 因为是星级数量，所以也是size
# sub2_df = pd.DataFrame(df.groupby(["star"],sort=True)["product_id"].size()).reset_index()
#列重命名
# NameDict = {'product_id':'Review_Number'}
# sub2_df.rename(columns = NameDict,inplace=True)
# sub2_df
# a=sub2_df.loc[:,'Review_Number'].sum()
#定义新列
# aDf = pd.DataFrame()
# aDf['Percentage']=sub2_df['Review_Number']/a
# sub2_df = pd.concat([sub2_df,aDf],axis=1)
# sub2_df

# 画星级与评论数占比图
# sub2_df.plot(x='star',y=u'Percentage',kind='bar')
# plt.show()

• 题目：写出帮助票数最多的用户/评论

sub_df = df.sort_values(by='helpful_votes',ascending=False)

• 题目：各个产品评论数量与平均星级之间的关系

sub['num'] = pd.DataFrame(sub1.groupby(["product_id"],sort=True)["star"].size())
sub['mean'] = pd.DataFrame(sub1.groupby(["product_id"],sort=True)["star"].mean())
sub[['num','mean']].corr()

Scikit-learn 等算法模型包

LDA 文本主题模型

• 详细可参考：用scikit-learn学习LDA主题模型

• LDA七个变种类型的文本聚类方法（仍然是Topic Model）：【NLP】目前有比Topic Model更先进的聚类方式么？比如针对短文本的、加入情感分析的？

import nltk #nltk英文分词 / jieba中文分词
from tqdm import tqdm
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation


#从文件导入停用词表
stpwrdpath = "stop_words_english.txt"
stpwrd_dic = open(stpwrdpath, 'rb')
stpwrd_content = stpwrd_dic.read()
#将停用词表转换为list  
stpwrdlst = stpwrd_content.splitlines()
stpwrd_dic.close()
cntVector = CountVectorizer(stop_words=stpwrdlst)

# 整合所有评论分词
corpus = []
for i in tqdm(range(len(mc))):
    text = nltk.word_tokenize(mc.loc[i]['review_body'])
    corpus.append(' '.join(text))
    
# 获取词频向量
cntTf = cntVector.fit_transform(corpus)
# print(cntTf)


# 输出选取词特征
vocs = cntVector.get_feature_names()
# print('主题词袋：', len(vocs))
# print(vocs)


# 主题模型
lda = LatentDirichletAllocation(n_topics=6,
                                learning_method='online',
                                learning_offset=50.,
                                random_state=0)
docres = lda.fit_transform(cntTf)

# 类别所属概率
LDA_corpus = np.array(docres)
# print('类别所属概率:
', LDA_corpus)
# print(len(LDA_corpus))

# 每篇文章中对每个特征词的所属概率矩阵：list长度等于分类数量
# print('主题词所属矩阵：
', lda.components_)
# 构建一个零矩阵
LDA_corpus_one = np.zeros([LDA_corpus.shape[0]])
# 对比所属两个概率的大小，确定属于的类别：
LDA_corpus_one[LDA_corpus[:, 0] < LDA_corpus[:, 1]] = 1
# print('所属类别：', LDA_corpus_one)
 
# 打印每个单词的主题的权重值
tt_matrix = lda.components_
id = 0
for tt_m in tt_matrix:
    tt_dict = [(name, tt) for name, tt in zip(vocs, tt_m)]
    tt_dict = sorted(tt_dict, key=lambda x: x[1], reverse=True)
    # 打印每个类别前5个主题词：
    tt_dict = tt_dict[:5]
    print('主题%d:' % (id), tt_dict)
    id += 1

nlp 情感分析

• 详细参考：自然语言处理的情感分析之TextBlob& SnowNLP
• TextBlob包 - 英文情感分析（开源）
  • 中间分词用的nltk

from textblob import TextBlob
text = "I am happy today. I feel sad today."
blob = TextBlob(text)
#分句
blob = blob.sentences
print(blob)
 
#第一句的情感分析
first = blob.sentences[0].sentiment
print(first)
#第二句的情感分析
second = blob.sentences[1].sentiment
print(second)
#总的
all= blob.sentiment
print(all)

• SnowNLP包 - 中文情感分析（开源）
  • 针对中文，所有算法都是自己实现的，并且自带了一些训练好的字典

from snownlp import SnowNLP
 
s = SnowNLP(u'这个东西真心赞')
s1=SnowNLP(u'还是很 设施也不错但是 和以前 比急剧下滑了 和客房 的服务极差幸好我不是很在乎')
 
s.words         # [u'这个', u'东西', u'真心',
                #  u'很', u'赞']
print(s.words)
 
s.tags          # [(u'这个', u'r'), (u'东西', u'n'),
                #  (u'真心', u'd'), (u'很', u'd'),
                #  (u'赞', u'Vg')]
print(s.tags)
p =s.sentiments    # 0.9769663402895832 positive的概率
print(p)
print(s1.sentiments)

PCA 降维

X = df.copy(deep=True)
pca = PCA(n_components=1)	# 降维维度k
newX = pca.fit_transform(X)
# print(newX)
newX = pd.DataFrame(newX)