Python 數(shù)據(jù)科學(xué)入門
無(wú)論你是一個(gè)具有數(shù)學(xué)或計(jì)算機(jī)科學(xué)背景的資深數(shù)據(jù)科學(xué)愛(ài)好者，還是一個(gè)其它領(lǐng)域的專家，數(shù)據(jù)科學(xué)提供的可能性都在你力所能及的范圍內(nèi)，而且你不需要昂貴的，高度專業(yè)化的企業(yè)級(jí)軟件。本文中討論的開(kāi)源工具就是你入門時(shí)所需的全部?jī)?nèi)容。
Python，其機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)庫(kù)（pandas、?Keras、?TensorFlow、?scikit-learn、?SciPy、?NumPy?等），以及大量可視化庫(kù)（Matplotlib、pyplot、?Plotly?等）對(duì)于初學(xué)者和專家來(lái)說(shuō)都是優(yōu)秀的自由及開(kāi)源軟件工具。它們易于學(xué)習(xí)，很受歡迎且受到社區(qū)支持，并擁有為數(shù)據(jù)科學(xué)而開(kāi)發(fā)的最新技術(shù)和算法。它們是你在開(kāi)始學(xué)習(xí)時(shí)可以獲得的最佳工具集之一。
許多 Python 庫(kù)都是建立在彼此之上的（稱為依賴項(xiàng)），其基礎(chǔ)是?NumPy?庫(kù)。NumPy 專門為數(shù)據(jù)科學(xué)設(shè)計(jì)，經(jīng)常被用于在其 ndarray 數(shù)據(jù)類型中存儲(chǔ)數(shù)據(jù)集的相關(guān)部分。ndarray 是一種方便的數(shù)據(jù)類型，用于將關(guān)系表中的記錄存儲(chǔ)為?cvs?文件或其它任何格式，反之亦然。將 scikit 函數(shù)應(yīng)用于多維數(shù)組時(shí)，它特別方便。SQL 非常適合查詢數(shù)據(jù)庫(kù)，但是對(duì)于執(zhí)行復(fù)雜和資源密集型的數(shù)據(jù)科學(xué)操作，在 ndarray 中存儲(chǔ)數(shù)據(jù)可以提高效率和速度（但請(qǐng)確保在處理大量數(shù)據(jù)集時(shí)有足夠的 RAM）。當(dāng)你使用 pandas 進(jìn)行知識(shí)提取和分析時(shí)，pandas 中的 DataFrame 數(shù)據(jù)類型和 NumPy 中的 ndarray 之間的無(wú)縫轉(zhuǎn)換分別為提取和計(jì)算密集型操作創(chuàng)建了一個(gè)強(qiáng)大的組合。
作為快速演示，讓我們啟動(dòng) Python shell 并在 pandas DataFrame 變量中加載來(lái)自巴爾的摩的犯罪統(tǒng)計(jì)數(shù)據(jù)的開(kāi)放數(shù)據(jù)集，并查看加載的一部分 DataFrame：
1 2 3 | >>> ?import pandas as pd >>> ?crime_stats =?pd.read_csv('BPD_Arrests.csv') >>> ?crime_stats.head() |
我們現(xiàn)在可以在這個(gè) pandas DataFrame 上執(zhí)行大多數(shù)查詢，就像我們可以在數(shù)據(jù)庫(kù)中使用 SQL 一樣。例如，要獲取?Description?屬性的所有唯一值，SQL 查詢是：
1 | $ SELECT unique(“Description”) from crime_stats; |
利用 pandas DataFrame 編寫(xiě)相同的查詢?nèi)缦滤荆?/p>
1 2 3 4 5 | >>>??crime_stats['Description'].unique() ['COMMON?? ASSAULT'?? 'LARCENY'?? 'ROBBERY?? - STREET'?? 'AGG.?? ASSAULT' 'LARCENY?? FROM?? AUTO'?? 'HOMICIDE'?? 'BURGLARY'?? 'AUTO?? THEFT' 'ROBBERY?? - RESIDENCE'?? 'ROBBERY?? - COMMERCIAL'?? 'ROBBERY?? - CARJACKING' 'ASSAULT?? BY??THREAT'?? 'SHOOTING'?? 'RAPE'?? 'ARSON'] |
它返回的是一個(gè) NumPy 數(shù)組（ndarray 類型）：
1 2 3 | >>>??type(crime_stats['Description'].unique()) <class 'numpy.ndarray'> ? |
接下來(lái)讓我們將這些數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，看看它能多準(zhǔn)確地預(yù)測(cè)使用的武器類型，給出的數(shù)據(jù)包括犯罪事件，犯罪類型以及發(fā)生的地點(diǎn)：
1 2 3 4 5 6 7 8 9 10 | >>>??from?? sklearn.neural_network?? import?? MLPClassifier >>>??import?? numpy?? as np >>> >>>??prediction?? =??crime_stats[[‘Weapon’]] >>>??predictors?? =??crime_stats['CrimeTime',?? ‘CrimeCode’,?? ‘Neighborhood’] >>> >>>??nn_model?? =??MLPClassifier(solver='lbfgs',?? alpha=1e-5,?? hidden_layer_sizes=(5, 2),?? random_state=1) >>> >>>predict_weapon?? =??nn_model.fit(prediction,?? predictors) |
現(xiàn)在學(xué)習(xí)模型準(zhǔn)備就緒，我們可以執(zhí)行一些測(cè)試來(lái)確定其質(zhì)量和可靠性。對(duì)于初學(xué)者，讓我們輸入一個(gè)訓(xùn)練集數(shù)據(jù)（用于訓(xùn)練模型的原始數(shù)據(jù)集的一部分，不包括在創(chuàng)建模型中）：
1 2 | >>>??predict_weapon.predict(training_set_weapons) array([4,?? 4,?? 4,?? ..., 0,?? 4,?? 4]) |
如你所見(jiàn)，它返回一個(gè)列表，每個(gè)數(shù)字預(yù)測(cè)訓(xùn)練集中每個(gè)記錄的武器。我們之所以看到的是數(shù)字而不是武器名稱，是因?yàn)榇蠖鄶?shù)分類算法都是用數(shù)字優(yōu)化的。對(duì)于分類數(shù)據(jù)，有一些技術(shù)可以將屬性轉(zhuǎn)換為數(shù)字表示。在這種情況下，使用的技術(shù)是標(biāo)簽編碼，使用 sklearn 預(yù)處理庫(kù)中的?LabelEncoder?函數(shù)：preprocessing.LabelEncoder()。它能夠?qū)σ粋€(gè)數(shù)據(jù)和其對(duì)應(yīng)的數(shù)值表示來(lái)進(jìn)行變換和逆變換。在這個(gè)例子中，我們可以使用?LabelEncoder()?的?inverse_transform?函數(shù)來(lái)查看武器 0 和 4 是什么:
1 2 | >>>??preprocessing.LabelEncoder().inverse_transform(encoded_weapons) array(['HANDS',?? 'FIREARM',?? 'HANDS',?? ..., 'FIREARM',?? 'FIREARM',?? 'FIREARM'] |
這很有趣，但為了了解這個(gè)模型的準(zhǔn)確程度，我們將幾個(gè)分?jǐn)?shù)計(jì)算為百分比：
1 2 3 | >>>??nn_model.score(X,?? y) 0.81999999999999995 ? |
這表明我們的神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確度約為 82%。這個(gè)結(jié)果似乎令人印象深刻，但用于不同的犯罪數(shù)據(jù)集時(shí)，檢查其有效性非常重要。還有其它測(cè)試來(lái)做這個(gè)，如相關(guān)性、混淆、矩陣等。盡管我們的模型有很高的準(zhǔn)確率，但它對(duì)于一般犯罪數(shù)據(jù)集并不是非常有用，因?yàn)檫@個(gè)特定數(shù)據(jù)集具有不成比例的行數(shù)，其列出?FIREARM?作為使用的武器。除非重新訓(xùn)練，否則我們的分類器最有可能預(yù)測(cè)?FIREARM，即使輸入數(shù)據(jù)集有不同的分布。
在對(duì)數(shù)據(jù)進(jìn)行分類之前清洗數(shù)據(jù)并刪除異常值和畸形數(shù)據(jù)非常重要。預(yù)處理越好，我們的見(jiàn)解準(zhǔn)確性就越高。此外，為模型或分類器提供過(guò)多數(shù)據(jù)（通常超過(guò) 90%）以獲得更高的準(zhǔn)確度是一個(gè)壞主意，因?yàn)樗雌饋?lái)準(zhǔn)確但由于過(guò)度擬合而無(wú)效。
Jupyter notebooks?相對(duì)于命令行來(lái)說(shuō)是一個(gè)很好的交互式替代品。雖然 CLI 對(duì)于大多數(shù)事情都很好，但是當(dāng)你想要運(yùn)行代碼片段以生成可視化時(shí)，Jupyter 會(huì)很出色。它比終端更好地格式化數(shù)據(jù)。
下載文檔
