机器学习（4）：数据分析的工具-pandas的使用

前面几节说一些沉闷的概念，你若看了估计已经心生厌倦，我也是。所以，找到了一个理由来说一个有兴趣的话题，就是数据分析。是什么理由呢？就是，机器学习的处理过程中，数据分析是经常出现的操作。就算机器对大量样本预测了结果，那对结果进行数据分析与展示，也是经常遇到的标准作业，所以，这一次，来看看怎么做到数据分析的。

在python提供的模块中，pandas，是一个实用的数据分析的工具。说到pandas，我就想起“机动部队”里面的pandas（熊猫），一道绿光。

本文结合微信好友的数据，介绍如何使用pandas进行数据分析。

数据分析之前，先得有数据，这里使用小程的微信好友的数据进行分析。

（一）获取微信好友的数据

为了获取微信好友的数据，需要使用一个工具，叫itchat。itchat是网页微信接口的封装，在工具篇，小程介绍过如何给微信群自动地发送（批量）消息，用的就是itchat。

这里直接介绍使用itchat获取微信好友的信息。

试验一下，先算一下小程有多少异性朋友吧，可以这样写代码：

执行这段代码，可以看到这样的输出：

为了后续的数据分析，接下来，小程提取更具体的好友数据，并保存到文件，这里面用到了pandas。

如果你没有安装pandas，那可以这样安装（假设你是mac系统）：

pip install pandas

以下是获取好友数据的代码：

执行这段代码，在本地生成了一个文件：friends_info.csv，csv文件一般是纯文本，用来保存记录的文件（一般所有记录都有相同的字段）。

用excel打开这个csv文件，可以看到这样的信息（如果你发现excel打开会乱码，那可以先用word并选择用utf8来打开，然后再保存，之后再用excel打开）：

这个csv文件的内容，就是后续数据分析的基础。

（二）分析数据

有了基础数据之后，就可以使用pandas进行分析，并用matplotlib进行绘图。matplotlib是绘图的实用工具，小程另找机会详细介绍，你可以先不管这部分内容，或者先简单了解，因为代码截图中有相应的解释。

这里演示对微信好友的性别与地区进行数据分析。

（1）引入pandas与matplotlib

引入pandas与matplotlib的代码，以及代码的执行效果是这样的：

（2）分析性别

这里根据性别种类的个数，绘制条形图。

先来看分析性别与绘制的代码，截图中的解释是重点内容：

执行这段代码，可以看到这样的输出与显示：

由展示图可见，小程的朋友以男性居多。

（3）分析地区

实现的思路跟性别分析类似，代码如下：

执行的效果如下：

由展示图可见，小程的朋友以广州跟深圳为主，小程的朋友圈很窄。

以上介绍了怎么分析性别与地区的分布数据，其中pandas的使用是本文的重点。

以上的代码中，用到了pandas的DataFrame跟Series类型，也用到了Series的统计函数max。接下来，对pandas的知识再做一个简单的介绍。

（三）pandas的知识

pandas的数据，有两个类型。一个是DataFrame，一个是Series。

DataFrame就是一个数据表（由若干列组成），而Series就是其中的一列（一个字段的所有内容）。对于DataFrame或Series变量，有各种函数，可以完成数据分析，包括：个数、最大值、最小值、平均值、中位数、众数、方差、峰值，等等。

对于pandas的详细理解，可以参考这个文档：http://pandas.pydata.org/pandas-docs/stable/index.html

你也可以边用边学，谁用谁研究。

至此，主要内容已经介绍完毕，以下是一个好玩的词云图分析，只是附带内容。

（三）词云图

小程拿到的好友信息中，包括了“签名”这项内容，一般来说，可以弄个词云图来看看签名的重点信息。

安装模块jieba，这是一个支持中文的分词器：

pip install jieba

安装模块PIL，这是一个图像处理库：

pip install Pillow

安装wordcloud，这是一个词云图库：

pip install wordcloud

实现微信好友的签名的词云图，大概的思路是这样的：使用pandas从基础数据中读取到一个数据表，从数据表中拿到签名的列并把这一列的内容转换成list，对签名list的每个签名逐一处理，过滤掉一些关键词，再使用正则表达式把一些特殊字符去除掉，最后把处理后的签名用空格拼接在一起，并调用分词器进行分词处理，得到一个分词list。创建词云图对象，设置背景颜色、字体等，并传递分词list，最终显示并保存词云图对象生成的图像。

实现的代码，请参考下图：