如何用Python进行大数据挖掘和分析.docxVIP

大数据无处不在。在时下这个年代，不管你喜欢与否，在运营一个成功的商业的过程中都有可能会遇到它。 什么是大数据？大数据就像它看起来那样——有大量的数据。单独而言，你能从单一的数据获取的洞见穷其有限。但是结合复杂数学模型以及强大计算能力的TB级数据，却能创造出人类无法制造的洞见。大数据分析提供给商业的价值是无形的，并且每天都在超越人类的能力。 大数据分析的第一步就是要收集数据本身，也就是众所周知的“数据挖掘”。大部分的企业处理着GB级的数据，这些数据有用户数据、产品数据和地理位置数据。今天，千锋武汉Python培训的老师将会带着大家一起探索如何用Python进行大数据挖掘和分析？ 为什么选择Python？ Python最大的优点就是简单易用。这个语言有着直观的语法并且还是个强大的多用途语言。这一点在大数据分析环境中很重要，并且许多企业内部已经在使用Python了，比如Google，YouTube，迪士尼等。还有，Python是开源的，并且有很多用于数据科学的类库。 现在，如果你真的要用Python进行大数据分析的话，毫无疑问你需要了解Python的语法，理解正则表达式，知道什么是元组、字符串、字典、字典推导式、列表和列表推导式——这只是开始。 数据分析流程 一般可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据可视化”这样的步骤来实施一个数据分析项目。按照千锋武汉Python培训的老师分享的这个流程，每个部分需要掌握的细分知识点如下： 数据获取：公开数据、Python爬虫 外部数据的获取方式主要有以下两种。 第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。 另一种获取外部数据的方式就是爬虫。 比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。 在爬虫之前你需要先了解一些Python的基础知识：元素（列表、字典、元组等）、变量、循环、函数……… 以及，如何用Python库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。 掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、使用cookie信息、模拟用户登录、抓包分析、搭建代理池等等，来应对不同网站的反爬虫限制。 数据存取：SQL语言 在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据。 SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能： 提取特定情况下的数据 数据库的增、删、查、改 数据的分组聚合、如何建立多个表之间的联系 数据预处理：Python（pandas） 很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。 对于数据预处理，学会pandas（Python包）的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下： 选择：数据访问 缺失值处理：对缺失数据行进行删除或填充 重复值处理：重复值的判断与删除 异常值处理：清除不必要的空格和极端、异常数据 相关操作：描述性统计、Apply、直方图等 合并：符合各种逻辑关系的合并操作 分组：数据划分、分别执行函数、数据重组 Reshaping：快速生成数据透视表 概率论及统计学知识 需要掌握的知识点如下： 基本统计量：均值、中位数、众数、百分位数、极值等 其他描述性统计量：偏度、方差、标准差、显著性等 其他统计知识：总体和样本、参数和统计量、ErrorBar 概率分布与假设检验：各种分布、假设检验流程 其他概率论知识：条件概率、贝叶斯等 有了统计学的基本知识，你就可以用这些统计量做基本的分析了。你可以使用 Seaborn、matplotlib 等（python包）做一些可视化的分析，通过各种可视化统计图，并得出具有指导意义的结果。 Python数据分析 掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。这部分需要掌握的知识点如下： 回归分析：线性回归、逻辑回归 基本的分类算法：决策树、随机森林…… 基本的聚类算法：k-means…… 特征工程基础：如何用特征选择优化模型 调参方法：如何调节参数优化模型 Python 数据分析包：scipy、numpy、scikit-learn等 在数据分