系列文章目录
机器学习（一） -- 概述
机器学习（二） -- 数据预处理（1-3）
未完待续……
目录
系列文章目录
前言
一、概述
二、数据获取
三、数据分布与趋势探查
1、散点图
2、折线图
3、频率分布直方表、图
4、柱状图
5、饼图
6、数据的统计信息
7、***复杂折线图
8、***分段绘图
9、***帕累托图（Pareto chart）
机器学习（二） -- 数据预处理（2）
机器学习（二） -- 数据预处理（3）
前言
tips：这里只是总结，不是教程哈。本章开始会用到numpy，pandas以及matplotlib，这些就不在这讲了哈。
“***”开头的是给好奇心重的宝宝看的，其实不太重要可以跳过。
此处以下所有内容均为暂定，因为我还没找到一个好的，让小白（我自己）也能容易理解（更系统、嗯应该是宏观）的讲解顺序与方式。
第一文主要简述了一下机器学习大致有哪些东西（当然远远不止这些），对大体框架有了一定了解。接着我们根据机器学习的流程一步步来学习吧，掐掉其他不太用得上我们的步骤，精练起来就4步（数据预处理，特征工程，训练模型，模型评估），其中训练模型则是我们的重头戏，基本上所有算法也都是这一步，so，这个最后写，先把其他三个讲了，然后，在结合这三步来进行算法的学习，兴许会好点（个人拙见）。
一、概述
还是先拿出咱们的老朋友，机器学习的流程图。
咱们这主要将数据预处理，而要进行机器学习首先需要数据，然后才能对数据进行预处理。
实际一点讲：数据清理、数据集成、数据变换、数据规约都是数据预处理的主要步骤，但是这四个没有严格意义上的先后顺序，在实际应用时并非全部会被使用（可能一个也不用，比如后面我们直接调用官方的iris包，但在实际自己获得的数据集中就会有各种各样的问题，视情况而定）
二、数据获取
获取数据途径多种多样，（括号内为废话：按理来讲，当今世界数据就是财富，一般而言别人的数据是不可能透露给你的，如果你和我一样还是个学生，可能可以从老师那里拿到数据），我们学习一般使用的是公开的数据集，如下为sklearn数据集（也是需要先安装sklearn库的哈）
（iris为例）（load*与fetch*的差别是，fetch还需要从网上下载，而load已经在datasets中了，也就是安装好sklearn就可以直接使用）
from sklearn.datasets import load_iris
iris = load_iris()这样就获取到一个数据集了，但是我们还不知道这个数据集的其他性质。load*函数和feth*函数返回的数据类型是 datasets.base.Bunch，本质上是一个 dict，它的键值对可用通过对象的属性方式访问。（我用IDE的是Jupyter Notebook）
主要包含以下属性：
| DESCR | 数据描述 |
| feature_names | 特征名 |
| target_names | 标签名 |
| data | 特征数据数组 |
| target | 标签数组 |
| filename | 真实的文件地址 |
| frame | 特殊返回值 |
1、DESCR
print(data.DESCR) 
从数据集描述中我们可以得到大量信息，150条数据，4个属性，分为3类等等
2、feature_names
print(iris.feature_names)
4个属性（特征）分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。
3、target_names
print(iris.target_names)
3种分类为三鸢尾、变色鸢尾、维吉尼亚鸢尾（好吧，这个不重要）
4、data
print(iris.data)
5、target
print(iris.target)
（刚好150条，你们快数数，坏笑QvQ）
6、***filename
导入的数据的绝对路径文件名
7、***frame
特殊返回值，其实用不到。
三、数据分布与趋势探查
想要查看数据分布，无疑通过数据可视化展示是最直观的，所以我们需要根据不同数据，分别绘制不同的图。
1、散点图
plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=<deprecated parameter>, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)
常用：
plt.scatter(x,y,s=area,c='r',marker='.',alpha=0.5)
x:横坐标,
y:纵坐标,
s:标记的面积。控制每个点大小的列表,
c:标记的颜色。
marker:标记样式，
alpha：数据点透明度,0-1之间sale = pd.read_excel('./data/sale.xlsx')
sale = np.array(sale)
fig = plt.figure()
plt.scatter(np.arange(len(sale)),sale,c='r',marker='.')
plt.xlabel('第x个数')
plt.ylabel('销售量')
plt.title('销售量情况')
plt.show()最常用的就是散点图了，一般的数据都可以用散点图画出来（高维的选其中某一个特征即可）。
通过散点图，就可以大致清楚其数据分布，（这里只是一列销售量的数据哈，如果把x看成日期，我就可以看到每天销售量的情况，这种通过折线图更好展示。所以看下面的折线图。）
2、折线图
plot其实超牛的，而且也是可以画散点图的，还有更多plot小妙招等你发现。
#单条线：
plot(x, y, [format_string], **kwargs)
#多条线
plot(x, y, [format_string], x2, y2, [format_string], ..., **kwargs)
x:横坐标,
y:纵坐标,
format_string：控制曲线的格式字串，由颜色，标记和线条样式组成
eg：plot(x, y,'r*-', **kwargs)
红色，星形数据点，直线
也可以不用简写
eg：plot(data,'o',ms=20,mfc=k,mec=r)
data：没看错，他可以直接把一个合适格式的数据直接传进去，不一定非要x、y
'o'：圆形标记
ms：标记大小
mfc：内部颜色
mec：边框颜色
等等……
fig = plt.figure()
plt.plot(np.arange(len(sale)),sale,'ro-')
plt.xlabel('第x个数')
plt.ylabel('销售量')
plt.title('销售量情况')
plt.show()
3、频率分布直方表、图
plt.hist(data,num)
num：组数（分成几组）
# 还有些高级操作，但意义不大哈，用到时，我们再来看plt.hist(sale,8)
plt.xlabel('分布区间')
plt.ylabel('频率')
plt.title('频率分布直方图')
plt.show()
4、柱状图
plt.bar(x, y, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
x：
y：
width：柱子的宽度，默认0.8
bottom：柱子的基准高度，默认0
align：柱子在x轴上的对齐方式。字符串，取值范围为{'center', 'edge'}，默认为'center'。
'center'：x位于柱子的中心位置。
'edge'：x位于柱子的左侧。如果想让x位于柱子右侧，需要同时设置负width 以及align='edge'。
# 绘制柱形图
fig = plt.figure()
plt.bar(greens.loc[:, '菜品名'], greens.loc[:, '盈利'])
plt.title('10种菜品盈利分布（柱形图）')
plt.xlabel('菜品名')
plt.ylabel('盈利/元')
plt.show()
5、饼图
plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)
常用：
plt.pie(x, labels=None, colors=None, autopct=None)
x：
labels：每个饼块的标签。字符串列表。
colors：每个饼的颜色。
autopct：饼块内标签。
# 绘制饼图
fig = plt.figure()
plt.pie(greens.loc[:, '盈利'], labels = greens.loc[:, '菜品名'], autopct='%1.2f%%')
plt.title('10种菜品盈利分布（饼图）')
plt.show()
6、数据的统计信息
7、***复杂折线图
8、***分段绘图
9、***帕累托图（Pareto chart）
欲知后事如何，且看：机器学习（二） -- 数据预处理（2）
