为什么是Python
先来聊聊为什么做数据分析一定要用Python
或R
语言。编程语言这么多种,Java
, PHP
都很成熟,但是为什么在最近热火的数据分析领域,很多人选择用Python
语言?
数据分析只是一个需求,理论上来讲,任何语言都可以满足任何需求,只是麻烦与简易之别。Python
这门语言诞生也相当之早,它的第一个版本是26
年前发表的,曾经(或者说当前)也被用于web开发,但是就流行程度来说,远远干不过Java
和PHP
。东方不亮西方亮,在与Java
干仗失败的这20几年时光里,Python
练就了一身独门武艺,是Java
和PHP
远远不及的(当然以后是不是能追得上来,目前还不好说)。你要说做个博客网站,Python
的特长不在这里,PHP
和Java
也是分分钟的事情。你要说做个BBS
网站,做个电商网站,PHP
手到擒来。Python
在这些方面和Java
或者PHP
竞争,基本就是作死的节奏,虽然也有django
这样的框架,但流行程度远远不及其他语言。但在这些年默默的失败背后,有一帮研究人员用Python
干出了一些惊天地泣鬼神的神器,使Python
在数据研究领域做到了除了R
语言以外基本无人能及的地步。
Jupyter
首先,第一神器是Jupyter
。如果你是第一次使用,可能搞不清楚它的开发者做这么个鬼东西出来干什么,说它是博客系统也不像,说它是web服务器也不像,但它就是有用。因为我们传统的web开发首先想的就是面向公众,你做一个服务器就是要服务成千上万浏览器的,当然Jupyter
也可以服务众多浏览器,但它更多的还是方便研究人员,对研究人员来说简直是太方便了,你把代码像写文章一样直接写在输入框里,然后在本页面直接就看到了这个代码的结果,随时修改,随时展现,文码混排,是Markdown
的一个增强版,毕竟Markdown
还只能显示文字,最多再加上一些图片,而Jupyter
是可以直接运行Python
代码的。当然,也有些人试图在Jupyter
里运行PHP
或Java
代码,但显然成不了气候。因为Python
这个语言天生就是脚本语言,可能将来唯一有希望往里移植的就是Javascript
,这货也是一个脚本语言。脚本语言的好处就是不用编译,一行一个结果。纵观计算机语言发展历史,就是一个从繁到简的过程,C语言需要编译+链接才能运行,Java
只要javac
一下,把编译和链接合二为一,PHP
更简单,直接运行就行了,连编译都省了。但是还不够直接,因为还要编写一个.php
文件存盘,然后才能运行,到了Python
以及其它脚本语言这里,可以直接在壳里运行,但最大的问题是运行可以运行,无法保存,要保存就又要跟传统方式一样,找个编辑器来,或者vi
,存成文件以后才可以运行。Jupyter
最大的优点就是:它本身还是一个外壳环境,可以运行脚本,但同时也帮你自动把这些脚本代码保存了下来,不但保存脚本代码,并且你插在脚本代码当中的所有注释不是普通注释,而是各种格式化的Markdown
都一并帮你保存下来,并且可以随时修改。所以它兼具了脚本外壳和文件管理系统的优点,从此你开发Python
代码再也不用先在IDE里写好代码,然后再到终端里去运行,而直接在一个web
页面上就全部搞定了。Java
有这样的工具吗?PHP
有这样的工具吗?没有,所以我们必须选择Python
。
Pandas
第二神器是Pandas
。如果我让你读取一个csv
文件,然后求每一列数据的平均值,最大值,最小值,方差,用Java
或PHP
怎么做?你首先要fopen
一个文件,然后一行一行读进来,再给它整个数据结构,然后弄个循环计算,最后你可能还要fclose
这个文件。总之代码一坨,麻烦死。而Python
语言因为有Pandas
这个神器,一行代码搞定:
df = pd.read_csv('a.csv')
行了,从此以后,df
就是这个DataFrame
,它本身就是一个强大的数据结构,也可以把它理解成mysql
数据库中的一张表吧,各种增删改查,求总和,求平均都是一行代码的事情。所以有这样强大的库,研究人员有什么理由选择Java
?
scikit-learn
第三神器scikit-learn
,一般缩写为sclearn
,各种机器学习算法,基本上只要你能想得到的,线性回归,逻辑回归,SVM,随机森林,最近邻居等等等等,各种算法全部在这里面,简而言之,只有你想不到,没有它做不到,不详述。所以这就是为什么玩机器学习必选Python
的原因,你给我找一个Java
或者PHP
有这样多种算法的库来?
matplotlib
第四神器是matplotlib
。如果我让你根据上面csv
文件里的信息,画一个图,用Java
该怎么做?你当然会去找第三方插件库,然后又是一通折腾,终于把图做出来,然后编译,然后运行。如果我要改配色呢?如果我要求画地图呢?如果要画热力图呢?那个麻烦就不是一星半点,而对于matplotlib
来说,简直就是小菜一碟。简单的直方图就不说了,下面重点介绍如何用matplotlib
配合Basemap
画一个中国地图。
安装Basemap
先安装相应的组件。我假定你已经都安装好了Python
以及Jupyter
等等。如果没有安装的话,就去尝试一下brew install python3
和brew install jupyter
吧,网上有很多教程。
然后你需要用pip3 install
很多我们下面可能需要用到的库。但是因为我们要用一个叫做Basemap
的库,而这个库没有办法用简单的pip3 install
安装,所以稍多两个步骤:
brew install geos
pip3 install https://github.com/matplotlib/basemap/archive/v1.1.0.tar.gz
开始画图
启动Jupyter
之后,我们还是本着从最简单的代码开始。先画一个世界地图:
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap
plt.figure(figsize=(16,8))
m = Basemap()
m.drawcoastlines()
plt.show()
前面两行引入相应的库,真正的代码就4行,够简单吧。第1行甚至可以不写,它定义了图的大小。第2行我们创建一个地图,第3行把海岸线画上,第4行显示这个地图,就是这样:
你用Java
的4
行代码画一个地图出来?
然后我们开始画上国家,又是1行代码:
m.drawcountries(linewidth=1.5)
就变成了这样:
用Java
可能吗?用PHP
可能吗?
如果我们想显示中国地图,只需要在创建Basemap
时指定一下经纬度就行了:
m = Basemap(llcrnrlon=73, llcrnrlat=18, urcrnrlon=135, urcrnrlat=53)
然后就得到了中国地图:
看上去有点变形,这是因为我们没有添加任何投影的原因,Basemap
提供24
种不同的投影方式,你可以自己一个个试一下,比较常用的是兰勃特投影
,我们添加一下:
m = Basemap(llcrnrlon=77, llcrnrlat=14, urcrnrlon=140, urcrnrlat=51, projection='lcc', lat_1=33, lat_2=45, lon_0=100)
这次终于看上去比较正常了:
我们想加上省的边界怎么办呢?Basemap
缺省的包里没有中国的省区,只有美国的州,毕竟是美国人做的嘛。不过好在世界很大,有专门的国际组织干这事,在这里你可以下载全世界任何一个国家的行政区划Shape
文件,然后我们给它加上:
m.readshapefile('CHN_adm_shp/CHN_adm1', 'states', drawbounds=True)
然后就得到了下图:
再往后,你还可以往图上改颜色啦,写数字啦,这些就留待你研究吧。总之,我想说的是,用Python
画地图真的超容易。
最后再为Java
和PHP
美言几句:大家分工不同,Java
和PHP
虽然做这样的数字研究不是很方便,但还是非常适合web
开发的,而Python
在这方面并不适合。所以通常的做法是:首先用Python
验证算法,经过一系列复杂的计算,把算法确定下来之后,当要应用到web
上的时候,再用Java
或者PHP
把最终形成的结论重写一遍,这样就能充分利用各种语言的优势。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。