编程界的“头牌”名媛：Python，14个与数据科学的“暧昧情事”

摘要：安装安装用于数据科学的的最佳方法是使用发行版。但这只是展示了构建数据科学问题的不同方式中的机器学习这是一个重要的主题，机器学习正在风靡世界，是数据科学家工作的重要组成部分。

作为编程界的“头牌”名媛，Python平易近人的态度和精明婉约的灵动深得各个大佬欢心。比如：人工智能、web开发、爬虫、系统运维、数据分析与计算等等。这几位风流多金的行业精英随便哪个都能“逆转未来”。

本文为你精心准备了一段Python与数据科学的“暧昧史”——用Python进行数据科学概述，包括Numpy，Scipy，pandas，Scikit-Learn，XGBoost，TensorFlow和Keras等模块、包、库的用法。

1. 为何选择Python?

Python作为一种语言，十项全能，易于学习，安装简单。同时有很多扩展，非常适合进行数据科学研究。像Google、Instagram、Youtube、Reddit等明星网站都在用Python搭建核心业务。

Python不仅仅用于数据科学，还使用Python来做更多的工作——如编写脚本、构建API、构建网站等等。

关于Python的几点重要事项需要注意。

目前，有两种常用的Python版本。它们是版本2和3。大多数教程和本文将默认使用的是Python的最新版本Python 3。但有时会遇到使用Python 2的书籍或文章。版本之间的差异并不大，但有时在运行版本3时复制和粘贴版本2代码将无法正常工作，因此需要进行一些轻微的编辑。

要注意Python十分介意空白的地方(即空格和返回字符)。如果把空格放在错误的地方，程序很可能会产生错误。

与其他语言相比，Python不需要管理内存，也有良好的社区支持。

2. 安装Python

安装用于数据科学的Python的最佳方法是使用Anaconda发行版。

Anacoda有你使用Python进行数据科学研究所需的资料，包括将在本文中介绍的许多软件包。

单击Products - > Distribution并向下滚动，可以看到适用于Mac，Windows和Linux的安装程序。即使Mac上已经有Python，也应该考虑安装Anaconda发行版，因为有利于安装其他软件包。

此外，还可以去官方Python网站下载安装程序。

包管理器：

包是一段Python代码，而不是语言的一部分，包对于执行某些任务非常有帮助。通过包，我们可以复制并粘贴代码，然后将其放在Python解释器(用于运行代码)可以找到的地方。

但这很麻烦，每次启动新项目或更新包时都必须进行内容的复制和粘贴操作。因此，我们可以使用包管理器。Anaconda发行版中自带包管理器。如果没有，建议安装pip。

无论选择哪一个，都可以在终端(或命令提示符)上使用命令轻松安装和更新软件包。

3. 使用Python进行数据科学研究

Python迎合许多不同开发人员的技术要求(Web开发人员，数据分析师，数据科学家)，因此使用该语言具有很多不同的编程方法。

Python是一种解释型语言，不必将代码编译成可执行文件，只需将包含代码的文本文档传递给解释器即可。

快速浏览一下与Python解释器交互的不同方法吧。

(1) 在终端

如果打开终端(或命令提示符)并键入单词"Python"，将启动一个shell会话。可以在对话中输入有效的Python命令，以实现相应的程序操作。

这可以是快速调试某些东西的好方法，但即使是一个小项目，在终端中调试也很困难。

(2) 使用文本编辑器

如果你在文本文件中编写一系列Python命令并使用.py扩展名保存它，则可以使用终端导航到该文件，并通过输入python YOUR_FILE_NAME.py来运行该程序。

这与在终端中逐个输入命令基本相同，只是更容易修复错误并更改程序的功能。
大家在学python的时候肯定会遇到很多难题，以及对于新技术的追求，这里推荐一下我们的Python学习扣qun：784758214，这里是python学习者聚集地！

(3) 在IDE中

IDE是一种专业级软件，可以进行软件项目管理。

IDE的一个好处是，使用调试功能可以告诉你在尝试运行程序之前出错的位置。

某些IDE附带了项目模板(用于特定任务)，你可以使用这些模板根据最佳实践设置项目。

(4) Jupyter Notebooks

这些方法都不是用python进行数据科学的最佳方式，最好是使用Jupyter Notebooks。

Jupyter Notebooks使你能够一次运行一“块”代码，这意味着你可以在决定下一步做什么之前看到输出信息-这在数据科学项目中非常重要，我们经常需要在获取输出之前查看图表。

如果你正在使用Anaconda，且已经安装了Jupyter lab。要启动它，只需要在终端中输入"jupyter lab"即可。

如果正在使用pip，则必须使用命令"python pip install jupyter"安装Jupyter lab。

4. Python中的数字计算

NumPy软件包中包含许多有用的函数，用于执行数据科学工作所需的数学运算。

它作为Anaconda发行版的一部分安装，并且使用pip安装，就像安装Jupyter Notbooks一样简单("pip install numpy")。

我们在数据科学中需要做的最常见的数学运算是矩阵乘法，计算向量的点积，改变数组的数据类型以及创建数组!

以下是如何将列表编入NumPy数组的方法：

以下是如何在NumPy中进行数组乘法和计算点积的方法：

以下是如何在NumPy中进行矩阵乘法：

5. Python中的统计分析

Scipy包中包含专门用于统计的模块(包的代码的子部分)。

你可以使用"from scipy import stats"命令将其导入(在程序中使其功能可用)到你的笔记本中。该软件包包含计算数据统计测量、执行统计测试、计算相关性、汇总数据和研究各种概率分布所需的一切。

以下是使用Scipy快速访问数组的汇总统计信息(最小值，最大值，均值，方差，偏斜和峰度)的方法：

6. Python中的数据操作

数据科学家必须花费大量的时间来清理和整理数据。幸运的是，Pandas软件包可以帮助我们用代码而不是手工来完成这项工作。

使用Pandas执行的最常见任务是从CSV文件和数据库中读取数据。

它还具有强大的语法，可以将不同的数据集组合在一起(数据集在Pandas中称为DataFrame)并执行数据操作。

使用.head方法查看DataFrame的前几行：

使用方括号选择一列：

通过组合其他列来创建新列：

7. 在Python中使用数据库

为了使用pandas read_sql方法，必须提前建立与数据库的连接。

连接数据库最安全的方法是使用Python的SQLAlchemy包。

SQL本身就是一种语言，并且连接到数据库的方式取决于你正在使用的数据库。

8. Python中的数据工程

有时我们倾向于在数据作为Pandas DataFrame形式到达我们的项目之前，对其进行一些计算。

如果你正在使用数据库或从Web上抓取数据(并将其存储在某处)，那么移动数据并对其进行转换的过程称为ETL(提取，转换，加载)。

你从一个地方提取数据，对其进行一些转换(通过添加数据来总结数据，查找均值，更改数据类型等)，然后将其加载到可以访问的位置。

有一个非常酷的工具叫做Airflow，它非常善于帮助管理ETL工作流程。更好的是，它是用Python编写的，由Airbnb开发。
大家在学python的时候肯定会遇到很多难题，以及对于新技术的追求，这里推荐一下我们的Python学习扣qun：784758214，这里是python学习者聚集地！

9. Python中的大数据工程

有时ETL过程可能非常慢。如果你有数十亿行数据(或者如果它们是一种奇怪的数据类型，如文本)，可以使用许多不同的计算机分别进行处理转换，并在最后一秒将所有数据整合到一起。

这种架构模式称为MapReduce，它很受Hadoop的欢迎。

如今，很多人使用Spark来做这种数据转换/检索工作，并且有一个Spark的Python接口叫做PySpark。

MapReduce架构和Spark都是非常复杂的工具，这里我不详细介绍。只要知道它们的存在，如果你发现自己正在处理非常缓慢的ETL过程，PySpark可能会有所帮助。

10. Python中的进一步统计

我们已经知道可以使用Scipy的统计模块运行统计测试、计算描述性统计、p值以及偏斜和峰度等事情，但Python还能做些什么呢?

你应该知道的一个特殊包是Lifelines包。

使用Lifelines包，你可以从称为生存分析的统计子字段计算各种函数。

生存分析有很多应用。我们可以用它来预测客户流失(当客户取消订阅时)以及零售商店何时可能会被盗窃。

这些与包的创造者想象它将被用于完全不同(生存分析传统上是医学统计工具)的领域。但这只是展示了构建数据科学问题的不同方式!

11. Python中的机器学习

这是一个重要的主题，机器学习正在风靡世界，是数据科学家工作的重要组成部分。

简而言之，机器学习是一组允许计算机将输入数据映射到输出数据的技术。有一些情况并非如此，但它们属于少数，以这种方式考虑ML通常很有帮助。

Python有两个非常好的机器学习包。

(1) Scikit-Learn

在使用Python进行机器学习的时候都会花大部分时间用于使用Scikit-Learn包(有时缩写为sklearn)。

这个包实现了一大堆机器学习算法，并通过一致的语法公开它们。这使得数据科学家很容易充分利用每种算法。

使用Scikit-Learn的一般框架是这样的——将数据集拆分为训练和测试数据集：

实例化并训练一个模型：

使用metrics模块测试模型的工作情况：

(2) XGBoost

在Python中常用于机器学习的第二个包是XGBoost。

Scikit-Learn实现了一系列算法，XGBoost只实现了一个梯度提升的决策树。

最近这个包(和算法)因其在Kaggle比赛(任何人都可以参加的在线数据科学比赛)上被使用而取得成功，变得非常受欢迎。

训练模型的工作方式与Scikit-Learn算法的工作方式大致相同。

12. Python中的深度学习

Scikit-Learn中提供的机器学习算法几乎可以满足任何问题。话虽这么说，但有时你需要使用最先进的算法。

由于使用它们的系统几乎优于其他所有类算法，因此深度神经网络的普及率急剧上升。

但是很难说神经网络正在做什么以及它为什么这样做。因此，它们在金融、医学、法律和相关专业中的使用并未得到广泛认可。

神经网络的两大类是卷积神经网络(用于对图像进行分类并完成计算机视觉中的许多其他任务)和循环神经网络(用于理解和生成文本)。

探索神经网工作时超出了本文的范围的机理，如果你想做这类工作，只要知道你需要寻找的包是TensorFlow(Google contibution!)还是Keras。

Keras本质上是TensorFlow的包装器，使其更易于使用。
大家在学python的时候肯定会遇到很多难题，以及对于新技术的追求，这里推荐一下我们的Python学习扣qun：784758214，这里是python学习者聚集地！

13. Python中的数据科学API

一旦训练了模型，就可以在其他软件中访问它的预测，方法是创建一个API。

API允许模型从外部源一次一行地接收数据并返回预测。因为Python是一种通用的编程语言，也可用于创建Web服务，所以很容易使用Python通过API为模型提供服务。

如果需要构建API，应该查看pickle和Flask。Pickle允许训练有素的模型被保存在硬盘驱动器上，以便以后使用。而Flask是创建Web服务的最简单方法。

14. Python中的Web应用程序

最后，如果你想围绕数据科学项目构建功能齐全的Web应用程序，则应使用Django框架。

Django在Web开发社区非常受欢迎，并且用于构建Instagram和Pinterest的第一个版本(以及许多其他版本)。