python做数据分类_二分类怎么做数据分析python

2018-11-15 回答

ipython

ipython 是一个在多种编程语言之间进行交互计算的命令行 shell，最开始是用 python 开发的，提供增强的内省，富媒体，扩展的 shell

语法，tab 补全，丰富的历史等功能。ipython 提供了如下特性：

更强的交互 shell(基于 qt 的终端)

一个基于浏览器的记事本，支持代码，纯文本，数学公式，内置图表和其他富媒体

支持交互数据可视化和图形界面工具

灵活，可嵌入解释器加载到任意一个自有工程里

简单易用，用于并行计算的高性能工具

由数据分析总监，galvanize 专家 nir kaldero 提供。

graphlab greate 是一个 python 库，由 c++ 引擎支持，可以快速构建大型高性能数据产品。

这有一些关于 graphlab greate 的特点：

可以在您的计算机上以交互的速度分析以 t 为计量单位的数据量。

在单一平台上可以分析表格数据、曲线、文字、图像。

最新的机器学习算法包括深度学习，进化树和 factorization machines 理论。

可以用 hadoop yarn 或者 ec2 聚类在你的笔记本或者分布系统上运行同样的代码。

借助于灵活的 api 函数专注于任务或者机器学习。

在云上用预测服务便捷地配置数据产品。

为探索和产品监测创建可视化的数据。

由 galvanize 数据科学家 benjamin skrainka 提供。

pandas

pandas 是一个开源的软件，它具有 bsd 的开源许可，为 python

编程语言提供高性能，易用数据结构和数据分析工具。在数据改动和数据预处理方面，python 早已名声显赫，但是在数据分析与建模方面，python

是个短板。pands 软件就填补了这个空白，能让你用 python 方便地进行你所有数据的处理，而不用转而选择更主流的专业语言，例如 r 语言。

整合了劲爆的 ipyton 工具包和其他的库，它在 python 中进行数据分析的开发环境在处理性能，速度，和兼容方面都性能卓越。pands

不会执行重要的建模函数超出线性回归和面板回归;对于这些，参考 statsmodel 统计建模工具和 scikit-learn 库。为了把 python

打造成顶级的统计建模分析环境，我们需要进一步努力，但是我们已经奋斗在这条路上了。

由 galvanize 专家，数据科学家 nir kaldero 提供。

pulp

线性编程是一种优化，其中一个对象函数被最大程度地限制了。pulp 是一个用 python

编写的线性编程模型。它能产生线性文件，能调用高度优化的求解器，glpk，coin clp/cbc，cplex，和gurobi，来求解这些线性问题。

由 galvanize 数据科学家 isaac laughlin 提供

matplotlib

matplotlib 是基于 python 的

2d(数据)绘图库，它产生(输出)出版级质量的图表，用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib 既可以用在 python 脚本，

python 和 ipython 的 shell 界面 (ala matlab? 或 mathematica?)，web 应用服务器，和6类 gui

工具箱。

matplotlib 尝试使容易事情变得更容易，使困难事情变为可能。你只需要少量几行代码，就可以生成图表，直方图，能量光谱(power

spectra)，柱状图，errorcharts，散点图(scatterplots)等，。

为简化数据绘图，pyplot 提供一个类 matlab 的接口界面，尤其是它与 ipython

共同使用时。对于高级用户，你可以完全定制包括线型，字体属性，坐标属性等，借助面向对象接口界面，或项 matlab 用户提供类似(matlab)的界面。

galvanize 公司的首席科学官 mike tamir 供稿。

scikit-learn

scikit-learn 是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是，它人人可用，重复用于多种语境。它基于

numpy，scipy 和 mathplotlib 等构建。scikit 采用开源的 bsd 授权协议，同时也可用于商业。scikit-learn

具备如下特性：

分类(classification) – 识别鉴定一个对象属于哪一类别

回归(regression) – 预测对象关联的连续值属性

聚类(clustering) – 类似对象自动分组集合

降维(dimensionality reduction) – 减少需要考虑的随机变量数量

模型选择(model selection) –比较、验证和选择参数和模型

预处理(preprocessing) – 特征提取和规范化

galvanize 公司数据科学讲师，isaac laughlin提供

spark

spark 由一个驱动程序构成，它运行用户的 main 函数并在聚类上执行多个并行操作。spark

最吸引人的地方在于它提供的弹性分布数据集(rdd)，那是一个按照聚类的节点进行分区的元素的集合，它可以在并行计算中使用。rdds 可以从一个 hadoop

文件系统中的文件(或者其他的 hadoop 支持的文件系统的文件)来创建，或者是驱动程序中其他的已经存在的标量数据集合，把它进行变换。用户也许想要 spark

在内存中永久保存 rdd，来通过并行操作有效地对 rdd 进行复用。最终，rdds 无法从节点中自动复原。

spark 中第二个吸引人的地方在并行操作中变量的共享。默认情况下，当 spark

在并行情况下运行一个函数作为一组不同节点上的任务时，它把每一个函数中用到的变量拷贝一份送到每一任务。有时，一个变量需要被许多任务和驱动程序共享。spark

支持两种方式的共享变量：广播变量，它可以用来在所有的节点上缓存数据。另一种方式是累加器，这是一种只能用作执行加法的变量，例如在计数器中和加法运算中。