介紹

處理數(shù)據(jù)的過程消耗了人們在日常工作中的大量時間，而且我也經(jīng)歷過。我不僅處理過數(shù)值數(shù)據(jù)，還處理過文本數(shù)據(jù)，這需要大量的預處理，可以通過nltk、textblob和pyldavis等庫來幫助。

[[375704]]

下面我將討論這些庫的概述和具體的功能、關于安裝的代碼，以及如何使用這些有益的庫的示例。

Pandas

Pandas庫[3]對于致力于探索性數(shù)據(jù)分析的數(shù)據(jù)科學家來說是一個必不可少的庫。顧名思義，它使用pandas來分析你的數(shù)據(jù)，或者更具體地說，pandas數(shù)據(jù)幀。

以下是一些你可以從HTML報表中訪問和查看的功能：

• 類型推斷
• 唯一值
• 缺少值
• 分位數(shù)統(tǒng)計(例如，中位數(shù))
• 描述性統(tǒng)計
• 直方圖
• 相關性(如皮爾遜)
• 文本分析

如何安裝?

使用pip：

pip install -U pandas-profiling[notebook] 
jupyter nbextension enable --py widgetsnbextension 
 
這種方式對我也很管用： 
 
pip install pandas-profiling 
import pandas_profiling 

例子：

下面是我們可以從profile report功能訪問的可視化示例之一?？梢钥吹揭粋€易于理解的彩色的相關性可視化圖。

局限性：

如果有一個大的數(shù)據(jù)集，這個概要報告可能需要相當長的時間。我的解決方案是要么簡單地使用較小的數(shù)據(jù)集，要么對整個數(shù)據(jù)集進行采樣。

NLTK

通常與nltk相關的術語是NLP，或者自然語言處理，它是數(shù)據(jù)科學(和其他學科)的一個分支，它更容易地包含對文本的處理。導入nltk之后，你可以更輕松地分析文本。

以下是你可以使用nltk訪問的一些功能：

• 標記化文本(例如，[“標記化”，“文本”])
• 詞性標記
• 詞干提取和詞形還原

如何安裝：

pip install nltk 
import nltk 

例子：

import nltk 
 
thing_to_tokenize = “a long sentence with words” 
 
tokens = nltk.word_tokenize(thing_to_tokenize) 
 
tokens 
 
returns: 
 
[“a”, “long”, “sentence”, “with”, “words”] 

我們需分開每個單詞，以便對其進行分析。

在某些情況下需要分隔單詞。然后它們可以被標記、計數(shù)，機器學習算法的新指標可以使用這些輸入來創(chuàng)建預測。利用nltk的另一個有用的特性是文本可以用于情感分析。情感分析在很多企業(yè)中都很重要，尤其是那些有客戶評論的企業(yè)?，F(xiàn)在我們討論情感分析，讓我們看看另一個有助于快速情感分析的庫。

TextBlob

TextBlob[8]與nltk有很多相同的優(yōu)點，但是它的情感分析功能非常出色。除了分析之外，它還具有利用樸素貝葉斯和決策樹支持分類的功能。

以下是你可以使用TextBlob訪問的一些功能：

• 標記化
• 詞性標注
• 分類
• 拼寫更正
• 情感分析

如何安裝：

pip install textblob 
 
from textblob import TextBlob 

例子：

情感分析：

review = TextBlob(“here is a great text blob about wonderful Data Science”) 
 
review.sentiment 
 
returns: 
 
Sentiment(polarity=0.80, subjectivity = 0.44) 

正常浮點范圍為[-1.0，1.0]，而積極情感介于[0.0，1.0]之間。

分類：

from textblob.classifiers import NaiveBayesClassifier 
 
training_data = [(‘sentence example good one’, ‘pos’), (‘sentence example great two’, ‘pos’), (‘sentence example bad three’, ‘neg’), (‘sentence example worse four’, ‘neg’)] 
 
testing_data = [(‘sentence example good’, ‘pos’), (‘sentence example great’, ‘pos’)] 
 
cl = NaiveBayesClassifier(training_data) 

你可以使用這個分類器對文本進行分類，該分類器將返回“pos”或“neg”輸出。

這些來自textblob的簡單代碼提供了非常強大和有用的情感分析和分類。

pyLDAvis

另一個使用NLP的工具是pyLDAvis[10]。它是一個交互式主題模型可視化工具的庫。例如，當我使用LDA(潛Dirichlet分布)執(zhí)行主題模型時，我通常會看到單元格中的主題輸出，這可能很難閱讀。然而當它出現(xiàn)在一個很好的視覺總結中時，它會更有益，也更容易消化，就像pyLDAvis一樣。

以下是你可以使用pyLDAvis訪問的一些功能：

• 顯示了前30個最突出的術語
• 有一個交互式調整器，允許你滑動相關性度量
• 顯示x軸上的PC1和y軸上的PC2的熱門主題
• 顯示與大小對應的主題

總的來說，這是一種讓人印象深刻的主題可視化方式，這是其他任何庫都無法做到的。

如何安裝：

pip install pyldavis 
 
import pyldavis 

例子：

為了看到最好的例子，這里有一個Jupyter Notebook[11]參考資料，它展示了這個數(shù)據(jù)科學庫的許多獨特和有益的特性: https://nbviewer.jupyter.org/github/bmabey/pyLDAvis/blob/master/notebooks/pyLDAvis_overview.ipynb

NetworkX

這個數(shù)據(jù)科學包NetworkX[13]，將其優(yōu)勢集中在生物、社會和基礎設施網(wǎng)絡可視化上。

以下是你可以使用NetworkX訪問的一些功能：

• 創(chuàng)建圖形、節(jié)點和邊
• 檢驗圖的元素
• 圖結構
• 圖的屬性
• 多重圖
• 圖形生成器和操作

如何安裝：

pip install networkx 
 
import networkx 

例子：

創(chuàng)建圖形

import networkx 
 
graph = networkx.Graph() 

你可以與其他庫協(xié)作，例如matplotlib.pyplot也可以創(chuàng)建圖形的可視化(以數(shù)據(jù)科學家習慣于看到的方式)。

總結

如你所見，有很多有用的數(shù)據(jù)科學庫可以很容易地訪問。本文對一些探索性的數(shù)據(jù)分析庫、自然語言處理庫(NLP)和圖形庫做了一些說明。

我們討論的頂級數(shù)據(jù)科學庫、平臺、包和模塊包括：

Pandas Profiling 
 
NLTK 
 
TextBlob 
 
pyLDAvis 
 
NetworkX