Python在大數(shù)據(jù)行業(yè)非?；鸨鼉赡?，as a pythonic，所以也得涉足下大數(shù)據(jù)分析，下面就聊聊它們。
所謂數(shù)據(jù)分析，即對已知的數(shù)據(jù)進(jìn)行分析，然后提取出一些有價(jià)值的信息，比如統(tǒng)計(jì)平均數(shù)，標(biāo)準(zhǔn)差等信息，數(shù)據(jù)分析的數(shù)據(jù)量可能不會太大，而數(shù)據(jù)挖掘，是指對大量的數(shù)據(jù)進(jìn)行分析與挖倔，得到一些未知的，有價(jià)值的信息等，比如從網(wǎng)站的用戶和用戶行為中挖掘出用戶的潛在需求信息，從而對網(wǎng)站進(jìn)行改善等。
數(shù)據(jù)分析與數(shù)據(jù)挖掘密不可分，數(shù)據(jù)挖掘是對數(shù)據(jù)分析的提升。數(shù)據(jù)挖掘技術(shù)可以幫助我們更好的發(fā)現(xiàn)事物之間的規(guī)律。所以我們可以利用數(shù)據(jù)挖掘技術(shù)可以幫助我們更好的發(fā)現(xiàn)事物之間的規(guī)律。比如發(fā)掘用戶潛在需求，實(shí)現(xiàn)信息的個性化推送，發(fā)現(xiàn)疾病與病狀甚至病與藥物之間的規(guī)律等。
我們首先聊聊數(shù)據(jù)分析的模塊有哪些：
下面就說說這些模塊的基礎(chǔ)使用。
安裝：
下載地址是：http://www.lfd.uci.edu/~gohlke/pythonlibs/
我這里下載的包是1.11.3版本，地址是：http://www.lfd.uci.edu/~gohlke/pythonlibs/f9r7rmd8/numpy-1.11.3+mkl-cp35-cp35m-win_amd64.whl
下載好后，使用pip install "numpy-1.11.3+mkl-cp35-cp35m-win_amd64.whl"
安裝的numpy版本一定要是帶mkl版本的，這樣能夠更好支持numpy
import numpyx=numpy.array([11,22,33,4,5,6,7,]) #創(chuàng)建一維數(shù)組x2=numpy.array([['asfas','asdfsdf','dfdf',11],['1iojasd','123',989012],["jhyfsdaeku","jhgsda"]]) #創(chuàng)建二維數(shù)組,注意是([])x.sort() #排序，沒有返回值的，修改原處的值，這里等于修改了Xx.max() # 最大值，對二維數(shù)組都管用x.min() # 最小值，對二維數(shù)組都管用x1=x[1:3] # 取區(qū)間，和python的列表沒有區(qū)別主要使用numpy下的random方法。
#numpy.random.random_integers(最小值,最大值,個數(shù)) 獲取的是正數(shù)data = numpy.random.random_integers(1,20000,30) #生成整形隨機(jī)數(shù)#正態(tài)隨機(jī)數(shù) numpy.random.normal(均值,偏離值,個數(shù)) 偏離值決定了每個數(shù)之間的差 ,當(dāng)偏離值大于開始值的時(shí)候，那么會產(chǎn)生負(fù)數(shù)的。data1 = numpy.random.normal(3.2,29.2,10) # 生成浮點(diǎn)型且是正負(fù)數(shù)的隨機(jī)數(shù)使用pip install pandas即可
直接上代碼：
下面看看pandas輸出的結(jié)果， 這一行的數(shù)字第幾列，第一列的數(shù)字是行數(shù)，定位一個通過第一行，第幾列來定位：
print(b) 0 1 2 3 0 1 2 3 4.01 sdaf dsaf 18hd NaN2 1463 None None NaN常用方法如下：
import pandasa=pandas.Series([1,2,3,34,]) # 等于一維數(shù)組b=pandas.DataFrame([[1,2,3,4,],["sdaf","dsaf","18hd"],[1463]]) # 二維數(shù)組print(b.head()) # 默認(rèn)取頭部前5行,可以看源碼得知print(b.head(2)) # 直接傳入?yún)?shù)，如我寫的那樣print(b.tail()) # 默認(rèn)取尾部前后5行print(b.tail(1)) # 直接傳入?yún)?shù)，如我寫的那樣下面看看pandas對數(shù)據(jù)的統(tǒng)計(jì)，下面就說說每一行的信息
# print(b.describe()) # 顯示統(tǒng)計(jì)數(shù)據(jù)信息 3 # 3表示這個二維數(shù)組總共多少個元素count 1.0 # 總數(shù)mean 4.0 # 平均數(shù)std NaN # 標(biāo)準(zhǔn)數(shù)min 4.0 # 最小數(shù)25% 4.0 # 分位數(shù)50% 4.0 # 分位數(shù)75% 4.0 # 分位數(shù)max 4.0 # 最大值轉(zhuǎn)置功能：把行數(shù)轉(zhuǎn)換為列數(shù)，把列數(shù)轉(zhuǎn)換為行數(shù)，如下所示：
print(b.T) # 轉(zhuǎn)置 0 1 2 0 1 sdaf 14631 2 dsaf None2 3 18hd None3 4 NaN NaNpandas支持多種輸入格式，我這里就簡單羅列日常生活最常用的幾種，對于更多的輸入方式可以查看源碼后者官網(wǎng)。
csv文件導(dǎo)入后顯示輸出的話，是按照csv文件默認(rèn)的行輸出的，有多少列就輸出多少列，比如我有五列數(shù)據(jù)，那么它就在prinit輸出結(jié)果的時(shí)候，就顯示五列
csv_data = pandas.read_csv('F:\Learnning\CSDN-python大數(shù)據(jù)\hexun.csv')print(csv_data)依賴于xlrd模塊，請安裝它。
老樣子，原滋原味的輸出顯示excel本來的結(jié)果，只不過在每一行的開頭加上了一個行數(shù)
excel_data = pandas.read_excel('F:\Learnning\CSDN-python大數(shù)據(jù)\cxla.xls')print(excel_data)依賴于PyMySQL，所以需要安裝它。pandas把sql作為輸入的時(shí)候，需要制定兩個參數(shù)，第一個是sql語句，第二個是sql連接實(shí)例。
conn=pymysql.connect(host="127.0.0.1",user="root",passwd="root",db="test")sql="select * from fortest"e=pda.read_sql(sql,conn)依賴于lxml模塊，請安裝它。
對于HTTPS的網(wǎng)頁，依賴于BeautifulSoup4，html5lib模塊。
讀取HTML只會讀取HTML里的表格，也就是只讀取<table>標(biāo)簽包裹的內(nèi)容.
html_data = pandas.read_html('F:\Learnning\CSDN-python大數(shù)據(jù)\shitman.html') # 讀取本地html文件。html_from_online = pandas.read_html('https://book.douban.com/') # 讀取互聯(lián)網(wǎng)的html文件print(html_data)print('html_from_online')顯示的是時(shí)候是通過python的列表展示，同時(shí)添加了行與列的標(biāo)識
輸出顯示的時(shí)候同時(shí)添加了行與列的標(biāo)識
text_data = pandas.read_table('F:\Learnning\CSDN-python大數(shù)據(jù)\dforsay.txt')print(text_data)安裝方法是先下載whl格式文件，然后通過pip install “包名” 安裝。whl包下載地址是：http://www.lfd.uci.edu/~gohlke/pythonlibs/f9r7rmd8/scipy-0.18.1-cp35-cp35m-win_amd64.whl
我們安裝這個模塊直接使用pip install即可。不需要提前下載whl后通過 pip install安裝。
下面請看代碼：
from matplotlib import pylabimport numpy# 下面2行定義X軸，Y軸x=[1,2,3,4,8]y=[1,2,3,4,8]# plot的方法是這樣使用（x軸數(shù)據(jù),y軸數(shù)據(jù),展現(xiàn)形式）pylab.plot(x,y) # 先把x,y軸的信息塞入pylab里面，再調(diào)用show方法來畫圖pylab.show() # 這一步開始畫圖,默認(rèn)是至線圖畫出的圖是這樣的：
- 直線* 星形我們還可以對圖稍作修改，添加一些樣式，下面修改圓點(diǎn)圖為紅色的點(diǎn)，代碼如下：
pylab.plot(x,y,'or') # 添加O表示畫散點(diǎn)圖，r表示redpylab.show()
我們還可以畫虛線圖，代碼如下所示：
pylab.plot(x,y,'r:')pylab.show()還可以給圖添加上標(biāo)題，x，y軸的標(biāo)簽,代碼如下所示
pylab.plot(x,y,'pr--') #p是圖形為五角星，r為紅色，--表示虛線pylab.title('for learnning') # 圖形標(biāo)題pylab.xlabel('args') # x軸標(biāo)簽pylab.ylabel('salary') # y軸標(biāo)簽pylab.xlim(2) # 從y軸的2開始做線pylab.show()
利用直方圖能夠很好的顯示每一段的數(shù)據(jù)。下面使用隨機(jī)數(shù)做一個直方圖。
data1 = numpy.random.normal(5.0,4.0,10) # 正態(tài)隨機(jī)數(shù)pylab.hist(data1)pylab.show()
圖形區(qū)別語言無法描述很詳細(xì)，大家可以自信嘗試。
舉個例子：
sty=numpy.arange(1,30,2)pylab.hist(data1,histtype='stepfilled')pylab.show() 
什么是子圖功能呢？子圖就是在一個大的畫板里面能夠顯示多張小圖，每個一小圖為大畫板的子圖。
我們知道生成一個圖是使用plot功能，子圖就是subplog。代碼操作如下：
#subplot(行,列,當(dāng)前區(qū)域)pylab.subplot(2,2,1) # 申明一個大圖里面劃分成4塊（即2*2），子圖使用第一個區(qū)域（坐標(biāo)為x=1,y=1）pylab.subplot(2,2,2) # 申明一個大圖里面劃分成4塊（即2*2），子圖使用第二個區(qū)域（坐標(biāo)為x=2,y=2）x1=[1,4,6,9]x2=[3,21,33,43]pylab.plot(x1,x2) # 這個plot表示把x,y軸數(shù)據(jù)塞入前一個子圖中。我們可以在每一個子圖后使用plot來塞入x,y軸的數(shù)據(jù)pylab.subplot(2,1,2) # 申明一個大圖里面劃分成2塊（即），子圖使用第二個區(qū)域（坐標(biāo)為x=1,y=2）pylab.show()
我們現(xiàn)在可以通過一堆數(shù)據(jù)來繪圖，根據(jù)圖能夠很容易的發(fā)現(xiàn)異常。下面我們就通過一個csv文件來實(shí)踐下，這個csv文件是某個網(wǎng)站的文章閱讀數(shù)與評論數(shù)。
先說說這個csv的文件結(jié)構(gòu)，第一列是序號，第二列是每篇文章的URL，第三列每篇文章的閱讀數(shù)，第四列是每篇評論數(shù)。
我們的需求就是把評論數(shù)作為Y軸，閱讀數(shù)作為X軸，所以我們需要獲取第三列和第四列的數(shù)據(jù)。我們知道獲取數(shù)據(jù)的方法是通過pandas的values方法來獲取某一行的值，在對這一行的值做切片處理，獲取下標(biāo)為3（閱讀數(shù)）和4（評論數(shù)）的值，但是，這里只是一行的值，我們需要是這個csv文件下的所有評論數(shù)和閱讀數(shù)，那怎么辦？聰明的你會說，我自定義2個列表，我遍歷下這個csv文件，把閱讀數(shù)和評論數(shù)分別添加到對應(yīng)的列表里，這不就行了嘛。呵呵，其實(shí)有一個更快捷的方法，那么就是使用T轉(zhuǎn)置方法，這樣再通過values方法，就能直接獲取這一評論數(shù)和閱讀數(shù)了，此時(shí)在交給你matplotlib里的pylab方法來作圖，那么就OK了。了解思路后，那么就寫吧。
下面看看代碼：
csv_data = pandas.read_csv('F:\Learnning\CSDN-python大數(shù)據(jù)\hexun.csv')dt = csv_data.T # 裝置下，把閱讀數(shù)和評論數(shù)轉(zhuǎn)為行readers=dt.values[3] comments = dt.values[4]pylab.xlabel(u'reads')pylab.ylabel(u'comments') # 打上標(biāo)簽pylab.title(u"The Article's reads and comments")pylab.plot(readers,comments,'ob')pylab.show()