① python数据挖掘从哪些
一. 基于Python的数据挖掘 基本架构
1. matplotlib， 图形化
2. pandas，数据挖掘的关键， 提供各种挖掘分析的算法
3. numpy， 提供基本的统计
scipy， 提供各种数学公式
4. python common lib，python基本框架
二. 环境搭建
1. 安装python
2. 安装pip
pandas依赖的pip版本，最低是8.0.0。如果pip是8以下的版本，如7.2.1，需要升级pip.
命令是“python -m pip install -U pip”，这是windows版本。
Linux是”pip install -U pip“
通过命令“pip --version”， 可以查看pip版本号
3. 安装pandas
命令“pip install pandas", 这是windows版本。
Linux平台可用
sudo apt-get install python-pandas
4. 安装matplotlib
pip install matplotlib
三. 数据类型
pypython common type
string list tuple dict set
6钟学列
list, tuple, string, unicode string, buffer object, xrange
pandas type
ndarray, series dateFrame
ndarray, 数组类型，新增原因：
list, tuple是基于指针+对象设计的。即list，tuple存储的是void*指针，指针指向具体对象的数据。
因为是void*指针，所以二者可以存储各种数据类型，即数据类型可以不统一。
虽然存储丰富，但如果数据量过大时，即处理大数据时，有弊端。
1. 存储空间大，浪费内存。因为存两部分，指针+数据
2. 读取慢，通过index，找到指针；基于指针，找到数据
所以在大数据处理时，新增ndarray，数字类型，类似C++ 数组。存储相同，读取、修改快捷。
别名：array, 有利于节省内存、提高CPU的计算时间，有丰富的处理函数
series，变长字典，
类似一维数组的对象；有数据和索引组成
新增原因：
dict是无序的，它的key和value存在映射关系。但key和value之间是不独立的，存储在一起。
如果需要对一项进行操作，会影响到另外一项。所以有了series， series的key和value是独立的，独立存储。
series的key是定长有序的。通过series.key获取整个索引， 通过series.values获取所有values.
series的key,可以通过series.index.name，设置唯一的名称。
series整体也可以设置唯一名称，通过series.name
DataFrame:
1. 一个表格型的数据结构
2. 含有一组有序的列（类似于index)
3. 可以认为是，共享一个index的Series集合
data1={'name':['java', 'c', 'python'], 'year': [2,2,3]}
frame = pd.DataFrame(data1)
------------------------------------------------
四. 基本的数据分析流程：
1. 数据的获取
2. 数据准备--规格化，建立各种索引index
3. 数据的显示、描述，用于调试
如df.index, df.values， df.head(n), df.tail(n） df.describe
4. 数据的选择
index获取， 切片获取, 行、列获取， 矩形区域获取
index获取，df.row1 或者 df['row1']
行列，df.loc[行list, 列list], 如df.loc[0:1,['co1','col2'] ]
通过二位索引，取二维左上角，df.iloc[0,0],也可以列表 df.iloc[0:2,0:2]，取前2行。
5. 简单的统计与处理
统计平均值、最大值等
6. Grouping 分组
df.groupby(df.row1)
7. Merge合并
append追加,
contact连接， 包含append功能，也可以两个不同的二维数据结构合并
join连接， SQL连接，基于相同字段连接，如 sql的where, a.row1 = b.row1
------------------------------------------------
五. 高级的数据处理与可视化：
1. 聚类分析
聚类是数据挖掘描述性任务和预测性任务的一个重要组成部分，它以相似性为基础，
把相似的对象通过静态分类，分成不同的组别和子集。
在python中，有很多第三方库提供了聚类算法。
聚类算法有很多， 其中K-均值算法，因为其简单、快捷的特点，被广泛使用。
基本原理是，
1. 查找某数据集的中心，
2. 使用均方差，计算距离。使得每一个数据点都收敛在一个组内；各个组是完全隔离的
案例：
>>> from pylab import *
>>> from scipy.cluster.vq import *
>>>
>>> list1=[88,64,96,85]
>>> list2=[92,99,95,94]
>>> list3=[91,87,99,95]
>>> list4 = [78,99,97,81]
>>> list5=[88,78,98,84]
>>> list6=[100,95,100,92]
>>> tempdate = (list1, list2, list3, list4, list5, list6)
>>>
>>> tempdate
([88, 64, 96, 85], [92, 99, 95, 94], [91, 87, 99, 95], [78, 99, 97, 81], [88, 78
, 98, 84], [100, 95, 100, 92])
>>> date = vstack(tempdate)
>>>
>>> date
array([[ 88, 64, 96, 85],
[ 92, 99, 95, 94],
[ 91, 87, 99, 95],
[ 78, 99, 97, 81],
[ 88, 78, 98, 84],
[100, 95, 100, 92]])
>>> centroids,abc=kmeans(date,2) #查找聚类中心，第二个参数是设置分N类，如5类，则为5
>>> centroids # 基于每列查找的中心点，可能是平均值
array([[88, 71, 97, 84],
[90, 95, 97, 90]])
>>>
>>> result,cde=vq(date,centroids) #对数据集，基于聚类中心进行分类
>>> result
array([0, 1, 1, 1, 0, 1])
2. 绘图基础
python描绘库，包含两部分，
绘图api, matplotlib提供各种描绘接口。
集成库，pylab（包含numpy和matplotlib中的常用方法），描绘更快捷、方便。
import numpy as np
import matplotlib.pyplot as plt
t = np.arange(0,10)
plt.plot(t, t+2）
plt.plot(t,t, 'o', t,t+2, t,t**2, 'o') #（x,y)一组，默认是折线；‘o'是散点，
plt.bar(t,t**2) # 柱状图
plt.show()
--------------------
import pylab as pl
t = np.arange(0,10)
plt.plot(t, t+2)
plt.show()
3. matplotlib图像属性控制
色彩、样式
名称： 图、横、纵轴,
plt.title('philip\'s python plot')
plt.xlabel('date')
plt.ylabel('value')
其他： pl.figure(figsize=(8,6),dpi=100)
pl.plot(x,y, color='red', linewidth=3, lable='line1')
pl.legend(loc='upper left')
子图
pl.subplot(211) # 整体图片，可以分为二维部分；
#第一个是图的行，第二个是列；第三个是index, 从左上开始0遍历 当前行，再下一行。
#如果是2位数，如11，需要‘，’
axes(left, bottom, width, height) # 参数取值范围是(0,1), left,是到左边的距离，bottom是到下面的距离
4. pandas作图
Series、DataFrame支持直接描绘，封装了调用matplotlib的接口，如
series.close.plot()
df.close.plot() #具体参数类似matplotlib普通接口
属性控制
类似matplotlib普通接口，修改各种图片的类型，柱形图、折线等
--------common-----------------
list, tuple, dict
--------numpy-----------------
ndarray, Series, DataFrame
② Python 数据分析与数据挖掘是啥
python数据挖掘（data mining，简称DM），是指从大量的数据中，通过统计学、人工智能、机器学习等方法，挖掘出未知的、且有价值的信息和知识的过程。数据分析通常是直接从数据库取出已有信息，进行一些统计、可视化、文字结论等，最后可能生成一份研究报告性质的东西，以此来辅助决策。数据挖掘不是简单的认为推测就可以，它往往需要针对大量数据，进行大规模运算，才能得到一些统计学规律。
这里可以使用CDA一站式数据分析平台，融合了数据源适配、ETL数据处理、数据建模、数据分析、数据填报、工作流、门户、移动应用等核心功能。其中数据分析模块支持报表分析、敏捷看板、即席报告、幻灯片、酷屏、数据填报、数据挖掘等多种分析手段对数据进行分析、展现、应用。帮助企业发现潜在的信息，挖掘数据的潜在价值。
如果你对于Python学数据挖掘感兴趣的话，推荐CDA数据分析师的课程。课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。真正理解商业思维，项目思维，能够遇到问题解决问题；要求学生在使用算法解决微观根因分析、预测分析的问题上，根据业务场景来综合判断，洞察数据规律，使用正确的数据清洗与特征工程方法，综合使用统计分析方法、统计模型、运筹学、机器学习、文本挖掘算法，而非单一的机器学习算法。点击预约免费试听课。
③ 教你如何用python6个步骤搞定金融数据挖掘预处理
数据预处理没有标准的流程，通常针对不同的任务和数据集属性的不同而不同。下面就一起看下常用六大步完成数据预处理。
Step 1：导入相关模块
Step 2：获取数据
特征构造
Step 3：处理缺失值
Step 4：分类数据编码
创建虚拟变量
Step 5：划分训练集和测试集
Step 6：特征标准化
数据变换十大秘诀
数据变换[1]是将数据集的每个元素乘以常数；也就是说，将每个数变换为，其中,和都是实数。数据变换将可能改变数据的分布以及数据点的位置。
数据标准化[2]（有时称为 z-score 或 standar score）是已重新缩放为平均值为零且标准偏差为1的变量。对于标准化变量，每种情况下的值在标准化变量上的值都表明它与原始变量的均值（或原始变量的标准偏差）的差值。
归一化数据 是将数据缩放到0到1范围内。
Binarizing Data
二值化[3]是将任何实体的数据特征转换为二值化的向量以使分类器算法更高效的过程。在一个简单的示例中，将图像的灰度从0-255光谱转换为0-
1 光谱就是二值化。
Mean Removal
去均值法 是将均值从每一列或特征中移除，使其以零为中心的过程。
One Hot Encoding
独热编码[4]是将分类变量转换为可以提供给ML算法以更好地进行预测的形式的过程。
Label Encoding
标签编码 适用于具有分类变量并将数据转换为数字的数据。
fit
transform
词向量 用于带有标签和数字的数据。此外，词向量可用于提取数据。
获取特征名称
Polynomial Features
多项式特征 用于生成多项式特征和交互特征。它还生成了一个新的特征矩阵数据，该数据是由所有次数小于或等于指定次数的特征的多项式组合组成的。
截距项
填补 (如用均值填补缺失值)，它用列或特性数据中的平均值替换缺失的值
④ Python有哪些常见的，好用的爬虫框架
目前实现爬虫技术的编程环境有很多种，Java、Python、C++等都可以用来写爬虫。但很多人选择Python来写爬虫，原因是Python确实很适合做爬虫，丰富的第三方库十分强大，简单几行代码便可实现你想要的功能。更重要的，Python也是数据挖掘和分析的好能手。那么，今天IPIDEA就带大家来了解Python爬虫一般用什么框架比较好。
Beautiful Soup：整合了一些常用爬虫需求。它是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的式.Beautiful Soup会帮你节省数小时甚至数天的工作时间。Beautiful Soup的缺点是不能加载JS。
selenium：这是一个调用浏览器的driver，通过这个库你可以直接调用浏览器完成某些操作，比如输入验证码。Selenium是自动化测试工具，它支持各种浏览器，包括 Chrome，Safari，Firefox等主流界面式浏览器，如果在这些浏览器里面安装一个 Selenium 的插件，可以方便地实现Web界面的测试. Selenium支持浏览器驱动。Selenium支持多种语言开发，比如 Java，C，Ruby等等，PhantomJS 用来渲染解析JS，Selenium 用来驱动以及与Python的对接，Python进行后期的处理。
Scrapy：Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。它是很强大的爬虫框架，可以满足简单的页面爬取，比如可以明确获知url pattern的情况。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面，如weibo的页面信息，这个框架就满足不了需求了。它的特性有：HTML, XML源数据 选择及提取 的内置支持；提供了一系列在spider之间共享的可复用的过滤器(即 Item Loaders)，对智能处理爬取数据提供了内置支持。
Portia：是一个开源可视化爬虫工具，可让使用者在不需要任何编程知识的情况下爬取网站！简单地注释自己感兴趣的页面，Portia将创建一个蜘蛛来从类似的页面提取数据。简单来讲，它是基于scrapy内核；可视化爬取内容，不需要任何开发专业知识；动态匹配相同模板的内容。
cola：是一个分布式的爬虫框架，对于用户来说，只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。项目整体设计有点糟，模块间耦合度较高。
PySpider：一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器，任务监视器，项目管理器以及结果查看器。Python脚本控制，可以用任何你喜欢的html解析包。
⑤ 数据挖掘方向，Python中还需要学习哪些内容
对于数据挖掘：Python不是重点
重点槐尺是乱孙机器学习和数据库系统
Python基础知识扎实就好。参考刘江的铅陪高Python教程
⑥ Python和数据挖掘有什么关系
Python是工具
数据挖掘是研究方向
数据挖掘有很多经典算法，这些算法有的有现成Python包，你可以用Python调用这些包处理自己的数据实现数据挖掘。
⑦ python爬虫框架哪个好用
爬虫框架中比较好用的是 Scrapy 和PySpider。pyspider上手更简单，操作更加简便，因为它增加了 WEB 界面，写爬虫迅速，集成了phantomjs，可以用来抓取js渲染的页面。Scrapy自定义程度高，比 PySpider更底层一些，适碧宴合学习研究，需要学习的相关知识多，不过自己拿来研究分布式和多线程等等是非常合适的。
PySpider
PySpider是binux做的一个爬虫架构的纤慧握开源化实现。主要的功能需求是：
抓取、更新调度多站点的特定的页面
需要对页面进行结构化信息提取
灵活可扩展，稳定可监控
pyspider的设计基础是：以python脚本驱动的抓取环模型爬虫
通过python脚本进行结构化信息的提取，follow链接调度抓取控制，实现最大的灵活性
通过web化的脚本编写、调试环境。web展现调度状态
抓取环模型成熟稳定，模块间相互独立，通过毁庆消息队列连接，从单进程到多机分布式灵活拓展
pyspider的架构主要分为 scheler（调度器）, fetcher（抓取器）, processor（脚本执行）：
各个组件间使用消息队列连接，除了scheler是单点的，fetcher 和 processor 都是可以多实例分布式部署的。 scheler 负责整体的调度控制
任务由 scheler 发起调度，fetcher 抓取网页内容， processor 执行预先编写的python脚本，输出结果或产生新的提链任务（发往 scheler），形成闭环。
每个脚本可以灵活使用各种python库对页面进行解析，使用框架API控制下一步抓取动作，通过设置回调控制解析动作。
⑧ python的爬虫框架有哪些
爬虫框架需要URL、页面下载器、爬虫调度器、网页解析器、数据处理
爬虫框架要处理很多的URL，我们需要设计一个队列存储所有要处理的 URL，这种先进先出的数据结构非常符合这个需求。 将所有要下载的URL存储在待处理队列中，每次下载会取出一个，队列中就会少一个。我们知道有些URL的下载会有反爬虫策略，所以针对这些请求需要做一些特殊的设置，进而可以对URL进行封装抽出 Request。
页面下载器如果没有，用户就要编写网络请求的处理代码，这无疑对每个 URL 都是相同的动作。 所以在框架设计中我们直接加入它就好了，至于使用什么库来进行下载都是可以的，你可以用 httpclient 也可以用okhttp在本文中我们使用一个超轻量级的网络请求库 oh-my-request (没错，就是在下搞的)。优秀的框架设计会将这个下载组件置为可替换，提供默认的即可。
爬虫调度器，调度器和我们在开发 web 应用中的控制器是一个类似的概念，它用于在下载器、解析器之间做流转处理。 解析器可以解析到更多的 URL 发送给调度器，调度器再次的传输给下载器，这样就会让各个组件有条不紊的进行工作。
网页解析器我们知道当一个页面下载完成后就是一段 HTML 的 DOM 字符串表示，但还需要提取出真正需要的数据以前的做法是通过String的API 或者正则表达式的方式在DOM 中搜寻，这样是很麻烦的，框架 应该提供一种合理、常用、方便的方式来帮助用户完成提取数据这件事儿。常用的手段是通过xpath或者css选择器从DOM中进行提取，而且学习这项技能在几乎所有的爬虫框架中都是适用的。
数据处理，普通的爬虫程序中是把网页解析器和数据处理器合在一起的，解析到数据后马上处理。 在一个标准化的爬虫程序中，他们应该是各司其职的，我们先通过解析器将需要的数据解析出来，可能是封装成对象。然后传递给数据处理器，处理器接收到数据后可能是存储到数据库，也可能通过接口发送给老王。
⑨ python机器学习，数据挖掘
需要掌握：
1、python语言的基本结构与语法与数前中据类型，模块、基本用法，熟悉函数，类设计，包的使用野模及基本的编程方法；理解python数据挖掘与分析技术在当代各种大数据相关产品中的应用，并掌握该领域最关键技术的原理以及技术应用过程；能开发出一些实际的应用项目并初步胜任Python的数据挖掘和机器学习工作；
2、掌握网慧脊山络信息获取及文本挖掘的基本知识及深度应用，熟练运用使用Python获取网络数据并独立开发常见的爬虫项目，熟练的进行文本分析处理。
⑩ python 数据挖掘需要用哪些库和工具
python 数据挖掘常用的库太多了！主要分为以下几大类：
第一数据获取：request,BeautifulSoup
第二基本数学库：numpy
第三 数据库出路 pymongo
第四 图形可视化 matplotlib
第五 树分析基本的库 pandas
数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘本质上像是机器学习和人工智能的基础，它的主要目的是从各种各样的数据来源中，提取出超集的信息，然后将这些信息合并让你发现你从来没有想到过的模式和内在关系。这就意味着，数据挖掘不是一种用来证明假说的方法，而是用来构建各种各样的假说的方法。
想要了解更多有关python 数据挖掘的信息，可以了解一下CDA数据分析师的课程。CDA数据分析师证书的含金量是很高的，简单从两个方面分析一下：首先是企业对于CDA的认可，经管之家CDA LEVEL Ⅲ数据科学家认证证书，属于行业顶尖的人才认证，已获得IBM大数据大学，中国电信，苏宁，德勤，猎聘，CDMS等企业的认可。CDA证书逐渐获得各企业用人单位认可与引进，如中国电信、中国移动、德勤，苏宁，中国银行，重庆统计局等。点击预约免费试听课。