Python 數(shù)據(jù)科學入門
無論你是一個具有數(shù)學或計算機科學背景的資深數(shù)據(jù)科學愛好者，還是一個其它領(lǐng)域的專家，數(shù)據(jù)科學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)級軟件。本文中討論的開源工具就是你入門時所需的全部內(nèi)容。
Python，其機器學習和數(shù)據(jù)科學庫（pandas、?Keras、?TensorFlow、?scikit-learn、?SciPy、?NumPy?等），以及大量可視化庫（Matplotlib、pyplot、?Plotly?等）對于初學者和專家來說都是優(yōu)秀的自由及開源軟件工具。它們易于學習，很受歡迎且受到社區(qū)支持，并擁有為數(shù)據(jù)科學而開發(fā)的最新技術(shù)和算法。它們是你在開始學習時可以獲得的最佳工具集之一。
許多 Python 庫都是建立在彼此之上的（稱為依賴項），其基礎(chǔ)是?NumPy?庫。NumPy 專門為數(shù)據(jù)科學設(shè)計，經(jīng)常被用于在其 ndarray 數(shù)據(jù)類型中存儲數(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)系表中的記錄存儲為?cvs?文件或其它任何格式，反之亦然。將 scikit 函數(shù)應用于多維數(shù)組時，它特別方便。SQL 非常適合查詢數(shù)據(jù)庫，但是對于執(zhí)行復雜和資源密集型的數(shù)據(jù)科學操作，在 ndarray 中存儲數(shù)據(jù)可以提高效率和速度（但請確保在處理大量數(shù)據(jù)集時有足夠的 RAM）。當你使用 pandas 進行知識提取和分析時，pandas 中的 DataFrame 數(shù)據(jù)類型和 NumPy 中的 ndarray 之間的無縫轉(zhuǎn)換分別為提取和計算密集型操作創(chuàng)建了一個強大的組合。
作為快速演示，讓我們啟動 Python shell 并在 pandas DataFrame 變量中加載來自巴爾的摩的犯罪統(tǒng)計數(shù)據(jù)的開放數(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 pandas DataFrame 上執(zhí)行大多數(shù)查詢，就像我們可以在數(shù)據(jù)庫中使用 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 NumPy 數(shù)組（ndarray 類型）：
1 2 3 | >>>??type(crime_stats['Description'].unique()) <class 'numpy.ndarray'> ? |
接下來讓我們將這些數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，看看它能多準確地預測使用的武器類型，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：
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)在學習模型準備就緒，我們可以執(zhí)行一些測試來確定其質(zhì)量和可靠性。對于初學者，讓我們輸入一個訓練集數(shù)據(jù)（用于訓練模型的原始數(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，它返回一個列表，每個數(shù)字預測訓練集中每個記錄的武器。我們之所以看到的是數(shù)字而不是武器名稱，是因為大多數(shù)分類算法都是用數(shù)字優(yōu)化的。對于分類數(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)是標簽編碼，使用 sklearn 預處理庫中的?LabelEncoder?函數(shù)：preprocessing.LabelEncoder()。它能夠?qū)σ粋€數(shù)據(jù)和其對應的數(shù)值表示來進行變換和逆變換。在這個例子中，我們可以使用?LabelEncoder()?的?inverse_transform?函數(shù)來查看武器 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，但為了了解這個模型的準確程度，我們將幾個分數(shù)計算為百分比：
1 2 3 | >>>??nn_model.score(X,?? y) 0.81999999999999995 ? |
這表明我們的神經(jīng)網(wǎng)絡(luò)模型準確度約為 82%。這個結(jié)果似乎令人印象深刻，但用于不同的犯罪數(shù)據(jù)集時，檢查其有效性非常重要。還有其它測試來做這個，如相關(guān)性、混淆、矩陣等。盡管我們的模型有很高的準確率，但它對于一般犯罪數(shù)據(jù)集并不是非常有用，因為這個特定數(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。除非重新訓練，否則我們的分類器最有可能預測?FIREARM，即使輸入數(shù)據(jù)集有不同的分布。
在對數(shù)據(jù)進行分類之前清洗數(shù)據(jù)并刪除異常值和畸形數(shù)據(jù)非常重要。預處理越好，我們的見解準確性就越高。此外，為模型或分類器提供過多數(shù)據(jù)（通常超過 90%）以獲得更高的準確度是一個壞主意，因為它看起來準確但由于過度擬合而無效。
Jupyter notebooks?相對于命令行來說是一個很好的交互式替代品。雖然 CLI 對于大多數(shù)事情都很好，但是當你想要運行代碼片段以生成可視化時，Jupyter 會很出色。它比終端更好地格式化數(shù)據(jù)。
下載文檔
