Cara menggunakan Python untuk menemui corak dalam data

1. Persediaan

Sebelum anda bermula, anda mesti memastikan bahawa Python dan pip telah berjaya dipasang pada komputer anda.

(pilihan 1) Jika anda menggunakan Python untuk analisis data, anda boleh memasang Anaconda secara langsung, yang mempunyai Python dan pip terbina dalam

(pilihan Pilih 2) Di samping itu, anda disyorkan untuk menggunakan editor VSCode, yang mempunyai banyak kelebihan

Sila pilih mana-mana kaedah berikut untuk memasukkan arahan untuk memasang kebergantungan :

1. Buka Cmd (Start-Run-CMD) dalam persekitaran Windows.

2. Persekitaran MacOS Open Terminal (perintah+ruang untuk memasuki Terminal).

3. Jika anda menggunakan editor VSCode atau Pycharm, anda boleh terus menggunakan Terminal di bahagian bawah antara muka.

pip install pandas
pip install numpy
pip install scipy
pip install seaborn
pip install matplotlib

# 机器学习部分
pip install scikit-learn

2. Penerangan statistik dan penemuan corak

Gunakan Python untuk statistik Penerangan boleh menggunakan beberapa perpustakaan terbina dalam seperti Numpy dan Pandas.

Berikut ialah beberapa fungsi perihalan statistik asas:

Min (min): Kira purata set data.

import numpy as np

data = [1, 2, 3, 4, 5]
mean = np.mean(data)
print(mean)

Hasil output ialah: 3.0

Median (median): Kira median bagi set data.

import numpy as np

data = [1, 2, 3, 4, 5]
median = np.median(data)
print(median)

Hasil output ialah: 3.0

Mod (mod): Kira mod set data.

import scipy.stats as stats

data = [1, 2, 2, 3, 4, 4, 4, 5]
mode = stats.mode(data)
print(mode)

Hasil output ialah: ModeResult(mode=array([4]), count=array([3]))

Variance (variance): Kira varians bagi set data.

import numpy as np

data = [1, 2, 3, 4, 5]
variance = np.var(data)
print(variance)

Hasil output ialah: 2.0

Sisihan piawai: Kira sisihan piawai bagi set data.

import numpy as np

data = [1, 2, 3, 4, 5]
std_dev = np.std(data)
print(std_dev)

Hasil keluaran ialah: 1.4142135623730951

Di atas adalah beberapa fungsi penerangan statistik asas yang boleh digunakan. Sila semak dokumen yang sepadan untuk kaedah penggunaan tertentu.

3. Peraturan analisis visualisasi data

Python mempunyai banyak perpustakaan yang boleh digunakan untuk visualisasi data, yang paling biasa digunakan ialah Matplotlib dan Seaborn. Berikut ialah beberapa kaedah visualisasi data asas:

Plot garisan: boleh digunakan untuk menunjukkan arah aliran dari semasa ke semasa atau pembolehubah tertentu.

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.show()

Plot serakan: boleh digunakan untuk menunjukkan hubungan antara dua pembolehubah.

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.scatter(x, y)
plt.show()

Histogram: boleh digunakan untuk menunjukkan taburan data berangka.

import matplotlib.pyplot as plt

data = [1, 2, 2, 3, 4, 4, 4, 5]

plt.hist(data, bins=5)
plt.show()

Plot kotak: boleh digunakan untuk memaparkan maklumat seperti median, kuartil dan outlier data berangka.

import seaborn as sns

data = [1, 2, 2, 3, 4, 4, 4, 5]

sns.boxplot(data)
plt.show()

Carta bar: Boleh digunakan untuk menunjukkan perbezaan atau perbandingan antara pembolehubah kategori.

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D']
values = [10, 20, 30, 40]

plt.bar(categories, values)
plt.show()

Di atas ialah beberapa kaedah visualisasi data asas Kedua-dua Matplotlib dan Seaborn menyediakan fungsi yang lebih kaya yang boleh digunakan untuk mencipta carta dan graf yang lebih kompleks.

4. Pengumpulan dan analisis pengagregatan untuk menemui corak

Dalam Python, perpustakaan panda boleh digunakan untuk mengumpulkan dan mengagregat data dengan mudah untuk menemui corak dalam data. Berikut ialah contoh pengumpulan dan pengagregatan asas:

Andaikan kami mempunyai set data yang mengandungi tarikh jualan, jumlah jualan dan nama jurujual, dan kami ingin mengetahui jumlah jualan bagi setiap jurujual. Kami boleh mengumpulkan mengikut nama jurujual dan menggunakan fungsi agregat seperti jumlah, purata, dsb. pada setiap kumpulan. Berikut ialah kod sampel:

import pandas as pd

# 创建数据集
data = {'sales_date': ['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04', '2022-01-05', '2022-01-06', '2022-01-07', '2022-01-08', '2022-01-09', '2022-01-10'],
        'sales_amount': [100, 200, 150, 300, 250, 400, 350, 450, 500, 600],
        'sales_person': ['John', 'Jane', 'John', 'Jane', 'John', 'Jane', 'John', 'Jane', 'John', 'Jane']}

df = pd.DataFrame(data)

# 按销售员名称分组，并对每个组的销售金额求和
grouped = df.groupby('sales_person')['sales_amount'].sum()

print(grouped)

Hasil output ialah:

sales_person
Jane 2200
John 1800
Nama: sales_amount, dtype: int64

Seperti yang anda lihat, kami telah berjaya mengumpulkan mengikut nama jurujual dan menjumlahkan jumlah jualan untuk setiap kumpulan. Dengan cara ini, kita boleh mencari jumlah jualan setiap jurujual dan memahami corak data.

5. Analisis algoritma pembelajaran mesin dan penemuan corak

Anda boleh menggunakan perpustakaan scikit-lear untuk melaksanakan algoritma pembelajaran mesin dan menemui corak dalam data. Berikut ialah contoh asas yang menunjukkan cara menggunakan algoritma pepohon keputusan untuk mengklasifikasikan data dan menemui corak dalam data:

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 创建数据集
data = {'age': [22, 25, 47, 52, 21, 62, 41, 36, 28, 44],
        'income': [21000, 22000, 52000, 73000, 18000, 87000, 45000, 33000, 28000, 84000],
        'gender': ['M', 'F', 'F', 'M', 'M', 'M', 'F', 'M', 'F', 'M'],
        'bought': ['N', 'N', 'Y', 'Y', 'N', 'Y', 'Y', 'N', 'Y', 'Y']}

df = pd.DataFrame(data)

# 将文本数据转换成数值数据
df['gender'] = df['gender'].map({'M': 0, 'F': 1})
df['bought'] = df['bought'].map({'N': 0, 'Y': 1})

# 将数据集分成训练集和测试集
X = df[['age', 'income', 'gender']]
y = df['bought']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建决策树模型
model = DecisionTreeClassifier()

# 训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy*100))

Hasil output ialah:

Ketepatan: 50.00%

Seperti yang anda lihat, kami menggunakan algoritma pepohon keputusan untuk mengklasifikasikan data dan mengira ketepatan model pada set ujian. Dengan cara ini, kita boleh menemui corak dalam data, seperti faktor yang mempengaruhi keputusan pembelian. Perlu diingatkan bahawa ini hanyalah contoh mudah Dalam aplikasi sebenar, algoritma pembelajaran mesin yang sesuai dan kaedah kejuruteraan ciri perlu dipilih berdasarkan masalah tertentu.

Atas ialah kandungan terperinci Cara menggunakan Python untuk menemui corak dalam data. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!