1. 环境搭建
l Python安装包：www.python.org
l Microsoft Visual C++ Compiler for Python
l pip（get-pip.py）：pip.pypa.io/en/latest/installing.html
n pip install + 安装包 --安装包（.whl，.tar.gz，.zip）
n pip uninstall + 安装包 --卸载包
n pip show --files + 安装包 --查看已安装包信息
n pip list outdated --查看待更新包信息
n pip install -U + 安装包 --升级包
n pip search + 安装包 --搜索包
n pip help --显示帮助信息
l Anaconda：continuum.io/downloads
n conda install + 安装包
n conda uninstall + 安装包
l 一些常用包：www.lfd.uci.edu/~gohlke/pythonlibs/
n re：正则匹配；os：文件操作；random：随机数；time：时间戳
n requests：网页交互（get & post）
n beautifulsoup4：用于规范化的静态网页的分析
n mysqlclient、PyMySQL：Mysql数据库操作接口
n numpy+mkl：矩阵运算
n scipy：科学计算（插值，积分，优化，图像处理，特殊函数）
n matplotlib：图形绘制
n scikit-learn：机器学习库
n jieba、smallseg：中文分词 https://pypi.python.org/pypi/jieba/
n pandas：大型数据处理
n nltk：提供50多个语料库和词典资源（分类、分词、词干提取、解析、语义推理）
n Pattern：拥有一系列的自然语言处理工具，词性标注工具(Part-Of-Speech Tagger)，N元搜索(n-gram search)，情感分析(sentiment analysis)，WordNet，也支持机器学习的向量空间模型，聚类，向量机。
n TextBlob：处理文本数据（词性标注、名词短语抽取、情感分析、分类、翻译）
n Gensim：用于对大型语料库进行主题建模、文件索引、相似度检索等，可以处理大于内存的输入数据
n PyNLPI
n spaCy：一个商业的开源软件，结合了Python和Cython的NLP工具
n Polyglot：支持大规模多语言应用程序的处理（165种语言的分词，196种语言的辨识，40种语言的专有名词识别，16种语言的词性标注，136种语言的情感分析，137种语言的嵌入，135种语言的形态分析，以及69种语言的翻译）
n MontyLingua：免费的、功能强大的、端到端的英文处理工具，适用于信息检索和提取，请求处理，问答系统，能词性标注和实体识别一些语义信息。
n BLLIP Parser：集成了生成成分分析器和最大熵排序的统计自然语言分析器
n Quepy：提供了将自然语言问题转换成为数据库查询语言中的查询
n PIL：图像处理
n xgboost（eXtreme Gradient Boosting）：梯度上升算法
2. 常用命令
l python XXX.py --运行程序
l python setup.py build --编译，须在setup.py所在目录下
l python setup.py install --安装，同上
l python setup.py sdist --制作分发包，同上
l python setup.py bdist_wininst --制作windows下的分发包，同上
3. 标准定义
| #!usr/bin/python # -*- coding: utf-8 -*- # encoding=utf-8 from distutils.core import setup import sys
reload(sys) sys.setdefaultencoding('utf8')
# 安装包打包 setup(name="example", version="v1.0.0", description="setup_examples", author="SweetYu", py_modules=['文件夹1.文档1','文件夹1.文档2','文件夹2.文档3']) #类的定义 class A: __count = 0 # 私有类变量 def __init__(self, name): self.name = name # 公有成员变量 A.__count += 1 @classmethod def getCount(cls): # 类函数 return cls.__count def getName(self): # 成员函数 return self.name
if __name__ == '__main__': main() |
4. json、string、random、re
正则表达式（Res，regex pattens）
l 元符号
．表示任意字符
［］用来匹配一个指定的字符类别
^ 取非
* 前一个字符重复0到无穷次
$ 前一个字符重复1到无穷次
？前一个字符重复0到1次
{m}前一个字符重复m次
l 特殊匹配
\d 匹配任何十进制数，相当于类 [0-9]。
\D 匹配任何非数字字符，相当于类 [^0-9]
\s 匹配任何空白字符，相当于类 [ fv]
\S 匹配任何非空白字符，相当于类 [^ fv]
\w 匹配任何字母数字字符，相当于类 [a-zA-Z0-9_]
\W 匹配任何非字母数字字符，相当于类 [^a-zA-Z0-9_]
| import json, os, re, time import string, random
obj = [[1,2,3],123,123.123,'abc',{'key1':(1,2,3),'key2':(4,5,6)}] encode_obj = json.dumps(obj, skipkeys=True, sort_keys=True) #将对象转换成字符串 decode_obj = json.loads(encode_obj) #将字符串转换成对象
random.randint(0,255) #获取0~255范围内的整数 field = string.letters + string.digits #大小写字母+数字 random.sample(field,5) #获取长度为5的field范围内的随机字符串
#文件处理 fp = open(filename,"w", encoding='utf-8-sig') # 'w', 'w+', 'r', 'r+', 'a', 'a+' fp.write(unicode("\xEF\xBB\xBF", "utf-8")) #写到文件开头，指示文件为UTF-8编码 fp.close()
m = re.search("^ab+","asdfabbbb") # m.group() à 'abbbb' re.findall("^a\w+","abcdfa\na1b2c3",re.MULTILINE) re.findall("a{2,4}","aaaaaaaa") # ['aaaa', 'aaaa'] re.findall("a{2,4}?","aaaaaaaa") # ['aa', 'aa', 'aa', 'aa'] re.split("[a-zA-Z]+","0A3b9z") # ['0', '3', '9', ''] m = re.match("(?P<first_name>\w+) (?P<last_name>\w+)","sam lee") > m.group("first_name") # 'sam' > m.group("last_name") # 'lee' re.sub('[abc]', 'o', 'caps rock') # 'cops rook' |
5. os、time
在Python中，通常有这几种方式来表示时间：
1）时间戳 ：从1970年1月1日00:00:00开始按秒计算的偏移量，如：time()，clock()，mktime()
2）格式化的时间字符串，如：strftime ()
3）struct_time元组：如：gmtime()【UTC时区】，localtime()【当前时区】，strptime()
| import os, time
time.strptime('2011-05-05 16:37:06', '%Y-%m-%d %X') time.strftime("%Y-%m-%d %X", time.localtime()) time.localtime(1304575584.1361799) #(tm_year=2011, tm_mon=5, tm_mday=5, tm_hour=14, tm_min=6, tm_sec=24, tm_wday=3, tm_yday=125, tm_isdst=0) time.sleep(s) #线程休眠s秒
#获取文件创建时间 例：1483882912.37 Sun Jan 08 21:41:52 2017 time.ctime(os.path.getctime(fileName))
os.path.exists(fileName) #是否存在某一文件 os.chdir(dir) #修改当前目录 os.getcwd() #获取当前目录 os.listdir(dir) #返回指定目录下的所有文件和目录名 os.remove(fileName) #删除一个文件 os.makedirs(dir/fileName) #生成多层递规目录 os.rmdir(dir) #删除单级目录 os.rename(oldName, newName) #重命名文件 > os.sep #当前平台下路径分隔符 > os.linesep #给出当前平台使用的行终止符 > os.environ #获取系统环境变量 os.path.abspath(path) #显示该路径的绝对路径 os.path.dirname(path) #返回该路径的父目录 os.path.isfile(path) #如果path是一个文件，则返回True os.path.isdir(path) #如果path是一个目录，则返回True os.path.splitext(fileName) #获得(文件名,文件名后缀) os.stat() #获取文件或者目录信息 os.path.join(dir,fileName) #连接目录与文件名或目录 结果为path/name |
6. requests
import requests session = requests.session()
url = 'https://api.github.com/some/endpoint' params = {'some': 'data'} headers = {'content-type': 'application/json'} files = {'file': open('report.xls', 'rb')} cookies = dict(cookies_are='working') r = session.post(url, data = json.dumps(params), headers = headers, files = files, cookies = cookies, allow_redirects = False, timeout = 0.001) # get、put、delete、options、head
> r.status_code # requests.codes.ok > r.url > r.encoding > r.text > r.content > r.headers # r.headers['Content-Type']或 r.headers.get('content-type') > r.history |
7. beautifulsoup4
BeautifulSoup将HTML文档转换成一个树形结构，每个节点都是Python对象，所有对象可以归纳为4种：Tag、NavigableString、BeautifulSoup、Comment。
- 当前结点：
.name：标签名
.attr：标签的属性集合（json）
.string：标签内容
.strings：标签对象包含的多个内容列表（list）
.stripped_strings：去除多余空白内容后的多个内容列表（list）
- 直接/所有子节点：
.contents
.children .descendants
- (所有)父节点：
.parent .parents
- 兄弟节点：
.next_sibling
.previous_sibling
- 前后节点【不分层次】：
.next_element .next_elements
.previous_element .previous_elements
搜索文档树
- find_all、find
- find_parents、find_parent
- find_next_siblings、find_next_sibling
- find_previous_siblings、find_previous_sibling
- find_all_next、find_next
- find_all_previous、find_previous
- select
name参数：标签名、正则表达式、列表、True（匹配任何值）、方法
keyword参数：class、id、href等标签属性
text 参数：标签内容
limit参数：返回列表的大小
recursive 参数，是否仅包含直接子结点（True/False）
标签名不加任何修饰，类名前加点，id名前加 #
| import re from bs4 import BeautifulSoup
def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id')
soup = BeautifulSoup(html) > soup.prettify() > soup.find_all(has_class_but_no_id) > soup.find(re.compile("^b")) > soup.select('a[class="sister"]')
if type(soup.a.string)==bs4.element.Comment: print(soup.a.string) #遍历某一对象的非注释字符串 for str in soup.stripped_strings: print(repr(str)) |
8. numpy
- 常用属性：Itemsize（单个元素字节数）、size（元素个数）、shape、ndim（维数）、dtype、axis=0（列）/1（行）
- 常用函数：max、min、sum、sin、floor（向下取整）、dot（矩阵相乘）、exp、.vstack（纵向合并）、hstack（横向合并）
- 矩阵运算：transpose（转置）、trace（迹）、eig（特征值和特征向量）、inner（内积）、outer（外积）
| import numpy as np import numpy.linalg as nplg
a = np.array([[1,2],[3,4]] , dtype=np.int32) #[[1 2][3 4]] nplg.eig(a) #矩阵A的特征向量和特征值 b = np.arange(6).reshape(2,3) #[[0 1][2 3][4 5]] c = np.linspace(1,3,9) #[1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3.] d = np.zeros((1,3)) # ones全1矩阵；eyes 单位矩阵；zeros 全0矩阵 e = d.repeat(2,axis=0) #[[0 0 0][0 0 0]] np.merage(a,b) #合并数据
a.tofile("a.bin") f = np.fromfile("a.bin", dtype= a.dtype) f.shape = a.shape
np.save("a.npy", a) g = np.load("a.npy") |
9. scipy
10. sklearn
1) Scikit-learn本身不支持深度学习和加强学习，也不支持GPU加速，不支持图模型和序列预测；
2) Scikit-learn从来不做除机器学习领域之外的其他扩展；
3) Scikit-learn从来不采用未经广泛验证的算法；
- 数据预处理
特征提取：将输入数据转换为具有零均值和单位权方差的新变量
归一化：将文本或图像数据转换为可用于机器学习的数字变量
| from sklearn.preprocessing import *
# z-score标准化：减去均值，除以标准 X = StandardScaler().fit_transform(X) # 最小-最大规范化：缩放至特定范围 X = MinMaxScaler().fit_transform(X) X = MaxAbsScaler().fit_transform(X) # 数据归一化/规范化 X = Normalizer(X, norm='l2').fit_transform(X) # norm可取值l1,l2,max # 数值特征二值化 X = Binarizer(threshold=1.1).fit_transform(X) # threshold为阈值 # 类别数据编码，OneHot编码：OneHotEncoder # 标签二值化：将类别特征转换为多维二元特征，并将每个特征扩展成用一维表示 label_binarize([1, 6], classes=[1, 2, 4, 6]) # 输出[1, 0, 0, 0],[0, 0, 0, 1] # 类别编码 LabelEncoder().fit_transform(['A','A','b','c']) # 输出[0, 0, 1, 2] # 缺失值填补 imp = Imputer(missing_values='NaN', strategy='mean', axis=0) imp.fit_transform([[1, 2], [np.nan, 3], [7, 6]])) #[[1, 2], [4, 3], [7, 6]] # 生成多项式特征 例：[a,b] -> [1,a,b,a^2,ab,b^2] PolynomialFeatures(2).fit_transform(X) # 增加伪特征 FunctionTransformer(np.log1p).fit_transform([[0, 1], [2, 3]]) |
- 分类算法
线性：朴素贝叶斯（NB）、K-最近邻（KNN）、逻辑回归（LR）
n 训练和预测的效率较高，但对特征的依赖程度也高
n 需在特征工程上尽量对特征进行选择、变换或者组合，使得特征具有线性可分性
非线性：随机森林（RF）、决策树（DT）、梯度提升（GBDT）、支持向量机-交叉验证（SVM-CV）、多层感知机（MLP）神经网络
n 可建模复杂的分类面，能更好的拟合数据。
| # NB(Multinomial Naive Bayes) Classifier from sklearn.naive_bayes import MultinomialNB model = MultinomialNB(alpha=0.01) # KNN Classifier from sklearn.neighbors import KNeighborsClassifier model = KNeighborsClassifier() # LR(Logistic Regression) Classifier from sklearn.linear_model import LogisticRegression model = LogisticRegression(penalty='l2') # RF(Random Forest) Classifier from sklearn.ensemble import RandomForestClassifier model = RandomForestClassifier(n_estimators=8) # DT(Decision Tree) Classifier from sklearn import tree model = tree.DecisionTreeClassifier() # GBDT(Gradient Boosting Decision Tree) Classifier from sklearn.ensemble import GradientBoostingClassifier model = GradientBoostingClassifier(n_estimators=200) # SVM Classifier from sklearn.svm import SVC model = SVC(kernel='rbf', probability=True) # SVM Classifier using CV(Cross Validation) from sklearn.grid_search import GridSearchCV from sklearn.svm import SVC model = SVC(kernel='rbf', probability=True) param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]} grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1) grid_search.fit(train_x, train_y) best_parameters = grid_search.best_estimator_.get_params() for para, val in best_parameters.items(): print para, val model=SVC(kernel='rbf',C=best_parameters['C'],gamma=best_parameters['gamma'],probability=True) # MLP Classifier from sklearn.neural_network import MLPClassifier clf=MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(5,2),random_state=1) #建立模型 model.fit(train_x, train_y) #预测与评价 from sklearn import metrics predict = model.predict(test_x) precision = metrics.precision_score(test_y, predict) recall = metrics.recall_score(test_y, predict) accuracy = metrics.accuracy_score(test_y, predict) |
- 回归分析
支持向量回归（SVR）
贝叶斯回归、内核岭回归（KR）、高斯回归
岭回归：通过增加惩罚函数来判断、消除特征间的共线性
Lasso回归（least absolute shrinkage and selection operator，最小绝对值收缩和选择算子）
弹性网络（Elastic Net）：使用L1和L2先验作为正则化矩阵的线性回归模型
最小角回归（LARS，least angle regression），可用作参数选择，得到一个相关系数的稀疏向量
| # 产生200个样本，500个特征（维）的回归样本空间 from sklearn.datasets import make_regression reg_data, reg_target = make_regression(n_samples=200, n_features=500, n_informative=5, noise=5) # 线性回归、贝叶斯回归、Lasso回归以及特征提取、岭回归、LARS回归 from sklearn import linear_model regr_model = linear_model.LinearRegression() bys_model = linear_model.BayesianRidge(compute_score=True) lasso_model = linear_model.Lasso() r_model = linear_model.Ridge(alpha=.5) lars_model = linear_model.Lars(n_nonzero_coefs=10) # 交叉验证 lasso_cv = linear_model.LassoCV(alphas=None, copy_X=True, cv=None, eps=0.001, fit_intercept=True, max_iter=1000, n_alphas=100, n_jobs=1, normalize=False, positive=False, precompute='auto', random_state=None, selection='cyclic', tol=0.0001,verbose=False) lasso_cv.fit(reg_data, reg_target) > lasso_cv.alpha_ # 正则化项L1的系数 > lasso_cv.intercept_ # 截距 new_reg_data = reg_data[:,lasso_cv.coef_!=0] #相关系数!=0的特征，被提取得到 # 高斯回归 from sklearn import gaussian_process gp_model = gaussian_process.GaussianProcess(theta0 = 1e-2, thetaL = 1e-4, thetaU= 1e-1) # SVR回归、KR回归 from sklearn.svm import SVR from sklearn.grid_search import GridSearchCV from sklearn.kernel_ridge import KernelRidge svr_model = GridSearchCV(SVR(kernel = 'rbf', gamma = 0.1), cv = 5, param_grid = {"C": [1e0,1e1,1e2,1e3], "gamma": np.logspace(-2, 2, 5)}) kr_model = GridSearchCV(KernelRidge(kernel = 'rbf', gamma = 0.1), cv = 5, param_grid = {"alpha": [1e0,0.1,1e-2,1e-3], "gamma": np.logspace(-2,2,5)}) #训练模型 model.fit (X_train, y_train) # 打印相关系数 print('Coefficients: \n', model.coef_) print("Residual sum of squares: %.2f" % np.mean((model.predict(X_test) - y_test) ** 2)) print('Variance score: %.2f' % model.score(X_test, y_test)) |
- 聚类算法（无监督）
K-均值（K-means）聚类，谱聚类，均值偏移，分层聚类，DBSCAN聚类
| import numpy as np from sklearn import datasets
# 产生500个样本，6个特征（维），5个簇的聚类样本空间 X, Y = datasets.make_blobs(n_samples=500, n_features=6, centers=5, cluster_std=[0.4, 0.3, 0.4, 0.3, 0.4], random_state=11)
# K-means Cluster from sklearn.cluster import KMeans clf_model = KMeans(n_clusters=3, max_iter=300, n_init=10) # 谱聚类 from sklearn.cluster import SpectralClustering clf_model = SpectralClustering() #或SpectralClustering(n_clusters=k, gamma=gamma) # DBSCAN Cluster from sklearn.cluster import DBSCAN clf_model = DBSCAN(eps = 0.3, min_samples = 10) #建立模型 clf_model.fit(X) y_pred = clf_model.fit_predict(X) #预测与评价 from sklearn import metrics y_pred = clf_model.labels_ n_clusters_ = len(set(y_pred)) - (1 if -1 in y_pred else 0) print("Estimated number of clusters: %d" % n_clusters_) print("Homogeneity: %0.3f" % metrics.homogeneity_score(Y, y_pred)) print("Completeness: %0.3f" % metrics.completeness_score(Y, y_pred)) print("V-measure: %0.3f" % metrics.v_measure_score(Y, y_pred)) print("Adjusted Rand Index: %0.3f" % metrics.adjusted_rand_score(Y, y_pred)) print("Adjusted Mutual Information: %0.3f" % metrics.adjusted_mutual_info_score(Y, y_pred)) print("Silhouette Coefficient: %0.3f" % metrics.silhouette_score(X, y_pred)) print("Calinski-Harabasz Score", metrics.calinski_harabaz_score(X, y_pred)) |
- 数据降维
目的：减少要考虑的随机变量的个数
应用场景：可视化处理、效率提升
主成分分析（PCA）、非负矩阵分解（NMF）、文档生成主题模型(LDA)、特征选择
| # PCA (Principal Components Analysis) from sklearn import decomposition pca = decomposition.PCA() pca.fit(X) # 直接对数据进行降维 print(pca.explained_variance_) pca.n_components = 2 X_reduced = pca.fit_transform(X)
# NMF(Nonnegtive Matrix Factorization) from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.decomposition import NMF tfidf_vector = TfidfVectorizer(max_df=0.95, min_df=2, max_features=n_features, stop_words='english') tfidf = tfidf_vector.fit_transform(data_samples) nmf = NMF(n_components=n_topics, random_state=1, alpha=.1, l1_ratio=.5).fit(tfidf)
# LDA(Latent Dirichlet Allocation) from sklearn.feature_extraction.text import CountVectorizer from sklearn.decomposition import LatentDirichletAllocation tf_vector = CountVectorizer(max_df=0.95, min_df=2, max_features=n_features, stop_words='english') tf = tf_vector.fit_transform(data_samples) lda = LatentDirichletAllocation(n_topics=n_topics, max_iter=5, learning_method='online', learning_offset=50, random_state=0) .fit(tf) # 打印模型结果 feature_names = vector.get_feature_names() for topic_idx, topic in enumerate(model.components_): print("Topic #%d:" % topic_idx) print(" ".join([feature_names[i] for i in topic.argsort()[:-n_top_words - 1:-1]])) |
- 模型选择
对于给定参数和模型的比较、验证和选择
目的：通过参数调整来提升精度
格点搜索，交叉验证，各种针对预测误差评估的度量函数
| #交叉验证 from sklearn import metrics from sklearn.svm import SVC from sklearn.model_selection import cross_val_score
clf = SVC(kernel='linear', C=1) scores = cross_val_score(clf, iris.data, iris.target, cv=5, scoring='f1_macro') print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
# 模型的保存与载入 import pickle from sklearn.externals import joblib
joblib.dump(clf , 'c:/km.pkl') clf = joblib.load('c:/km.pkl') with open('save/clf.pickle', 'wb') as f: pickle.dump(clf, f) with open('save/clf.pickle', 'rb') as f: clf = pickle.load(f) print(clf.predict(X[0:1])) #测试读取后的Model |
11. matplotlib
| from matplotlib.matlab import * from pylab import *
plot(x, y1, 'r*', linewidth=2, label='f(x)=sin(x)') #普通曲线图 plot(x, y2, 'b-', linewidth=2, label='f(x)=2^x') xlabel('x'); ylabel('f(x)'); title('Simple plot') legend(loc='upper left') # 添加图例 grid(True) # 显示网格 savefig("sin.png" ,dpi=72) # 保存图表（dpi为分辨率） show() # 显示图表，注：每次显示后刷新画板
text(2,4, r'αiβjπλω' , size=15) # text(4,4, r'sin(0)=cost(π2)' , size=15) # text(2,2 , r'limx→y1x3', size=15) # text(4,2 , r'x√4=y√', size=15) # |
12. jieba https://github.com/fxsjy/jieba
| import jieba import jieba.posseg as pseg sentence = "我来到北京清华大学" #分词 seg_list = jieba.cut(sentence, cut_all=True) # 全模式 seg_list = jieba.cut(sentence, cut_all=False) # 精确模式 seg_list = jieba.cut(sentence) # 默认是精确模式 seg_list = jieba.cut_for_search(sentence) # 搜索引擎模式 #加载词典，格式：词语 [词频] [词性] jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径 #手动调整使某个词（不）分开 jieba.suggest_freq(('中', '将'), True) jieba.suggest_freq('台中', True) #关键词提取 jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n','v')) jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n','v')) #词性标注 words = pseg.cut(sentence) for word, flag in words: print('%s %s' % (word, flag)) |
13. pandas
| import numpy as np import pandas as pd from pandas import Sereis, DataFrame
data = DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('wxyz')) a b c d w 0 1 2 3 x 4 5 6 7 y 8 9 10 11 z 12 13 14 15
data[1:4,0:3] #第2到4行，第1到3列 data[['x':'z'],[0:2]] data.iat[1:4,[0:2]] data.ix[1:4,[‘a’,’b’,’c’]] data.loc[['x',’y’,’z’],[‘a’:’c’]]
data.irow(0) #第1行 data.iloc[-1:] #最后1行 data.icol(0) #第1列 data.iloc[:-1] #最后1列 data.ix[data.a>5,3] # ‘a’列>5的值所在行【’y’,’z’】，第4列的数据
data.head() #返回data的前几行数据，默认为前五行，需要前十行则data.head(10) data.tail() #返回data的后几行数据，默认为后五行，需要后十行则data.tail(10)
|
14. nltk
l nps_chat # 即时消息聊天会话语料库
l brown # 布朗语料库
[1] 是第一个百万词级的英语电子语料库
[2] 由布朗大学于 1961年创建，包含500个不同来源的文本
[3] 按照文体分类：['adventure', 'belles_lettres', 'editorial', 'fiction', 'government', 'hobbies', 'humor', 'learned', 'lore', 'mystery', 'news', 'religion', 'reviews', 'romance', 'science_fiction']
l reuters # 路透社语料库
[1] 包含 10,788 个新闻文档，共计 130 万字
[2] 这些文档分成 90 个主题，按照“训练”和“测试”分为两组
[3] 新闻报道往往涉及多个主题，类别往往互相重叠
[4] 可以查找由一个或多个文档涵盖的主题，也可以查找包含在一个或多个类别中的文档
l inaugural # 就职演说语料库
[1] 55个文本，每个文本都是一个总统的演说，具有时间维度
l udhr # 标注文本语料库 “世界人权宣言”
[1] 包含多国语言['Chickasaw', 'English','German_Deutsch','Greenlandic_Inuktikut','Hungarian_Magyar', 'Ibibio_Efik']
15. PIL
| import zbar from PIL import Image
#识别二维码 scanner = zbar.ImageScanner() #创建图片扫描对象 scanner.parse_config('enable') #设置对象属性 img = Image.open(filename).convert('L') #打开一张二维码图片, #默认mode="r" qrCode = zbar.Image(img.width, img.height,'Y800', img.tobytes()) #转换图片为字节信息并扫描 scanner.scan(qrCode) data += s.data for s in qrCode del(img) # 删除图片对象 print(data) # 输出解码结果
#在图片上添加文字，增加噪音点 draw = ImageDraw.Draw(img) font = ImageFont.truetype(fontfile, min(img.size)/30) draw.text((0,img.height - fontsize), data, font=font, fill=(255,0,0)) draw.point((random.randint(0,width), random.randint(0,height)), fill=(0,0,255))
#按比例缩放后，模糊处理并保存 rate = max( img.width/p_width, img.height/p_height ) if rate!=0: img.thumbnail((img.size[0]/rate , img.size[1]/rate)) #注：此处有两个括号 img = img.filter(ImageFilter.BLUR) img.show(); img.save(filename, 'jpeg') # 或者是'png' img.close() |
16. goose
17. xgboost
l 优势
1、 正则化，减少过拟合
2、 并行处理，也支持Hadoop实现
3、 高度的灵活性，允许自定义优化目标和评价标准
4、 缺失值处理
5、 剪枝
6、 内置交叉验证，获得最优boosting迭代次数
7、 可在已有模型上继续训练
l 参数
1、 通用参数：宏观函数控制
u booster：每次迭代的模型，gbtree（默认）：基于树的模型，gbliner：线性模型
u silent：0-默认；1-静默模式，不输出任何信息
u nthread：默认值为最大可能的线程数
2、 Booster参数：控制每一步的booster(tree/regression)
u eta [默认0.3]：学习速率，通过减少每一步的权重，可提高模型的鲁棒性。 典型值为0.01-0.2。
u min_child_weight [默认1]：最小样本权重的和
u max_depth [默认6]：树的最大深度，典型值：3-10
u max_leaf_nodes：最大的节点或叶子的数量
u gamma [默认0]：节点分裂所需的最小损失函数下降值
u max_delta_step [默认0]：每棵树权重改变的最大步长
u subsample [默认1]：每棵树随机采样的比例，典型值：0.5-1
u colsample_bytree [默认1]：每棵随机采样的列数的占比(每一列是一个特征)。 典型值：0.5-1
u colsample_bylevel [默认1]：树的每一级的每一次分裂，对列数的采样的占比
u lambda [默认1]：权重的L2正则化项，和Ridge regression类似
u alpha [默认1]：权重的L1正则化项，和Lasso regression类似，可以应用在很高维度的情况下，使得算法的速度更快
u scale_pos_weight [默认1]：在样本不平衡时，把这个参数设为一个正值，可以使算法更快收敛
3、 学习目标参数：控制训练目标的表现
u objective [默认reg:linear]：需要被最小化的损失函数。
l binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)
l multi:softmax 使用softmax多分类器，返回预测的类别(不是概率)，还需设一个参数：num_class(类别数目)
l multi:softprob 和multi:softmax参数一样，但是返回的是每个数据属于各个类别的概率
u eval_metric [默认值取决于objective参数的取值]：对于有效数据的度量方法。
l 对于回归问题，默认值是rmse，均方根误差
l 对于分类问题，默认值是error，二分类错误率(阈值为0.5)
l mae 平均绝对误差
l logloss 负对数似然函数值
l merror 多分类错误率
l mlogloss 多分类
l logloss损失函数
l auc 曲线下面积
u seed [默认0]：随机数的种子，设置它可复现随机数据的结果，也可用于调整参数
| import xgboost as xgb
#加载XGBoost的二进制的缓存文件 dtrain = xgb.DMatrix('train.svm.txt') deval = xgb.DMatrix('test.svm.buffer')
#加载Numpy的二维数组，并处理 DMatrix中的缺失值，给样本设置权重 data = np.random.rand(5,10) # 5个训练样本，10个特征 label = np.random.randint(2, size=5) w = np.random.rand(5,1) dtrain = xgb.DMatrix( data, label=label, missing = -999.0, weight=w)
#将scipy.sparse格式的数据转化为 DMatrix格式 csr = scipy.sparse.csr_matrix((data, (row,col))) dtrain = xgb.DMatrix(csr)
#将DMatrix格式的数据保存成XGBoost的二进制格式，在下次加载时可以提高加载速度 dtrain.save_binary("train.buffer")
#参数设置 params = { 'booster': 'gbtree', # gbtree（默认）：基于树的模型，gbliner：线性模型 'objective': 'binary:logistic', 'eval_metric':'logloss', 'scale_pos_weight':1, #样本不平衡时，把这个参数设定为正值，可使算法更快收敛 'max_depth':6, #通常取[3,10], 树的最大深度 'min_child_weight':1, #默认为1，最小样本权重的和 'gamma':0.15, #通常取[0.1,0.2]，节点分裂所需的最小损失函数下降值，默认为0 'subsample':0.9, #通常取[0.5,1]，每棵树随机采样的比例 'colsample_bytree':0.9, #通常取[0.5,0.9]，随机采样的列数的占比(每一列是一个特征)，默认为1 'lambda':0.1, #权重的L2正则化项 'alpha':0.2, #权重的L1正则化项 'eta':0.15 #学习速率，默认为0.3，通常取[0.01,0.2] } plst = param.items()
#调整参数 res = xgb.cv(params, xgTrain)
#定义验证数据集，验证算法的性能 evallist = [(deval,'eval'), (dtrain,'train')]
#训练模型 num_round = 10 bst = xgb.train( plst, dtrain, num_round, evallist, evals=evals, early_stopping_rounds=5) #保存模型 bst.save_model('model.bin') bst.dump_model('dump.raw.txt') bst.dump_model('dump.raw.txt','featmap.txt')
#加载模型 bst = xgb.Booster({'nthread':4}) model = bst.load_model("model.bin")
#预测结果 data = np.random.rand(7,10) # 7个测试样本，10个特征 dtest = xgb.DMatrix(data, missing = -999.0 ) ypred = bst.predict(model) ypred = bst.predict(model, ntree_limit=bst.best_iteration) |
转自：https://www.cnblogs.com/sweetyu/p/6863560.html
