打开我的收藏夹 -- Python数据分析杂谈

好几天没写啥实在的干货了，今天见六不废话了，直接上干货。

玩转json

什么是json

Json是一种轻量级的数据交换格式，具有数据格式简单，读写方便易懂等很多优点。用它来进行前后端的数据传输，大大的简化了服务器和客户端的开发工作量。

如果说现在对json还没有什么概念的朋友，了解了以上内容之后，再了解一下它是字典形式的即可。一切存取操作如字典。
只是前后可能做点格式转换罢了。

来个例子熟悉一下：

{ "animals": { "dog": [ { "name": "Rufus", "age":15 }, { "name": "Marty", "age": null } ] }
}

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
 

我们平时要去哪里找这种json格式的数据呢？网络抓包抓出来的就有很多是这样的，前面不是说了嘛。

Python中的Json模块

Python有自带的json模块，用的比较多的函数有如下：

json.dumps() 是将 python 对象转化为 json。

json.loads() 是将 json 转化为 python 对象。

  

 

  
1
  
2
  
3
 

如果你是用谷歌浏览器来看网页源码的话，你看到的json包那是相当之凌乱的啊，这时候我建议你先暂时切换到火狐来，就会看到如下格式的图：

是不是会清晰很多、

获取json中的某个数据

如果我们要获取上面示例数据（test）中的某个元素，比方说，狗的名字，要如何操作呢？

dog_msg = json.loads(test)
for msg in dog_msg["animals"]["dog"] 
	print(msg["name"])

  

 

  
1
  
2
  
3
 

注意，在json数据里面，{} 是字典，[] 是列表。

Jpath

既然XML都有Xpath，那 json 就不配有自己的导航路径了吗？
那必须有啊，安排！！！

接下来，我们使用Jpath来获取一下所有的狗的名字：

load_data = json.loads(dump_data)
data=load_data['animals']['dog']

for i in data:
# 从根节点开始，匹配name节点 print(jsonpath.jsonpath(i,'$..name')[0])

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

其中 $…name 代表从根节点开始，匹配name节点

numpy

numpy，底层运行的是C和C++的代码，但是上层使用的是python语言去写的。

考虑到不是所有小伙伴都学过C/C++，我还是简单介绍一下ndarray。

list列表中可以存储不同的数据类型。ndarray数组中存储的所有的元素的类型，都必须一致。

使用ndarray创建数组的好处

ndarray好处在于：1、由于元数据（数据类型）只需要存储一份，所以可以更节省空间。2、由于每个元素的类型一致，就证明每个元素占用内存的大小是一致的，那么这样的数据的存储可以更紧凑，操作更高效。

numpy基本操作

创建numpy对象

import numpy as np
 
array1 = [1,2,3]
m = np.array(array1)
display(m)

  

 

  
1
  
2
  
3
  
4
  
5
 

array1 = np.arange(1,10,2)
display(array1)

  

 

  
1
  
2
 

arange()函数的步长，可以是浮点数，但是range()函数的步长，不能是浮点数

np.zeros((x,y)):生成一个x行y列的，元素都是0的二维数组；

np.ones((x,y))：生成一个x行y列的，元素都是1的二维数组；

np.full((x,y),value)：生成一个x行y列的，元素都是value的二维数组，其中这个value值可以是整数(正整数,0,负整数)或者小数

  

 

  
1
  
2
  
3
  
4
  
5
 

and so on.

我也不知道为啥写了这么一个模块，但是既然写了就放这里吧。

文本数据去重

在做情感分析的时候，有时候需要对文本进行分词，做词频统计。

以“单字词”为例，进行原理说明：

通过上图可以发现，进行词语句内去重，首先判断位置j到j+1位置的元素是否相等，如果相等，再判断j+1处的元素和j+2处的元素是否相等，这样依次进行下去。

不多说，直接上代码吧：

def func(st): for i in range(1,int(len(st)/2)+1): for j in range(len(st)): if st[j:j+i] == st[j+i:j+2*i]: k = j + i while st[k:k+i] == st[k+i:k+2*i] and k<len(st): k = k + i st = st[:j] + st[k:] return st st = "我爱你我爱你我爱你好你好你好哈哈哈哈哈"
func(st)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
 

数据采集方式

这几天都在陆陆续续的做数据采集，也感受到了采集数据的困难，所以还是有必要开这么一块儿的。

目前我所能了解到的比较好的数据采集方式如下：

1、日志，这个毋庸置疑了吧
2、政府网站：如国家统计局，我们之前做时间序列分析的课设就是那里找到。
此外还有：国家数据网等
3、私人数据网站，如：蝉妈妈等，这个需要经验。
4、咨询类公司数据报告，这个就是花钱买数据了。
5、数据竞赛网站：国内外都有许多著名的数据竞赛网站，在这里聚集了大量数据分析师，甚至是数据科学家。这些网站不仅提供了大量数据，也由于专业性的比赛，也是学习数据分析的好地方。
如：下方蓝字
6、开放API接口，如：下方蓝字
7、网络爬虫

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
 

Kaggle
科赛
阿里天池

百度数据开放平台
聚合数据
高德地图
百度地图

文章来源: lion-wu.blog.csdn.net，作者：看，未来，版权归原作者所有，如需转载，请联系作者。

原文链接：lion-wu.blog.csdn.net/article/details/115429705