关注+星标，每天学习Python新技能

来源：网络

人生苦短，快学Python！

最近小编认真整理了20+个基于python的实战案例，主要包含：数据分析、可视化、机器学习/深度学习、时序预测等，案例的主要特点：

• 提供源码：代码都是基于jupyter notebook，附带一定的注释，运行即可
• 数据齐全：大部分案例都有提供数据，部分案例使用内置数据集

数据统计分析

基于python和第三方库进行数据处理和分析，主要使用pandas、plotly、matplotlib等库，具体案例：

电子产品（手机）销售分析：

（1）不同内存下的销量(代码片段)

nei_cun = color_size["Number_GB"].value_counts().reset_index()nei_cun.columns = ["Number_of_GB","Count"]  # 重命名nei_cun["Number_of_GB"] = nei_cun["Number_of_GB"].apply(lambda x: str(x) + "GB")fig = px.pie(nei_cun,             values="Count",             names="Number_of_GB")fig.show()

（2）不同闪存Ram下的价格分布（代码片段）

fig = px.box(df, y="Sale Price",color="Ram")fig.update_layout(height=600, width=800, showlegend=False)fig.update_layout(    title={ "text":'不同<b>闪存</b>下的价格分布', "y":0.96,  "x":0.5,  "xanchor":"center",  "yanchor":"top"          },    xaxis_tickfont_size=12,       yaxis=dict(        title='Distribution',          titlefont_size=16,          tickfont_size=12,      ),    legend=dict(        x=0,          y=1,        bgcolor='rgba(255, 255, 255, 0)',          bordercolor='rgba(2, 255, 255, 0)'    ))fig.show()

7万条餐饮数据分析

fig = px.bar(df2_top3,x="行政区",y="店铺数量",color="类别",text="店铺数量")fig.update_layout(title="不同行政区下不同类别的店铺数量对比")fig.show()

不同店铺下的点评数量对比：

4个指标的关系：口味、环境、服务和人均消费

基于python实现RFM模型（用户画像）

RFM模型是客户关系管理（CRM）中的一种重要分析模型，用于衡量客户价值和客户创利能力。该模型通过以下三个指标来评估客户的价值和发展潜力：

• 近期购买行为（R）：指的是客户最近一次购买的时间间隔。这个指标可以反映客户的活跃程度和购买意向，进而判断客户的质量和潜在价值。

• 购买的总体频率（F）：指的是客户在一定时间内购买商品的次数。这个指标可以反映客户对品牌的忠诚度和消费习惯，进而判断客户的潜力和价值。

• 花了多少钱（M）：指的是客户在一定时间内购买商品的总金额。这个指标可以反映客户的消费能力和对品牌的认可度，进而判断客户的价值和潜力。

计算R、F、M三个指标值：

data['Recency'] = (datetime.now().date() - data['PurchaseDate'].dt.date).dt.daysfrequency_data = data.groupby('CustomerID')['OrderID'].count().reset_index()# 重命名frequency_data.rename(columns={'OrderID': 'Frequency'}, inplace=True)monetary_data = data.groupby('CustomerID')['TransactionAmount'].sum().reset_index()monetary_data.rename(columns={'TransactionAmount': 'MonetaryValue'}, inplace=True)

可视化

可视化主要是讲解了matplotlib的3D图和统计相关图形的绘制和plotly_express的入门：

(1) matplotlib的3D图形绘制

plt.style.use('fivethirtyeight')fig = plt.figure(figsize=(8,6))ax = fig.gca(projection='3d')z = np.linspace(0, 20, 1000)x = np.sin(z)y = np.cos(z)surf=ax.plot3D(x,y,z)z = 15 * np.random.random(200)x = np.sin(z) + 0.1 * np.random.randn(200)y = np.cos(z) + 0.1 * np.random.randn(200)ax.scatter3D(x, y, z, c=z, cmap='Greens')plt.show()

plt.style.use('fivethirtyeight')fig = plt.figure(figsize=(14,8))ax = plt.axes(projection='3d')ax.plot_surface(x,                 y,                z,                 rstride=1,                cstride=1,                 cmap='viridis',                edgecolor='none')ax.set_title('surface')# ax.set(xticklabels=[],  # 隐藏刻度#        yticklabels=[],#        zticklabels=[])plt.show()

(2) 统计图形绘制

绘制箱型图：

np.random.seed(10)D = np.random.normal((3, 5, 4), (1.25, 1.00, 1.25), (100, 3))fig, ax = plt.subplots(2, 2, figsize=(9,6), constrained_layout=True)ax[0,0].boxplot(D, positions=[1, 2, 3])ax[0,0].set_title('positions=[1, 2, 3]')ax[0,1].boxplot(D, positions=[1, 2, 3], notch=True)  # 凹槽显示ax[0,1].set_title('notch=True')ax[1,0].boxplot(D, positions=[1, 2, 3], sym='+')  # 设置标记符号ax[1,0].set_title("sym='+'")ax[1,1].boxplot(D, positions=[1, 2, 3],                 patch_artist=True,                showmeans=False,                 showfliers=False,                medianprops={"color": "white", "linewidth": 0.5},                boxprops={"facecolor": "C0", "edgecolor": "white", "linewidth": 0.5},                whiskerprops={"color": "C0", "linewidth": 1.5},                capprops={"color": "C0", "linewidth": 1.5})ax[1,1].set_title("patch_artist=True")# 设置每个子图的x-y轴的刻度范围for i in np.arange(2):for j in np.arange(2):        ax[i,j].set(xlim=(0, 4), xticks=[1,2,3],                    ylim=(0, 8), yticks=np.arange(0, 9))plt.show()

绘制栅格图：

np.random.seed(1)x = [2, 4, 6]D = np.random.gamma(4, size=(3, 50))# plt.style.use('fivethirtyeight')fig, ax = plt.subplots(2, 2, figsize=(9,6), constrained_layout=True)# 默认栅格图-水平方向ax[0,0].eventplot(D)ax[0,0].set_title('default')# 垂直方向ax[0,1].eventplot(D,                   orientation='vertical',                   lineoffsets=[1,2,3])ax[0,1].set_title("orientation='vertical', lineoffsets=[1,2,3]")ax[1,0].eventplot(D,                   orientation='vertical',                  lineoffsets=[1,2,3],                  linelengths=0.5) # 线条长度ax[1,0].set_title('linelengths=0.5')ax[1,1].eventplot(D,                   orientation='vertical',                  lineoffsets=[1,2,3],                  linelengths=0.5,                 colors='orange')ax[1,1].set_title("colors='orange'")plt.show()

(3) plotly_express入门      使用plotly_express如何快速绘制散点图、散点矩阵图、气泡图、箱型图、小提琴图、经验累积分布图、旭日图等

机器学习

基于机器学习的Titanic生存预测

目标变量分析：

相关性分析：

基于树模型的特征重要性排序代码：

f,ax=plt.subplots(2,2,figsize=(15,12))# 1、模型rf=RandomForestClassifier(n_estimators=500,random_state=0)# 2、训练rf.fit(X,Y)# 3、重要性排序pd.Series(rf.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[0,0])# 4、添加标题ax[0,0].set_title('Feature Importance in Random Forests')ada=AdaBoostClassifier(n_estimators=200,learning_rate=0.05,random_state=0)ada.fit(X,Y)pd.Series(ada.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[0,1],color='#9dff11')ax[0,1].set_title('Feature Importance in AdaBoost')gbc=GradientBoostingClassifier(n_estimators=500,learning_rate=0.1,random_state=0)gbc.fit(X,Y)pd.Series(gbc.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[1,0],cmap='RdYlGn_r')ax[1,0].set_title('Feature Importance in Gradient Boosting')xgbc=xg.XGBClassifier(n_estimators=900,learning_rate=0.1)xgbc.fit(X,Y)pd.Series(xgbc.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[1,1],color='#FD0F00')ax[1,1].set_title('Feature Importance in XgBoost')plt.show()      

不同模型对比：

基于KNN算法的iris数据集分类

特征分布情况：

pd.plotting.scatter_matrix(X_train,                            c=y_train,                            figsize=(15, 15),                           marker='o',                            hist_kwds={'bins': 20},                            s=60,                           alpha=.8                          )plt.show()

混淆矩阵：

from sklearn.metrics import classification_report,f1_score,accuracy_score,confusion_matrixsns.heatmap(confusion_matrix(y_pred, y_test), annot=True)plt.show()

对新数据预测：

x_new = np.array([[5, 2.9, 1, 0.2]])prediction = knn.predict(x_new)

基于随机森林算法的员工流失预测

不同教育背景下的人群对比：

fig = go.Figure(data=[go.Pie(    labels=attrition_by['EducationField'],    values=attrition_by['Count'],    hole=0.4,    marker=dict(colors=['#3CAEA3', '#F6D55C']),    textposition='inside')])fig.update_layout(title='Attrition by Educational Field',                   font=dict(size=12),                   legend=dict(                      orientation="h",                      yanchor="bottom",                      y=1.02,                       xanchor="right",                      x=1))fig.show()

年龄和月收入关系：

类型编码：

from sklearn.preprocessing import LabelEncoderle = LabelEncoder()df['Attrition'] = le.fit_transform(df['Attrition'])df['BusinessTravel'] = le.fit_transform(df['BusinessTravel'])df['Department'] = le.fit_transform(df['Department'])df['EducationField'] = le.fit_transform(df['EducationField'])df['Gender'] = le.fit_transform(df['Gender'])df['JobRole'] = le.fit_transform(df['JobRole'])df['MaritalStatus'] = le.fit_transform(df['MaritalStatus'])df['Over18'] = le.fit_transform(df['Over18'])df['OverTime'] = le.fit_transform(df['OverTime'])

相关性分析：

基于LSTM的股价预测

LSTM网络模型搭建：

from keras.models import Sequentialfrom keras.layers import Dense, LSTMmodel = Sequential()# 输入层model.add(LSTM(128, return_sequences=True, input_shape= (xtrain.shape[1], 1)))# 隐藏层model.add(LSTM(64, return_sequences=False))model.add(Dense(25))# 输出层model.add(Dense(1))# 模型概览model.summary()

交叉验证实现：

k = 5number_val = len(xtrain) // k  # 验证数据集的大小number_epochs = 20all_mae_scores = []all_loss_scores = []for i in range(k):# 只取i到i+1部分作为验证集    vali_X = xtrain[i * number_val: (i+1) * number_val]    vali_y = ytrain[i * number_val: (i+1) * number_val]# 训练集    part_X_train = np.concatenate([xtrain[:i * number_val],                                  xtrain[(i+1) * number_val:]],                                  axis=0                                 )     part_y_train = np.concatenate([ytrain[:i * number_val],                                  ytrain[(i+1) * number_val:]],                                  axis=0                                 )    print("pxt: \n",part_X_train[:3])    print("pyt: \n",part_y_train[:3])# 模型训练    history = model.fit(part_X_train,                        part_y_train,                        epochs=number_epochs,# 传入验证集的数据                        validation_data=(vali_X, vali_y),                        batch_size=300,                        verbose=0# 0-静默模式 1-日志模式                       )    mae_history = history.history["mae"]    loss_history = history.history["loss"]    all_mae_scores.append(mae_history)    all_loss_scores.append(loss_history)

时序预测

基于AMIRA的销量预测

自相关性图：

偏自相关性：

预测未来10天

p,d,q = 5,1,2model = sm.tsa.statespace.SARIMAX(df['Revenue'],                                order=(p, d, q),                                seasonal_order=(p, d, q, 12))model = model.fit()model.summary()ten_predictions = model.predict(len(df), len(df) + 10)  # 预测10天

基于prophet的天气预测

特征间的关系：

预测效果：

其他案例

python的6种实现99乘法表

提供2种：

for i in range(1, 10):for j in range(1, i+1):  # 例如3*3、4*4的情况，必须保证j能取到i值，所以i+1；range函数本身是不包含尾部数据        print(f'{j}x{i}={i*j} ', end="")  # end默认是换行；需要改成空格    print("\n")  # 末尾自动换空行

for i in range(1, 10):       # 外层循环    j = 1# 内层循环初始值while j <= i:      # 内层循环条件：从1开始循环        print("{}x{}={}".format(i,j,(i*j)), end=' ')  # 输出格式        j += 1# j每循环一次加1，进入下次，直到j<=i的条件不满足，再进入下个i的循环中    print("\n")

i = 1# i初始值while i <= 9:  # 循环终止条件    j = 1# j初始值while j <= i:    # j的大小由i来控制        print(f'{i}x{j}={i*j} ', end='')        j += 1# j每循环一次都+1，直到j<=i不再满足，跳出这个while循环     i += 1# 跳出上面的while循环后i+1，只要i<9就换行进入下一轮的循环；否则结束整个循环    print('\n')

python实现简易计算器（GUI界面）

提供部分代码：

import tkinter as tkroot = tk.Tk()  root.title("Standard Calculator")  root.resizable(0, 0)  e = tk.Entry(root,             width=35,             bg='#f0ffff',             fg='black',             borderwidth=5,             justify='right',             font='Calibri 15')e.grid(row=0, column=0, columnspan=3, padx=12, pady=12)# 点击按钮defbuttonClick(num):    temp = e.get(    )      e.delete(0, tk.END)      e.insert(0, temp + num)  # 清除按钮defbuttonClear():    e.delete(0, tk.END)defbuttonGet(oper):global num1, math      num1 = e.get()      math = oper      e.insert(tk.END, math)try:        num1 = float(num1)  except ValueError:          buttonClear()

推荐阅读
Patchworklib，一款极其强大的Python库！
6个顶级Python可视化库！
太狠了，Python实现个人手机定位分析！
这个Python库把Selenium按在地上摩擦！

点击 阅读原文 了解更多