python三大模型与十大常用算法实例发现
导读:本文共10801.5字符,通常情况下阅读需要36分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: 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... ...
目录
(为您整理了一些要点),点击可以直达。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importpandasaspd2-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。'''importpandasaspd#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()importpandasaspdlxw=open(r"t.csv",encoding='utf-8')print(pd.read_csv(lxw))print()importos#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:importpandasaspddf=pd.read_csv('nba.csv')print(df)#2:importpandasaspddf=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:importpandasaspd#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:importpandasaspddf=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:importpandasaspddf=pd.read_csv('nba.csv')#读取前面10行print(df.head(10))#6:importpandasaspddf=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:importpandasaspddf=pd.read_csv('nba.csv')#读取末尾10行print(df.tail(10))#8:importpandasaspddf=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】
importpandasaspdlxw=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:importpandasaspdlxw=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'''importpandasaspd#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pipinstallopenpyxl[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importpandasaspdlxw=[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importpandasaspdlxw=[['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importpandasaspd#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:importpandasaspdlxw3=[{'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importpandasaspd#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)
importpandasaspddata=[['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importpandasaspddata={'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:importpandasaspddata=[{'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:importpandasaspddata={"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PandasSeries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
#PandasSeries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。'''importpandasaspdlxw=[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()importpandasaspdlxw=["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Seriesimportpandasaspdlxw={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importpandasaspdlxw={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importpandasaspddf=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(lambdax: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[lambdadf:(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defmy_query(df):returndf.index.str.startswith('2016-12-08')print(df.loc[my_query,:])
遇到的问题:
1、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。
</div> <div class="zixun-tj-product adv-bottom"></div> </div> </div> <div class="prve-next-news">
python三大模型与十大常用算法实例发现的详细内容,希望对您有所帮助,信息来源于网络。