下载掌阅APP，畅读海量书库
立即打开
在大数据安全分析领域，Python语言可以大显身手，因为Python的设计哲学是“优雅、明确、简单”。Python开发者的哲学是“用一种方法，最好是只有一种方法来做一件事”。在设计Python程度时，如果面临多种选择，Python开发者一般会拒绝花哨的语法，而选择明确的没有或者很少有歧义的语法。几乎在任何涉及软件开发的领域都可以看到Python的身影，在机器学习领域它更是威名远扬，大量的优秀机器学习库都是基于Python开发或者提供Python接口的。所以本节从机器学习领域常见的编程工具开始讲起，重点介绍Python语言在机器学习领域的优势和应用，包括Python的基本语法、数据结构以及标准库，以及Python在数据分析领域的几个重要库：NumPy、Pandas和Scikit-Learn。
常见的几种机器学习编程工具如下。
· WEKA Machine Learning：全名是怀卡托智能分析环境，使用Java开发的数据挖掘实验平台，集成了大量能够承担数据挖掘任务的机器学习算法，包括预处理、分类、回归、聚类和关联规则等。
· R Platform：是一套完整的数据处理、计算和制图软件系统。其功能包括数据存储和处理系统，以及数组运算工具（其向量、矩阵运算功能尤其强大）。
· Python Scikit-Learn：用于数据挖掘和数据分析的一种流行Python库，使用了众多机器学习算法。
· Apache SparkMLlib：是一个内存数据处理框架，提供了分类、回归、聚类、协同过滤等有用算法和实用数据库。Spark是Apache孵化器中的一个开源框架，为众多机器学习的深度学习网络提供了一个编程工具。
· SPSS modeler：赋予了一线业务人员数据分析的潜力，它具有图形化、流程化和函数化特点，同时支持各种数据源的接入和数据格式的导出，还屏蔽了各种模型的复杂性，让高深的建模很容易使用。
· MATLAB：是一种高级的基于矩阵/数组的语言，它有程序流控制、函数、数据结构、输入/输出和面向对象编程等特色。用这种语言能够方便、快捷地建立起简单、运行快的程序，也能建立复杂的程序。
Python的发展很快，几乎每年都在版本迭代。目前Python有两个主要版本，一个是Python 2.x，另一个是Python 3.x。Python 2.x相对于Python 3.x较稳定，现有的第三方库多支持Python 2.x，对Python3.x的支持不太够，特别是特殊数学运算和图形处理等。不过官方自2020年1月1日起已经停止了对Python 2.x的维护，Python 3.x是大势所趋。
如图2-10所示，Jupyter是一个写Python的轻量级Web工具，在数据分析这个领域很热门，虽然功能没有Pycharm、Spyder这些专业的IDE强大，但只要代码少于500行就非常方便。Jupyter也开始支持一些Multicursor功能了，可以一次修改许多的变量名称。
·图2-10 Jupyter工具
Jupyter安装推荐使用Anaconda，Anaconda中的套件还包括后面章节中涉及的Python第三方数据分析库NumPy、Pandas、Matplotlib、Seaborn和Scikit-Learn等，适用于Windows、macOS以及Linux系统。
Python基础知识主要包括基础语法、数据结构、编写函数、语法结构和标准库等。
1. Python基础语法
和其他语言类似，Python基础语法主要如下。
1）注释：#，
，＂＂＂。
2）运算符。
· 算法运算：∗，/，//，∗∗。
· 逻辑运算：and, or, not。
· 成员运算：in, not in。
3）变量类型：
· 数值：int(x), float(x), complex(x), complex(x, y)。
· 字符：string(x)。
4）变量操作：+，∗，[]，[：]。
2. Python数据结构
Python中常见的数据结构包括列表、元组、字典、集合以及字符串等，分别如下。
1）列表list（）：列表是任何对象的有序集合，元素之间用逗号隔开，示例如图2-11所示。
·图2-11 Python列表list()
2）元组tuple（）：Python元组是简单的数据结构，用于对任意对象进行分组。元组是不可变的，创建后无法修改，示例如图2-12所示。
·图2-12 Python元组tuple()
3）字典dict（）：字典是一个键值对集合，示例如图2-13所示。
·图2-13 Python字典dict()
4）集合set（）：集合里的元素是不能重复的，示例如图2-14所示。
·图2-14 Python集合set()
5）字符串str（）：由数值、字母、下画线组成的一串字符，可以使用单引号（'）、双引号（＂）和三引号（
）指定字符串，使用“+”号可以连接两个字符串，示例如图2-15所示。
·图2-15 Python字符串str()
图2-16所示为Python数据结构及方法。
Python数据类型可分为可变对象和不可变对象两类。
1）可变对象类型：当变量的值发生改变时，它对应的内存地址也会改变，这种数据类型就称为可变对象类型，主要包括list、dict、set、byte array，操作如图2-17所示。
·图2-16 Python数据结构及方法
·图2-17 Python可变对象类型
2）不可变对象类型：当变量的值发生改变时，它对应的内存地址不发生改变，这种数据类型就称为不可变对象类型，主要包括int、float、complex、string、tuple、frozen set、bytes，操作如图2-18所示。
3. Python编写函数
本书目前为止提到的程序都比较小，如果想编写大型程序，很快就会遇到麻烦，这时就可以通过函数来对程序进行抽象。函数由函数名、输入、处理过程以及输出组成。在Python中主要有两种创建函数的方式。
1）通过def关键字来定义函数，具体格式如下。
·图2-18 Python不可变对象类型
2）通过lambda函数来定义，此方式可以简化函数定义，使得代码更加简洁美观，具体格式如下。
如图2-19所示，函数是可以被调用的，short_function是通过def关键字来定义的，equiv_anon是通过lambda函数的方式来定义的，示例分别展示了其定义方式和调用方法。
·图2-19 Python函数创建及调用
4. Python语法结构
（1）条件控制
if语句可以实现条件执行，即如果条件（if和冒号之间的表达式）判定为真，那么后面的语句块（本例中是单个print语句）就会被执行。如果条件为假，语句块就不会被执行，如图2-20所示。
（2）循环语句
while语句非常灵活，它可以用来在任何条件为真的情况下重复执行一个代码块。for语句与之类似，如图2-21所示。
·图2-20 Python if条件控制
·图2-21 Python while循环语句
5. Python标准库
Python的标准库是Python安装的时候默认自带的库，Python的第三方库需要下载后安装到Python的安装目录下。但它们的调用方式是一样的，都需要用import语句。简单地说，它们一个是默认自带、不需要下载安装的库，一个是需要下载安装的库。
Python常见的标准库包括：
· 操作系统接口 import os。
· 文件通配符 import glob。
· 命令行参数 import sys。
· 字符串正则匹配 import re。
· 数学 import math。
· 随机数 import random。
· 访问互联网 from urllib.request import urlopen。
· 日期和时间 from datetime import date。
· 数据压缩 import zlib。
6. Python数据分析
Python在机器学习领域应用广泛，主要原因有两个。
· 语法简单，功能强大。
· 生态完整，具备丰富的第三方库，对应的机器学习库非常丰富。
下面将重点介绍五个库。
1）NumPy：Python做多维阵列（矩阵）运算时的必备套件，比起Python内建的list，NumPy的array有极快的运算速度，如图2-22所示。
·图2-22 Python list和NumPy array效率对比
NumPy的基本操作如图2-23所示。
·图2-23 NumPy基本操作
2）Pandas：Pandas基于NumPy、SciPy补充了大量数据操作功能，能实现统计、分组、排序、透视表，可以代替Excel的绝大部分功能。Pandas主要有两种重要数据类型：Series和DataFrame（一维序列、二维表），如图2-24所示。
·图2-24 Python Pandas数据结构
其中，Pandas DataFrame的基本操作如图2-25所示。
·图2-25 Pandas DataFrame基本操作
3）Matplotlib：基本的可视化工具，可以画条形图、折线图等。
4）Seaborn：另一个知名的可视化工具，图形比Matplotlib美观。
5）Scikit-Learn: Python关于机器学习的模型基本上都在这个套件中，如SVM、Random Forest等。