python三大模型与十大常用算法实例发现

这篇文章主要介绍了python三大模型与十大常用算法实例发现的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Python三大模型与十大常用算法实例发现文章都会有所收获，下面我们一起来看看吧。

1 三大模型与十大常用算法【简介】

1-1 三大模型

 预测模型：神经网络预测、灰色预测、拟合插值预测（线性回归）、时间序列预测、马尔科夫链预测、微分方程预测、LoGIStic 模型等等。应用领域：人口预测、水资源污染增长预测、病毒蔓延预测、竞赛获胜概率
预测、月收入预测、销量预测、经济发展情况预测等在工业、农业、商业等经济领域，以及环境、社会和军事等领域中都有广泛的应用。

优化模型：规划模型（目标规划、线性规划、非线性规划、整数规划、动态 规划）、图论模型、排队论模型、神经网络模型、现代优化算法（遗传算法、模拟退火算法、蚁群算法、禁忌搜索算法）等等。应用领域：快递员派送快递的最短路径问题、水资源调度优化问题、高速路
口收费站问题、军事行动避空侦察的时机和路线选择、物流选址问题、商区布局规划等各个领域。

 评价模型：模糊综合评价法、层次分析法、聚类分析法、主成分分析评价法、
灰色综合评价法、人工神经网络评价法等等。应用领域：某区域水资源评价、水利工程项目风险评价、城市发展程度评价、足球教练评价、篮球队评价、水生态评价、大坝安全评价、边坡稳定性评价

1-2 十大常用算法

2 python数据分析之pandas 2-1什么是pandas

一个开源的Python类库：用于数据分析、数据处理、数据可视化

•  高性能

•  容易使用的数据结构

• ·容易使用的使用分析工具

很方便和其他类库一起使用：

• numpy:用于科学计算

• scikit-learn:用于机器学习

2-2 pandas读取文件

'''当使用Pandas做数据分析时，需要读取事先准备好的数据集，这是做数据分析的第一步。Pandas提供了多种读取数据的方法：read_csv()      用于读取文本文件read_excel()    用于读取文本文件read_JSON()     用于读取json文件read_sql_query()读取sql语句的通用流程：1-导入库import pandas as pd2-找到文件所在位置（绝对路径=全称）（相对路径=和程序在同一个文件夹中的路径的简称）3-变量名=pd.读写操作方法（文件路径，具体的筛选条件，...）./  当前路径../ 上一级将csv中的数据转换为DataFrame对象是非常便捷。和一般文件读写不一样，它不需要你做打开文件、读取文件、关闭文件等操作。相反，您只需要一行代码就可以完成上述所有步骤，并将数据存储在DataFrame中。'''import pandas as pd# 输入参数：数据输入的路径【可以是文件路径，可以是URL，也可以是实现read方法的任意对象。】df = pd.read_csv('s')print(df, type(df))# Pandas默认使用utf-8读取文件print()import pandas as pdlxw = open(r"t.csv", encoding='utf-8')print(pd.read_csv(lxw))print()import os# 打印当前目录print(os.getcwd())

相关知识官网链接

Pandas需要先读取表格类型的数据，然后进行分析

详细版学习：

# 1:import pandas as pddf = pd.read_csv('nba.csv')print(df)# 2:import pandas as pddf = pd.read_csv('nba.csv')# to_string() 用于返回 DataFrame 类型的数据，如果不使用该函数，则输出结果为数据的前面 5 行和末尾 5 行，中间部分以 ... 代替(如上）print(df.to_string())# 3:import pandas as pd# 三个字段 name, site, agenme = ["Google", "Runoob", "Taobao", "Wiki"]st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]ag = [90, 40, 80, 98]# 字典dict = {'name': nme, 'site': st, 'age': ag}df = pd.DataFrame(dict)# 保存 dataframeprint(df.to_csv('site.csv'))# 4:import pandas as pddf = pd.read_csv('正解1.csv')# head( n ) 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行# print(df.head())# df.head(50).to_csv('site4.csv')df.tail(10).to_csv('site4.csv')print("over!")# 5:import pandas as pddf = pd.read_csv('nba.csv')# 读取前面 10 行print(df.head(10))# 6:import pandas as pddf = pd.read_csv('nba.csv')# tail( n ) 方法用于读取尾部的 n 行，如果不填参数 n ，默认返回 5 行，空行各个字段的值返回 NaNprint(df.tail())# 7:import pandas as pddf = pd.read_csv('nba.csv')#  读取末尾 10 行print(df.tail(10))# 8:import pandas as pddf = pd.read_csv('正解1.csv')# info() 方法返回表格的一些基本信息print(df.info())# non-null 为非空数据，我们可以看到上面的信息中，总共 458 行，College 字段的空值最多

• 所有csv、excel文件可在资源当中自行提用，没有的可自行补充！

• 提示：须提前安装好pandas库。【终端安装命令：pip install pandas】

import pandas as pdlxw = pd.read_csv('nba.csv')# 查看前几行数据print(lxw.head())# 查看索引列print(lxw.index)# 查看列名列表print(lxw.columns)# 查看数据的形状（返回行、列数）print(lxw.shape)# 查看每列的数据类型print(lxw.dtypes)print()# 读取txt文件，自己指定分隔符、列名fpath = 'D:\PyCharm\数学建模大赛\数据分析-上-2\Python成绩.csv'lxw = pd.read_csv(    fpath,    sep=',',    header=None,    names=['name', 'Python-score'])# print(lxw)lxw.to_csv('Python成绩2.csv')# 读取excel文件：import pandas as pdlxw = pd.read_excel('暑假培训学习计划.xls')print(lxw)

注：如果最后这里【读取excel文件]运行出错，那就在终端安装 pip install xlrd 。

2-3 pandas数据结构

'''1-Series：  一维数据，一行或一列【Series是一种类似于一维数组的对象，它由一组数据（不同数据类型）以    及一组与之相关的数据标签（即索引）组成】2-DataFrame:二维数据，整个表格，多行多列'''import pandas as pd# 1-1仅用数据列表即可产生最简单的Serieslxw = pd.Series([1, 'a', 5.2, 6])print(lxw)      # 运行结果解说：左边为索引，右边为数据# 获取索引print(lxw.index)# 获取数据print(lxw.values)print()# 1-2 创建一个具有索引标签的Serieslxw2 = pd.Series([5, '程序人生6', 666, 5.2], index=['sz', 'gzh', 'jy', 'xy'])print(lxw2)print(lxw2.index)# 写入文件当中lxw2.to_csv('gzh.csv')print()# 1-3 使用过Python字典创建Serieslxw_ej = {'python': 390, 'java': 90, 'mysql': 90}lxw3 = pd.Series(lxw_ej)print(lxw3)# 1-4 根据标签索引查询数据print(lxw3['java'])print(lxw2['gzh'])print(lxw2[['gzh', 'jy']])print(type(lxw2[['gzh', 'jy']]))print(lxw[2])print(type(lxw[2]))print()# 2 根据多个字典序列创建dataframelxw_cj = {    'ps': [86, 92, 88, 82, 80],    'windows操作系统': [84, 82, 88, 80, 92],    '网页设计与制作': [92, 88, 97, 98, 83]}df = pd.DataFrame(lxw_cj)# print(df)# df.to_excel('lxw_cj.xlsx')      # 须提前安装好openxlsx,即pip install openpyxl[可在终端安装]print("over!")print(df.dtypes)print(df.columns)print(df.index)print()# 3-从DataFrame中查询Series'''·如果只查询一行、一列的话，那么返回的就是pd.Series·如果查询多行、多列时，返回的就是pd.DataFrame'''# 一列：print(df['ps'])print(type(df['ps']))# 多列：print(df[['ps', 'windows操作系统']])print(type(df[['ps', 'windows操作系统']]))print()# 一行：print(df.loc[1])print(type(df.loc[1]))# 多行：print(df.loc[1:3])print(type(df.loc[1:3]))

DataFrame 加强

2-3-1 pandas数据结构之DataFrame

# DataFrame数据类型'''DataFrame是Pandas的重要数据结构之一，也是在使用数据分析过程中最常用的结构之一，可以这么说，掌握了Dataframe的用法，你就 拥有了学习数据分析的基本能力。'''# 认识Dataframe结构：'''Dataframe是一个表格型的数据结构，既有行标签，又有列标签，她也被称异构数据表，所谓异构，指的是表格中每列的数据类型可以不同，比如可以是字符串、整型或者浮点型等。Dataframe的每一列数据都可以看成一个Series结构，只不过，Dataframe为每列数据值增加了一个标签。因此Dataframe其实是从Series的基础上演变而来，并且他们有相同的标签，在数据分析任务中Dataframe的应用非常广泛，因此描述数据的更为清晰、直观。同Series一样，Dataframe自带行标签索引，默认为“隐式索引”。当然，你也可以用“显式索引”的方式来设置行标签。'''# 特点：'''Dataframe   每一列的标签值允许使用不同的数据类型；Dataframe   是表格型的数据结构，具有行和列；Dataframe   中的每个数据都可以被修改Dataframe   结构的行数、列数允许增加或者删除Dataframe   有两个方向的标签轴，分别是行标签和列标签Dataframe   可以对行和列执行算术运算'''# DataFrame 构造方法如下：# pandas.DataFrame( data, index, columns, dtype, copy)'''data：输入的数据，可以是ndarray, series, list, dict, 标量以及一个Dataframe；index：行标签，如果没有传递index值，则默认行标签是RangeIndex(0, 1, 2, ..., n)代表data的元素个数；columns：列标签，如果没有传递columns值，则默认列标签是RangIndex（0, 1, 2, ..., n)；dtype:要强制的数据类型，只允许使用一种数据类型，如果没有，自行推断；copy:从输入复制数据。对于dict数据, copy=True, 重新复制一份。对于Dataframe或者ndarray输入，类似于copy=False,它用的是试图。'''# 1: 使用普通列表创建import pandas as pdlxw = [5, 2, 1, 3, 1, 4]df = pd.DataFrame(lxw)df2 = pd.Series(lxw)print(df)print(df2)print()# 2:使用嵌套列表创建import pandas as pdlxw = [['lxw', 21], ['cw', 23], ['tzs', 22]]df3 = pd.DataFrame(lxw, columns=['Name', 'Age'])print(df3)# 指定数值元素的数据类型为float# 注：dtype只能设置一个，设置多个列的数据类型，需要使用其他公式print()# 分配列标签注意点import pandas as pd# 分配列标签lxw2 = [['lxw', '男', 21, 6666], ['cw', '女', 22, 6520], ['ky', '女', 20, 5200], ['tzs', '男', 22, 6523]]# int满足某列特征，会自动使用，不满足，则会自动识别df = pd.DataFrame(lxw2, columns=['Name', 'xb', 'age', 'gz'], dtype=int)print(df)print(df['Name'].dtype)print()# ~字典创建：import pandas as pdlxw3 = [{'a': 1, 'b': 2}, {'a': 5, 'b': 8, 'c': 9}]df = pd.DataFrame(lxw3, index=['first', 'second'])print(df)# 注：如果其中某些元素缺失，也就是字典的key无法找到对应的value将使用NaN代替print()# 使用列表嵌套字典创建一个DataFrame对象import pandas as pd# lxw3Df1 = pd.DataFrame(lxw3, index=['first', 'second'], columns=['a', 'b'])df2 = pd.DataFrame(lxw3, index=['first', 'second'], columns=['a', 'b2'])print(df1)print("============================================")print(df2)

import pandas as pddata = [['lxw', 10], ['wink', 12], ['程序人生6', 13]]df = pd.DataFrame(data, columns=['Site', 'Age'], dtype=float)print(df)# 1：使用 ndarrays 创建import pandas as pddata = {'Site': ['lxw', '程序人生6', 'wink'], 'Age': [10, 12, 13]}df = pd.DataFrame(data)print(df)# 2：还可以使用字典（key/value），其中字典的 key 为列名:import pandas as pddata = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]df = pd.DataFrame(data)print(df)# 没有对应的部分数据为 NaN# 3：Pandas 可以使用 loc 属性返回指定行的数据，如果没有设置索引，第一行索引为 0，第二行索引为 1，以此类推：import pandas as pddata = {  "calories": [420, 380, 390],  "duration": [50, 40, 45]}# 数据载入到 DataFrame 对象df = pd.DataFrame(data)# 返回第一行print(df.loc[0])# 返回第二行print(df.loc[1])print(df.loc[2])# 注意：返回结果其实就是一个 Pandas Series 数据。# 也可以返回多行数据，使用 [[ ... ]] 格式，... 为各行的索引，以逗号隔开：

2-3-1 Pandas 数据结构之Series

# Pandas Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。'''Series 由索引（index）和列组成，函数如下：pandas.Series( data, index, dtype, name, copy)参数说明：data：一组数据(ndarray 类型)。index：数据索引标签，如果不指定，默认从 0 开始。dtype：数据类型，默认会自己判断。name：设置名称。copy：拷贝数据，默认为 False。'''import pandas as pdlxw = [1, 2, 3]myvar = pd.Series(lxw)print(myvar)print()# 如果没有指定索引，索引值就从 0 开始，我们可以根据索引值读取数据print(myvar[1])print()import pandas as pdlxw = ["Google", "Runoob", "Wiki"]myvar2 = pd.Series(lxw, index=['x', 'y', 'z'])print(myvar2)print()# 根据索引值读取数据:print(myvar2['y'])print()# 也可以使用 key/value 对象，类似字典来创建 Seriesimport pandas as pdlxw = {1: "Google", 2: "Runoob", 3: "Wiki"}myvar3 = pd.Series(lxw)print(myvar3)print()# 只需要字典中的一部分数据，只需要指定需要数据的索引即可myvar3 = pd.Series(lxw, index=[1, 2])print(myvar3)print()# 设置 Series 名称参数import pandas as pdlxw = {1: "Google", 2: "Runoob", 3: "Wiki"}myvar4 = pd.Series(lxw, index=[1, 3], name="lxw-pro")print(myvar4)

2-4查询数据

# Pandas查询数据的四种方法：'''1-df.loc方法，根据行、列的标签值查询2-df.iloc方法，根据行、列的数字位置查询3-df.where方法4-df.query方法建议：.loc既能查询，又能覆盖写入，强烈推荐！'''# Pandas使用df.loc查询数据的方法：'''1-使用单个label值查询数据2-使用值列表批量查询3-使用数值区间进行范围查询4-使用条件表达式查询5-调用函数查询'''# 注：以上方法，即适用于行，也使用于列import pandas as pddf = pd.read_csv('sites.csv')# print(df.head(10))df.set_index('create_dt', inplace=True)# print(df.index)a = df.index# 去重->转为列表->排顺序qc = sorted(list(set(a)))# print(qc)

# 替换掉利润率当中的后缀%df.loc[:, 'lrl'] = df['lrl'].str.replace("%", "").astype('int32')   # astype()    对数据类型进行转换

astype()相关知识阐述:

'''Python中与数据类型相关函数及属性有如下三个：type/dtype/astypetype()    返回参数的数据类型    dtype    返回数组中元素的数据类型    astype()    对数据类型进行转换    你可以使用 .astype() 方法在不同的数值类型之间相互转换。a.astype(int).dtype # 将 a 的数值类型从 float64 转换为 int'''

这里运行的话，就会报错：

后面上网查找解决类似的问题，一番查找之后，终于解决问题

# 替换掉利润率当中的后缀%df['lrl'] = df['lrl'].map(lambda x: x.rstrip('%'))print(df)

运行效果如下：

# 查询数据类型print(df.dtypes)# 打印文件前几行print(df.head())

2-4-1 使用单个label值查询数据

print(df.loc['2016-12-02', 'yye'])   # 得到指定时间里相对应的的单个值

运行结果如下：

# 得到指定时间内相对应的的一个Seriesprint(df.loc['2016-11-30', ['sku_cost_prc', 'sku_sale_prc']])

运行结果如下：

2-4-2使用值列表批量查询

# 得到Seriesprint(df.loc[['2016-12-05', '2016-12-31'], 'sku_sale_prc'])

运行结果如下：
提示：图有点长，故只截取了部分

# 得到DataFrameprint(df.loc[['2016-12-08', '2016-12-12'], ['sku_cnt', 'sku_sale_prc']])

运行部分结果如下：

2-4-3 使用数值区间进行范围查询

# 行index按区间：print(df.loc['2016-12-02': '2016-12-08'], ['yye'])

运行部分结果如下：

# 列index按区间：print(df.loc['2016-12-12', 'yye': 'lrl'])

运行部分结果如下：

# 行和列都按区间查询：print(df.loc['2016-11-30': '2016-12-02', 'sku_cnt': 'lrl'])

运行部分结果如下：

2-4-4 使用条件表达式查询

# 简单条件查询，营业额低于3的列表print(df.loc[df['yye'] < 3, :])# 可观察营业额的boolean条件print(df['yye'] < 3)

# 复杂条件查询：print(df.loc[(df['yye'] < 5) & (df['yye'] > 2) & (df['sku_cnt'] > 1), :])

运行部分结果如下：

# 再次观察这里的boolean条件print((df['yye'] < 5) & (df['yye'] > 2) & (df['sku_cnt'] > 1))

运行部分结果如下：

2-4-5 调用函数查询

# 直接写lambda表达式print(df.loc[lambda df: (df['yye'] < 4) & (df['yye'] > 2), :])

运行部分如果如下：

# 函数式编程的本质：# 函数本身可以像变量一样传递def my_query(df):    return df.index.str.startswith('2016-12-08')print(df.loc[my_query, :])

遇到的问题：

虽说三大模型十大算法【简介】讲的很是明确，可在网上要查询相关模型或者算法还是很杂乱的，不是很清楚自己适合那一版本。
2、学习pandas过程当中遇到查询数据时遇【替换掉利润率当中的后缀%】 出现差错，后面通过网上查询解决问题。

关于“python三大模型与十大常用算法实例发现”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“python三大模型与十大常用算法实例发现”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网Python频道。