python與數據科學有多少“曖昧情事”？14個Q&A告訴你
來源商業新知網，原標題：14個Q&A，講述python與數據科學的“曖昧情事”
Python最近火了，大紅大紫那種。PYPL(編程語言受歡迎程度) 四月官方榜單宣布，Python榮獲NO.1，竟然連朋友圈裏的文科生都開始轉發Python課程打卡 的鏈接了……這是怎樣一個令全民瘋狂的語言？
作為編程界的“頭牌”名媛，Python平易近人的態度和精明婉約的靈動深得各個大佬歡心。 比如：人工智能、web開發、爬蟲、系統運維、數據分析與計算等等。這幾位風流多金的行業精英隨便哪個都能“逆轉未來”。
本文為你精心準備了一段Python與數據科學的“曖昧史”——用Python進行數據科學概述，包括Numpy，Scipy，pandas，Scikit-Learn，XGBoost，TensorFlow和Keras等模塊、包、庫的用法。
目錄
1. 為何選擇Python？
2. 安裝Python
3. 使用Python進行數據科學研究
4. Python中的數值計算
5. Python中的統計分析
6. Python中的數據操作
7. 在Python中使用數據庫
8. Python中的數據工程
9. Python中的大數據工程
10. Python中的進一步統計
11. Python中的機器學習
12. Python的深度學習
13. Python中的數據科學API
14. Python中的應用程序
1. 為何選擇Python？
Python作為一種語言，十項全能，易於學習，安裝簡單。同時有很多擴展，非常適合進行數據科學研究。像Google、Instagram、Youtube、Reddit等明星網站都在用Python搭建核心業務。
Python不僅僅用於數據科學，還使用Python來做更多的工作——如編寫腳本、構建API、構建網站等等。
關於Python的幾點重要事項需要註意。
· 目前，有兩種常用的Python版本。它們是版本2和3。大多數教程和本文將默認使用的是Python的最新版本Python 3。但有時會遇到使用Python 2的書籍或文章。版本之間的差異並不大，但有時在運行版本3時復制和粘貼版本2代碼將無法正常工作，因此需要進行一些輕微的編輯。
· 要註意 Python十分介意空白的地方（即空格和返回字符）。如果把空格放在錯誤的地方，程序很可能會產生錯誤。
· 與其他語言相比，Python不需要管理內存，也有良好的社區支持。
2. 安裝Python
安裝用於數據科學的Python的最佳方法是使用Anaconda發行版。
Anacoda有你使用Python進行數據科學研究所需的資料，包括將在本文中介紹的許多軟件包。
單擊Products - > Distribution並向下滾動，可以看到適用於Mac，Windows和Linux的安裝程序。即使Mac上已經有Python，也應該考慮安裝Anaconda發行版，因為有利於安裝其他軟件包。
此外，還可以去官方Python網站下載安裝程序。
包管理器
包是一段Python代碼，而不是語言的一部分，包對於執行某些任務非常有幫助。通過包，我們可以復制並粘貼代碼，然後將其放在Python解釋器（用於運行代碼）可以找到的地方。
但這很麻煩，每次啟動新項目或更新包時都必須進行內容的復制和粘貼操作。因此，我們可以使用包管理器。Anaconda發行版中自帶包管理器。如果沒有，建議安裝pip。
無論選擇哪一個，都可以在終端（或命令提示符）上使用命令輕松安裝和更新軟件包。
3. 使用Python進行數據科學研究
Python迎合許多不同開發人員的技術要求（Web開發人員，數據分析師，數據科學家），因此使用該語言具有很多不同的編程方法。
Python是一種解釋型語言，不必將代碼編譯成可執行文件，只需將包含代碼的文本文檔傳遞給解釋器即可。
快速瀏覽一下與Python解釋器交互的不同方法吧。
在終端
如果打開終端（或命令提示符）並鍵入單詞‘Python‘，將啟動一個shell會話。可以在對話中輸入有效的Python命令，以實現相應的程序操作。
這可以是快速調試某些東西的好方法，但即使是一個小項目，在終端中調試也很困難。
使用文本編輯器
如果你在文本文件中編寫一系列Python命令並使用.py擴展名保存它，則可以使用終端導航到該文件，並通過輸入python YOUR_FILE_NAME.py來運行該程序。
這與在終端中逐個輸入命令基本相同，只是更容易修復錯誤並更改程序的功能。
在IDE中
IDE是一種專業級軟件，可以進行軟件項目管理。
IDE的一個好處是，使用調試功能可以告訴你在嘗試運行程序之前出錯的位置。
某些IDE附帶了項目模板（用於特定任務），你可以使用這些模板根據最佳實踐設置項目。
Jupyter Notebooks
這些方法都不是用python進行數據科學的最佳方式，最好是使用Jupyter Notebooks。
Jupyter Notebooks使你能夠一次運行一“塊”代碼，這意味著你可以在決定下一步做什麽之前看到輸出信息-這在數據科學項目中非常重要，我們經常需要在獲取輸出之前查看圖表。
如果你正在使用Anaconda，且已經安裝了Jupyter lab。要啟動它，只需要在終端中輸入‘jupyter lab‘即可。
如果正在使用pip，則必須使用命令‘python pip install jupyter‘安裝Jupyter lab。
4. Python中的數字計算
NumPy軟件包中包含許多有用的函數，用於執行數據科學工作所需的數學運算。
它作為Anaconda發行版的一部分安裝，並且使用pip安裝，就像安裝Jupyter Notbooks一樣簡單（‘pip install numpy‘）。
我們在數據科學中需要做的最常見的數學運算是矩陣乘法，計算向量的點積，改變數組的數據類型以及創建數組！
以下是如何將列表編入NumPy數組的方法：
以下是如何在NumPy中進行數組乘法和計算點積的方法：
以下是如何在NumPy中進行矩陣乘法：
5. Python中的統計分析
Scipy包中包含專門用於統計的模塊（包的代碼的子部分）。
你可以使用‘from scipy import stats‘命令將其導入（在程序中使其功能可用）到你的筆記本中。該軟件包包含計算數據統計測量、執行統計測試、計算相關性、匯總數據和研究各種概率分布所需的一切。
以下是使用Scipy快速訪問數組的匯總統計信息（最小值，最大值，均值，方差，偏斜和峰度）的方法：
6. Python中的數據操作
數據科學家必須花費大量的時間來清理和整理數據。幸運的是，Pandas軟件包可以幫助我們用代碼而不是手工來完成這項工作。
使用Pandas執行的最常見任務是從CSV文件和數據庫中讀取數據。
它還具有強大的語法，可以將不同的數據集組合在一起（數據集在Pandas中稱 為DataFrame）並執行數據操作。
使用.head方法查看DataFrame的前幾行：
使用方括號選擇一列：
通過組合其他列來創建新列：
7.在Python中使用數據庫
為了使用pandas read_sql方法，必須提前建立與數據庫的連接。
連接數據庫最安全的方法是使用Python的SQLAlchemy包。
SQL本身就是一種語言，並且連接到數據庫的方式取決於你正在使用的數據庫。
8.Python中的數據工程
有時我們傾向於在數據作為Pandas DataFrame形式到達我們的項目之前，對其進行一些計算。
如果你正在使用數據庫或從Web上抓取數據（並將其存儲在某處），那麽移動數據並對其進行轉換的過程稱為ETL（提取，轉換，加載）。
你從一個地方提取數據，對其進行一些轉換（通過添加數據來總結數據，查找均值，更改數據類型等），然後將其加載到可以訪問的位置。
有一個非常酷的工具叫做Airflow，它非常善於幫助管理ETL工作流程。更好的是，它是用Python編寫的， 由Airbnb開發。
9. Python中的大數據工程
有時ETL過程可能非常慢。如果你有數十億行數據（或者如果它們是一種奇怪的數據類型，如文本），可以使用許多不同的計算機分別進行處理轉換，並在最後一秒將所有數據整合到一起。
這種架構模式稱為MapReduce，它很受Hadoop的歡迎。
如今，很多人使用Spark來做這種數據轉換/檢索工作，並且有一個Spark的Python接口叫做PySpark。
MapReduce架構和Spark都是非常復雜的工具，這裏我不詳細介紹。只要知道它們的存在，如果你發現自己正在處理非常緩慢的ETL過程，PySpark可能會有所幫助。
10. Python中的進一步統計
我們已經知道可以使用Scipy的統計模塊運行統計測試、計算描述性統計、p值以及偏斜和峰度等事情，但Python還能做些什麽呢？
你應該知道的一個特殊包是Lifelines包。
使用Lifelines包，你可以從稱為生存分析的統計子字段計算各種函數。
生存分析有很多應用。我們可以用它來預測客戶流失（當客戶取消訂閱時）以及零售商店何時可能會被盜竊。
這些與包的創造者想象它將被用於完全不同（生存分析傳統上是醫學統計工具）的領域。但這只是展示了構建數據科學問題的不同方式！
11. Python中的機器學習
這是一個重要的主題，機器學習正在風靡世界，是數據科學家工作的重要組成部分。
簡而言之，機器學習是一組允許計算機將輸入數據映射到輸出數據的技術。有一些情況並非如此，但它們屬於少數，以這種方式考慮ML通常很有幫助。
Python有兩個非常好的機器學習包。
Scikit-Learn
在使用Python進行機器學習的時候都會花大部分時間用於使用Scikit-Learn包（有時縮寫為sklearn）。
這個包實現了一大堆機器學習算法，並通過一致的語法公開它們。這使得數據科學家很容易充分利用每種算法。
使用Scikit-Learn的一般框架是這樣的——將數據集拆分為訓練和測試數據集：
實例化並訓練一個模型：
使用metrics模塊測試模型的工作情況：
XGBoost
在Python中常用於機器學習的第二個包是XGBoost。
Scikit-Learn實現了一系列算法，XGBoost只實現了一個梯度提升的決策樹。
最近這個包（和算法）因其在Kaggle比賽（任何人都可以參加的在線數據科學比賽）上被使用而取得成功，變得非常受歡迎。
訓練模型的工作方式與Scikit-Learn算法的工作方式大致相同。
12. Python中的深度學習
Scikit-Learn中提供的機器學習算法幾乎可以滿足任何問題。話雖這麽說，但有時你需要使用最先進的算法。
由於使用它們的系統幾乎優於其他所有類算法，因此深度神經網絡的普及率急劇上升。
但是很難說神經網絡正在做什麽以及它為什麽這樣做。因此，它們在金融、醫學、法律和相關專業中的使用並未得到廣泛認可。
神經網絡的兩大類是卷積神經網絡（用於對圖像進行分類並完成計算機視覺中的許多其他任務）和循環神經網絡（用於理解和生成文本）。
探索神經網工作時超出了本文的範圍的機理，如果你想做這類工作，只要知道你需要尋找的包是TensorFlow（Google contibution！）還是Keras。
Keras本質上是TensorFlow的包裝器，使其更易於使用。
13. Python中的數據科學API
一旦訓練了模型，就可以在其他軟件中訪問它的預測，方法是創建一個API。
API允許模型從外部源一次一行地接收數據並返回預測。因為Python是一種通用的編程語言，也可用於創建Web服務，所以很容易使用Python通過API為模型提供服務。
如果需要構建API，應該查看pickle和Flask。Pickle允許訓練有素的模型被保存在硬盤驅動器上，以便以後使用。而Flask是創建Web服務的最簡單方法。
14. Python中的Web應用程序
最後，如果你想圍繞數據科學項目構建功能齊全的Web應用程序，則應使用Django框架。
Django在Web開發社區非常受歡迎，並且用於構建Instagram和Pinterest的第一個版本（以及許多其他版本）。
python與數據科學有多少“曖昧情事”？14個Q&A告訴你