關于Python數據抓取、分析、挖掘、機器學習和Python分布式計算內容分享

作者：侯惠陽 2018-01-09 14:43:37

開發后端機器學習分布式

本文主要是關于 Python 數據抓取、分析、挖掘、機器學習和Python 分布式計算內容的分享。

01 數據抓取

1、背景調研

1）檢查robots.txt，了解爬取該網站有哪些限制；

2）pip install builtwith；pip install python-whois

2、數據抓取：

1）動態加載的內容：

使用selenium

#!/usr/bin/env python 
# -*- coding: utf-8 -*- 
from selenium import webdriver 
from selenium.webdriver.common.keys import Keys 
import time 
import sys 
reload(sys) 
sys.setdefaultencoding('utf8') 
driver = webdriver.Chrome("/Users/didi/Downloads/chromedriver") driver.get('http://xxx') 
elem_account = driver.find_element_by_name("UserName") 
elem_password = driver.find_element_by_name("Password") 
elem_code = driver.find_element_by_name("VerificationCode") elem_account.clear() 
elem_password.clear() 
elem_code.clear() 
elem_account.send_keys("username") 
elem_password.send_keys("pass") 
elem_code.send_keys("abcd") 
time.sleep(10) 
driver.find_element_by_id("btnSubmit").submit() 
time.sleep(5) driver.find_element_by_class_name("txtKeyword").send_keys(u"x") #模擬搜索 driver.find_element_by_class_name("btnSerch").click() 
# ...省略處理過程 
dw = driver.find_elements_by_xpath('//li[@class="min"]/dl/dt/a') 
for item in dw: 
url = item.get_attribute('href') 
   if url: 
 ulist.append(url) 
 print(url + "---" + str(pnum)) 
 print("##################")

2）靜態加載的內容

（1）正則；

（2）lxml;

（3）bs4

#!/usr/bin/env python 
# -*- coding: utf-8 -*- 
string = r'src="(http://imgsrc\.baidu\.com.+?\.jpg)" pic_ext="jpeg"' # 正則表達式字符串 urls = re.findall(string, html) 
import requests 
from lxml import etree 
import urllib 
response = requests.get(url) 
html = etree.HTML(requests.get(url).content) 
res = html.xpath('//div[@class="d_post_content j_d_post_content "]/img[@class="BDE_Image"]/@src') # lxml 
import requests 
from bs4 import BeautifulSoup 
soup = BeautifulSoup(response.text, 'lxml') # 解析response并創建BeautifulSoup對象 urls = soup.find_all('img', 'BDE_Image')

3）：反爬與反反爬

（1）：請求頻率；

（2）：請求頭；

（3）：IP代理；

4）：爬蟲框架：

（1）：Scrapy

（2）：Portia

02 數據分析

1、常用的數據分析庫：

NumPy：是基于向量化的運算。http://www.numpy.org/

1）List => 矩陣

2）ndim：維度；shape：行數和列數；size：元素個數

Scipy：是NumPy的擴展，有高等數學、信號處理、統計等。https://www.scipy.org/

Pandas：是基于NumPy的快速構建高級數據結構的包，數據結構：Series和DataFrame。http://pandas.pydata.org/

1）：NumPy類似于List，Pandas 類似于Dict。

Matplotlib：繪圖庫。

1）：是一個強大的繪圖工具；

2）：支持散點圖、線圖、柱狀圖等；

簡單例子:

pip2 install Numpy 
>>> import numpy as np 
>>> a = np.arange(10) 
>>> a 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
>>> a ** 2 
array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81]) 
pip2 install Scipy 
>>> import numpy as np 
>>> from scipy import linalg 
>>> a = np.array([[1, 2], [3, 4]]) 
>>> linalg.det(a) 
-2.0 
pip2 install pandas 
>>> df = pd.DataFrame({ 'A' : pd.date_range("20170802", periods=5), 'B' : pd.Series([11, 22, 33, 44, 
55]), 'C' : pd.Categorical(["t","a","b","c","g"])}) 
>>> df 
ABC 0 2017-08-02 11 t 1 2017-08-03 22 a 2 2017-08-04 33 b 3 2017-08-05 44 c 4 2017-08-06 55 g 
pip2 install Matplotlib 
>>> import matplotlib.pyplot as plt 
>>> plt.plot([1, 2, 3]) 
[<matplotlib.lines.Line2D object at 0x113f88f50>] 
>>> plt.ylabel("didi") 
<matplotlib.text.Text object at 0x110b21c10> 
>>> plt.show()

2、高級數據分析庫:

scikit-learn:機器學習框架。

圖上可以表示出數據小于50，No:需要更多的數據， Yes使用分類器，一直走下去；

由圖中，可以看到算法有四類，分類，回歸，聚類，降維。

KNN:

#!/usr/local/bin/python 
# -*- coding: utf-8 -*- 
''' 
預測Iris https://en.wikipedia.org/wiki/Iris_flower_data_set ''' 
# 導入模塊 
from __future__ import print_function 
from sklearn import datasets 
from sklearn.model_selection import train_test_split 
from sklearn.neighbors import KNeighborsClassifier 
# 創建數據 
iris = datasets.load_iris() 
iris_X = iris.data # 花萼的長寬、 花瓣的長寬 
iris_y = iris.target # 花的種類 0, 1, 2 
print(iris_X) 
print(iris_y) 
print(iris.target_names) 
# 定義模型-訓練模型-預測 
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size = 0.1) # 訓練數據10% knn = KNeighborsClassifier() # 創建KNN近鄰器 
knn.fit(X_train, y_train) # 訓練數據 
predicts = knn.predict(X_test) # 得到預測結果 
# 對比結果 
print("#########################") 
print(X_test) 
print(predicts) 
print(y_test) 
# 計算預測準確率 
print(knn.score(X_test, y_test)) 
[[ 5.   3.3  1.4  0.2] 
[ 5.   3.5  1.3  0.3] 
[ 6.7  3.1  5.6  2.4] 
[ 5.8  2.7  3.9  1.2] 
[ 6.   2.2  5.   1.5] 
[ 6.   3.   4.8  1.8] 
[ 6.3  2.5  5.   1.9] 
[ 5.   3.6  1.4  0.2] 
[ 5.6  2.9  3.6  1.3] 
[ 6.9  3.2  5.7  2.3] 
[ 4.9  3.   1.4  0.2] 
[ 5.9  3.   4.2  1.5] 
[ 4.8  3.   1.4  0.1] 
[ 5.1  3.4  1.5  0.2] 
[ 4.7  3.2  1.6  0.2]] 
[0 0 2 1 1 2 2 0 1 2 0 1 0 0 0] 
[0 0 2 1 2 2 2 0 1 2 0 1 0 0 0] 
0.933333333333

Linear Regression

#!/usr/local/bin/python # -*- coding: utf-8 -*- ''' 
波士頓房價趨勢 
''' 
# 導入模塊 
from __future__ import print_function 
from sklearn import datasets 
from sklearn.linear_model import LinearRegression 
import matplotlib.pyplot as plt 
# 創建數據 
loaded_data = datasets.load_boston() #波士頓的房價 
data_X = loaded_data.data 
data_y = loaded_data.target 
print(data_X) 
print(data_y) 
# 定義模型-訓練模型-預測 
model = LinearRegression() # 線性回歸 
model.fit(data_X, data_y) # 訓練數據 
print(model.predict(data_X[:4, :])) # 得到預測結果 
print(data_y[:4]) 
# 結果 
print("#########################") 
X, y = datasets.make_regression(n_samples=100, n_features=1, noise=10) # 生成回歸模型數據100個樣本, 每個樣本一個特征, 高斯噪聲 
plt.scatter(X, y) # 散點圖 
plt.show()

03 數據挖掘

1、挖掘關鍵詞：

涉及到的算法：TF-IDF

參考文獻：http://www.ruanyifeng.com/blog/2013/03/tf-idf.html

news.txt:

滴滴出行與歐非地區領先出行企業Taxify達成戰略合作支持跨地區交通技術創新

2017-08-01 滴滴出行【2017年8月1日，中國，北京/愛沙尼亞，塔林】滴滴出行今日宣布與歐非地區移動出行領軍企業Taxify達成戰略合作。滴滴將通過投資以及智能交通技術研發等方面協作，支持Taxify在多元市場進行更深度的市場拓展和技術創新。滴滴出行是全球領先的移動出行平臺。依靠人工智能技術, 滴滴在超過400個城市為4億多用戶提供包括出租車、專車、快車、豪華車和順風車等在內的多元化出行服務。在為1700 余萬司機提供靈活就業與收入機會的同時，滴滴也以人工智能技術支持城市管理者建設一體化、可持續的智慧交通解決方案。 Taxify于2013年成立于愛沙尼亞，是歐洲和非洲地區成長最快的移動出行企業。目前其出租車和私家車共享出行服務網絡遍及歐洲、非洲、西亞的中心城市;觸達匈牙利、羅馬尼亞、波蘭、波羅的海三國、南非、尼日利亞、肯尼亞等18個國家，擁有超過250萬用戶。滴滴出行創始人、CEO程維表示:“Taxify在多元化的市場提供優質的創新型出行服務。我們都致力于運用移動互聯網科技的力量，滿足迅速演變的消費者需求;幫助傳統交通行業轉型升級。我相信這一合作將為亞洲，歐洲和非洲市場間構建跨地區智慧交通紐帶作出貢獻。”

Taxify創始人、CEO馬克斯·維利格(Marcus Villig)表示:“Taxify將借力此次戰略合作，鞏固我們在歐洲和非洲核心市場的優勢地位。我們相信滴滴是最理想的伙伴，能幫助我們成為歐非地區***和最有效率的出行選擇。”

#!/usr/local/bin/python # -*- coding: utf-8 -*- ''' 
分析文章關鍵詞 
''' 
import os 
import codecs 
import pandas 
import jieba 
import jieba.analyse 
# 格式化數據格式 
tagDF = pandas.DataFrame(columns=['filePath', 'content', 'tag1', 'tag2', 'tag3', 'tag4', 'tag5']) try: 
with open('./houhuiyang/news.txt', 'r') as f: #載入語料庫 content = f.read().strip() 
   tags = jieba.analyse.extract_tags(content, topK=5) #TF_IDF 
   tagDF.loc[len(tagDF)] = ["./news.txt", content, tags[0], tags[1], tags[2], tags[3], tags[4]] 
   print(tagDF) 
except Exception, ex: 
   print(ex)

計算出文章Top5的關鍵詞:出行、滴滴、Taxify、歐非、交通

2、情感分析

情感用語資料:http://www.keenage.com/html/c_bulletin_2007.htm

1）最簡單的方式就是基于情感詞典的方法;

2）復雜的就是基于機器學習的方法;

pip2 install nltk 
 
>>> import nltk 
 
>>> from nltk.corpus import stopwords #停止詞 >>> nltk.download() # 安裝語料庫 
 
>>> t = "Didi is a travel company" 
 
>>> word_list = nltk.word_tokenize(t) 
 
>>> filtered_words = [word for word in word_list if word not in stopwords.words('english')] ['Didi', 'travel', 'company'] 
 
>>> nltk.download('stopwords') #下載停止詞

中英文NLP分詞區別

1):啟發式 Heuristic

2):機器學習/統計法:HMM、CRF

處理流程:raw_text -> tokenize[pos tag] -> lemma / stemming[pos tag] -> stopwords -> word_list

04 Python 分布式計算

pip2 install mrjjob 
 
pip2 install pyspark

1）Python 多線程;

2）Python 多進程【multiprocessing】;

3）全局解釋器鎖GIL;

4）進程間通信Queue;

5）進程池Pool;

6）Python的高階函數;

map/reduce/filter

7)基于Linux的管道的MapReducer 【cat word.log | python mapper.py | python reducer.py | sort -k 2r】

word.log

北京成都上海北京山西天津廣州

#!/usr/local/bin/python 
 
# -*- coding: utf-8 -*- 
 
''' 
 
mapper 
 
''' 
 
import sys 
 
try: 
 
   for lines in sys.stdin: 
 
       line = lines.split() 
 
       for word in line: 
 
           if len(word.strip()) == 0: 
 
               continue 
 
           count = "%s,%d" % (word, 1) 
 
           print(count) 
 
except IOError, ex: 
 
print(ex) 
 
#!/usr/local/bin/python 
 
# -*- coding: utf-8 -*- 
 
''' 
 
reducer 
 
''' 
 
import sys 
 
try: 
 
   word_dict = {} 
 
   for lines in sys.stdin: 
 
       line = lines.split(",") 
 
       if len(line) != 2: 
 
           continue 
 
       word_dict.setdefault(line[0], 0) 
 
       word_dict[line[0]] += int(line[1]) 
 
   for key, val in word_dict.items(): 
 
    stat = "%s %d" % (key, val) 
 
       print(stat) 
 
except IOError, ex: 
 
print(ex)

05 神經網絡

分別有CPU/GPU版本

1）tensorflow 建立的神經網絡是靜態的

2）pytorch http://pytorch.org/#pip-install-pytorch 建立的神經網絡是動態的【Troch 是Lua寫的，這個是Python版本】

簡單說數據:

標量(Scalar)是只有大小，沒有方向的量，如1，2，3等

向量(Vector)是有大小和方向的量，其實就是一串數字，如(1,2)

矩陣(Matrix)是好幾個向量拍成一排合并而成的一堆數字，如[1,2;3,4]

張量(Tensor)是按照任意維排列的一堆數字的推廣。如圖所示，矩陣不過是三維張量下的一個二維切面。要找到三維張量下的一個標量，需要三個維度的坐標來定位。

TensorFlow pytorch用張量這種數據結構來表示所有的數據。

#-*- coding: UTF-8 -*- 
#author houhuiyang 
import torch 
import numpy as np 
from torch.autograd import Variable 
import torch.nn.functional as F 
import matplotlib.pyplot as plt 
np_data = np.arange(6).reshape((2, 3)) 
torch_data = torch.from_numpy(np_data) 
tensor2np = torch_data.numpy() 
print( 
"\nnp_data", np_data, #矩陣 
"\ntorch_data", torch_data, #張量 
  "\ntensor to numpy", tensor2np 
) 
# data = [-1, -2, 1, 2, 3] 
data = [[1, 2], [3, 4]] 
tensor = torch.FloatTensor(data) 
# abs sin cos mean平均值 matmul/mm print( 
  "\nnumpy", np.matmul(data, data), 
  "\ntorch", torch.mm(tensor, tensor) 
) 
# tensor variable 
tensor_v = torch.FloatTensor([[1,2], [3,4]]) variable = Variable(tensor_v, requires_grad=True) # 計算中值 
t_out = torch.mean(tensor_v * tensor_v) # x ^ 2 v_out = torch.mean(variable * variable) # 反向傳播 print( 
  tensor_v, 
  variable, 
  t_out, 
  v_out 
) 
v_out.backward() # 反向傳遞 
print(variable.grad) # 梯度 
''' 
y = Wx 線性 
y =AF(Wx)非線性 【激勵函數 relu/sigmoid/tanh】 
''' 
x =torch.linspace(-5,5,200) # 從-5到5取200個點 
x = Variable(x) 
x_np = x.data.numpy() 
y_relu = F.relu(x).data.numpy() 
y_sigmoid = F.sigmoid(x).data.numpy() 
y_tanh = F.tanh(x).data.numpy() 
# y_softplus = F.softplus(x).data.numpy() # 概率圖 plt.figure(1, figsize=(8, 6)) 
# plt.subplot(221) # 繪制子圖 
plt.plot(x_np, y_relu, c = "red", label = "relu") plt.ylim(-1, 5) 
plt.legend(loc = "best") 
plt.show() 
# plt.subplot(222) 
plt.plot(x_np, y_sigmoid, c = "red", label = "igmoid") 
plt.ylim(-0.2, 1.2) 
plt.legend(loc = "best") 
plt.show() 
# plt.subplot(223) 
plt.plot(x_np, y_tanh, c = "red", label = "subplot") 
plt.ylim(-1.2, 1.2) 
plt.legend(loc = "best") 
plt.show()

搭建簡單的神經網絡

#-*- coding: UTF-8 -*- #author 守望之心 
''' 
回歸 
分類 
''' 
import torch 
from torch.autograd import Variable 
import torch.nn.functional as F # 激勵函數 
import matplotlib.pyplot as plt 
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim = 1) # unsqueeze 一維轉變為二維 y = x.pow(2) + 0.2 * torch.rand(x.size()) 
x, y = Variable(x), Variable(y) 
# print(x) 
# print(y) 
# plt.scatter(x.data.numpy(), y.data.numpy()) 
# plt.show() 
class Net(torch.nn.Module): # 繼承 torch 的Moudle 
def __init__(self, n_features, n_hidden, n_output): 
super(Net, self).__init__() # 繼承torch __init__ 
self.hidden = torch.nn.Linear(n_features, n_hidden) # 隱藏層線性輸出 self.predict = torch.nn.Linear(n_hidden, n_output) # 輸出線性層 
def forward(self, x): 
x = F.relu(self.hidden(x)) # 激勵函數 x = self.predict(x) # 輸出值 
return x 
net = Net(1, 10, 1) # 輸入值， 隱藏層10，10個神經元， 1個輸出值 print(net) # 輸出搭建的神經網絡結構 
plt.ion() 
plt.show() 
# 訓練工具 
optimizer = torch.optim.SGD(net.parameters(), lr = 0.5) # 傳入net的所有值， lr是學習率 loss_func = torch.nn.MSELoss() # 均方差 
print(net.parameters()) 
for t in range(100): 
prediction = net(x) #喂給net 訓練數據x， 輸出預測值 loss = loss_func(prediction, y) # 計算兩者誤差 
# 反向傳播 
optimizer.zero_grad() 
loss.backward() 
optimizer.step() 
if t % 5 == 0: 
 plt.cla() 
 plt.scatter(x.data.numpy(), y.data.numpy()) 
 plt.plot(x.data.numpy(), prediction.data.numpy(), "r-", lw = 5) 
 plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size': 20, 'color':  'red'}) 
 plt.pause(0.1) 
plt.ioff() 
plt.show()

06 數學微積分

1、極限:

無窮大無窮小階數;

2、微分學:

導數:

1）導數就是曲線的斜率，是曲線變化快慢的反應;

2）二階導數是斜率變化快慢的反應，表現曲線的凸凹性;

泰勒級數逼近

牛頓法和梯度下降;

3、Jensen不等式:

凸函數;Jensen不等式

概率論:

1、積分學:

牛頓-萊布尼茨公式

2、概率空間

隨機變量與概率:概率密度函數的積分;條件概率;共軛分布;

概率分布:

1）兩點分布/貝努力分布;

2）二項分布;

3）泊松分布;

4）均勻分布;

5）指數分布;

6）正態分布/高斯分布;

3、大數定律和中心極限

線性代數:

1）矩陣

2）線性回歸;

責任編輯：龐桂玉來源：程序人生

Python 機器學習數據抓取