python数据挖掘常用工具有哪几种？

1. python数据挖掘常用工具有哪几种？

python有强大的第三方库，广泛用于数据分析，数据挖掘、机器学习等领域，下面小编整理了python数据挖掘的一些常用库，希望对各位小伙伴学习python数据挖掘有所帮助。
 
1. Numpy
能够提供数组支持，进行矢量运算，并且高效地处理函数，线性代数处理等。提供真正的数组，比起python内置列表来说， Numpy速度更快。同时，Scipy、Matplotlib、Pandas等库都是源于 Numpy。因为 Numpy内置函数处理数据速度与C语言同一级别，建议使用时尽量用内置函数。
2.Scipy
基于Numpy,能够提供了真正的矩阵支持，以及大量基于矩阵的数值计算模块，包括：插值运算，线性代数、图像信号，快速傅里叶变换、优化处理、常微分方程求解等。
3. Pandas
源于NumPy，提供强大的数据读写功能，支持类似SQL的增删改查，数据处理函数非常丰富，并且支持时间序列分析功能，灵活地对数据进行分析与探索，是python数据挖掘，必不可少的工具。
Pandas基本数据结构是Series和DataFrame。Series是序列，类似一维数组，DataFrame相当于一张二维表格，类似二维数组，DataFrame的每一列都是一个Series。
4.Matplotlib
数据可视化最常用，也是醉好用的工具之一，python中著名的绘图库，主要用于2维作图，只需简单几行代码可以生成各式的图表，例如直方图，条形图，散点图等，也可以进行简单的3维绘图。
4.Scikit-Learn
Scikit-Learn源于NumPy、Scipy和Matplotlib，是一 款功能强大的机器学习python库，能够提供完整的学习工具箱(数据处理，回归，分类，聚类，预测，模型分析等)，使用起来简单。不足是没有提供神经网络，以及深度学习等模型。
5.Keras
基于Theano的一款深度学习python库，不仅能够用来搭建普通神经网络，还能建各种深度学习模型，例如：自编码器、循环神经网络、递归神经网络、卷积神经网络等，重要的是，运行速度几块，对搭建各种神经网络模型的步骤进行简化，能够允许普通用户，轻松地搭建几百个输入节点的深层神经网络，定制程度也非常高。
6.Genism
Genism主要用来处理语言方面的任务，如文本相似度计算、LDA、Word2Vec等。
7.TensorFlow
google开源的数值计算框架，采用数据流图的方式，可灵活搭建深度学习模型。

2. python数据挖掘是什么

数据挖掘（data mining，简称DM），是指从大量的数据中，通过统计学、人工智能、机器学习等方法，挖掘出未知的、且有价值的信
息和知识的过程。
python数据挖掘常用模块
numpy模块：用于矩阵运算、随机数的生成等

pandas模块：用于数据的读取、清洗、整理、运算、可视化等

matplotlib模块：专用于数据可视化，当然含有统计类的seaborn模块

statsmodels模块：用于构建统计模型，如线性回归、岭回归、逻辑回归、主成分分析等

scipy模块：专用于统计中的各种假设检验，如卡方检验、相关系数检验、正态性检验、t检验、F检验等

sklearn模块：专用于机器学习，包含了常规的数据挖掘算法，如决策树、森林树、提升树、贝叶斯、K近邻、SVM、GBDT、Kmeans等
数据分析和挖掘推荐的入门方式是？小公司如何利用数据分析和挖掘?
关于数据分析与挖掘的入门方式是先实现代码和Python语法的落地（前期也需要你了解一些统计学知识、数学知识等），这个过程需要
你多阅读相关的数据和查阅社区、论坛。然后你在代码落地的过程中一定会对算法中的参数或结果产生疑问，此时再去查看统计学和数据
挖掘方面的理论知识。这样就形成了问题为导向的学习方法，如果将入门顺序搞反了，可能在硬着头皮研究理论算法的过程中就打退堂鼓
了。

对于小公司来说，你得清楚的知道自己的痛点是什么，这些痛点是否能够体现在数据上，公司内部的交易数据、营销数据、仓储数据等是
否比较齐全。在这些数据的基础上搭建核心KPI作为每日或每周的经营健康度衡量，数据分析侧重于历史的描述，数据挖掘则侧重于未来
的预测。

差异在于对数据的敏感度和对数据的个性化理解。换句话说，就是懂分析的人能够从数据中看出破绽，解决问题，甚至用数据创造价值；
不懂分析的人，做不到这些，更多的是描述数据。
更多技术请关注python视频教程。

3. 数据分析工具有哪些 python

　IPython
　　
 
　　IPython 是一个在多种编程语言之间进行交互计算的命令行 shell，最开始是用 python 开发的，提供增强的内省，富媒体，扩展的 shell
语法，tab 补全，丰富的历史等功能。IPython 提供了如下特性：

　　更强的交互 shell(基于 Qt 的终端)

　　一个基于浏览器的记事本，支持代码，纯文本，数学公式，内置图表和其他富媒体

　　支持交互数据可视化和图形界面工具

　　灵活，可嵌入解释器加载到任意一个自有工程里

　　简单易用，用于并行计算的高性能工具

　　由数据分析总监，Galvanize 专家 Nir Kaldero 提供。

　　
 
　　GraphLab Greate 是一个 Python 库，由 C++ 引擎支持，可以快速构建大型高性能数据产品。

　　这有一些关于 GraphLab Greate 的特点：

　　可以在您的计算机上以交互的速度分析以 T 为计量单位的数据量。

　　在单一平台上可以分析表格数据、曲线、文字、图像。

　　最新的机器学习算法包括深度学习，进化树和 factorization machines 理论。

　　可以用 Hadoop Yarn 或者 EC2 聚类在你的笔记本或者分布系统上运行同样的代码。

　　借助于灵活的 API 函数专注于任务或者机器学习。

　　在云上用预测服务便捷地配置数据产品。

　　为探索和产品监测创建可视化的数据。

　　由 Galvanize 数据科学家 Benjamin Skrainka 提供。

 

　　Pandas

 

　　pandas 是一个开源的软件，它具有 BSD 的开源许可，为 Python
编程语言提供高性能，易用数据结构和数据分析工具。在数据改动和数据预处理方面，Python 早已名声显赫，但是在数据分析与建模方面，Python
是个短板。Pands 软件就填补了这个空白，能让你用 Python 方便地进行你所有数据的处理，而不用转而选择更主流的专业语言，例如 R 语言。

　　整合了劲爆的 IPyton 工具包和其他的库，它在 Python 中进行数据分析的开发环境在处理性能，速度，和兼容方面都性能卓越。Pands
不会执行重要的建模函数超出线性回归和面板回归;对于这些，参考 statsmodel 统计建模工具和 scikit-learn 库。为了把 Python
打造成顶级的统计建模分析环境，我们需要进一步努力，但是我们已经奋斗在这条路上了。

　　由 Galvanize 专家，数据科学家 Nir Kaldero 提供。

　　PuLP

　　线性编程是一种优化，其中一个对象函数被最大程度地限制了。PuLP 是一个用 Python
编写的线性编程模型。它能产生线性文件，能调用高度优化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，来求解这些线性问题。

　　由 Galvanize 数据科学家 Isaac Laughlin 提供

 

　　Matplotlib

　　
 
　　matplotlib 是基于 Python 的
2D(数据)绘图库，它产生(输出)出版级质量的图表，用于各种打印纸质的原件格式和跨平台的交互式环境。matplotlib 既可以用在 python 脚本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 应用服务器，和6类 GUI
工具箱。

　　matplotlib 尝试使容易事情变得更容易，使困难事情变为可能。你只需要少量几行代码，就可以生成图表，直方图，能量光谱(power
spectra)，柱状图，errorcharts，散点图(scatterplots)等，。

　　为简化数据绘图，pyplot 提供一个类 MATLAB 的接口界面，尤其是它与 IPython
共同使用时。对于高级用户，你可以完全定制包括线型，字体属性，坐标属性等，借助面向对象接口界面，或项 MATLAB 用户提供类似(MATLAB)的界面。

　　Galvanize 公司的首席科学官 Mike Tamir 供稿。

 

　　Scikit-Learn

　　
 
　　Scikit-Learn 是一个简单有效地数据挖掘和数据分析工具(库)。关于最值得一提的是，它人人可用，重复用于多种语境。它基于
NumPy，SciPy 和 mathplotlib 等构建。Scikit 采用开源的 BSD 授权协议，同时也可用于商业。Scikit-Learn
具备如下特性：

　　分类(Classification) – 识别鉴定一个对象属于哪一类别

　　回归(Regression) – 预测对象关联的连续值属性

　　聚类(Clustering) – 类似对象自动分组集合

　　降维(Dimensionality Reduction) – 减少需要考虑的随机变量数量

　　模型选择(Model Selection) –比较、验证和选择参数和模型

　　预处理(Preprocessing) – 特征提取和规范化

　　Galvanize 公司数据科学讲师，Isaac Laughlin提供

 

　　Spark

　　
 
　　Spark 由一个驱动程序构成，它运行用户的 main 函数并在聚类上执行多个并行操作。Spark
最吸引人的地方在于它提供的弹性分布数据集(RDD)，那是一个按照聚类的节点进行分区的元素的集合，它可以在并行计算中使用。RDDs 可以从一个 Hadoop
文件系统中的文件(或者其他的 Hadoop 支持的文件系统的文件)来创建，或者是驱动程序中其他的已经存在的标量数据集合，把它进行变换。用户也许想要 Spark
在内存中永久保存 RDD，来通过并行操作有效地对 RDD 进行复用。最终，RDDs 无法从节点中自动复原。

　　Spark 中第二个吸引人的地方在并行操作中变量的共享。默认情况下，当 Spark
在并行情况下运行一个函数作为一组不同节点上的任务时，它把每一个函数中用到的变量拷贝一份送到每一任务。有时，一个变量需要被许多任务和驱动程序共享。Spark
支持两种方式的共享变量：广播变量，它可以用来在所有的节点上缓存数据。另一种方式是累加器，这是一种只能用作执行加法的变量，例如在计数器中和加法运算中。

4. python数据挖掘工具包有什么优缺点?

【导读】python数据挖掘工具包就是scikit-learn，scikit-learn是一个基于NumPy, SciPy, Matplotlib的开源机器学习工具包，主要涵盖分类，回归和聚类算法，例如SVM， 逻辑回归，朴素贝叶斯，随机森林，k-means等算法，代码和文档都非常不错，在许多Python项目中都有应用。

优点：
1、文档齐全：官方文档齐全，更新及时。
2、接口易用：针对所有算法提供了一致的接口调用规则，不管是KNN、K-Means还是PCA.
3、算法全面：涵盖主流机器学习任务的算法，包括回归算法、分类算法、聚类分析、数据降维处理等。
缺点：
缺点是scikit-learn不支持分布式计算，不适合用来处理超大型数据。
Pandas是一个强大的时间序列数据处理工具包，Pandas是基于Numpy构建的，比Numpy的使用更简单。最初开发的目的是为了分析财经数据，现在已经广泛应用在Python数据分析领域中。Pandas，最基础的数据结构是Series，用它来表达一行数据，可以理解为一维的数组。另一个关键的数据结构为DataFrame，它表示的是二维数组
Pandas是基于NumPy和Matplotlib开发的，主要用于数据分析和数据可视化，它的数据结构DataFrame和R语言里的data.frame很像，特别是对于时间序列数据有自己的一套分析机制。有一本书《Python for Data Analysis》，作者是Pandas的主力开发，依次介绍了iPython, NumPy, Pandas里的相关功能，数据可视化，数据清洗和加工，时间数据处理等，案例包括金融股票数据挖掘等，相当不错。
Mlpy是基于NumPy/SciPy的Python机器学习模块，它是Cython的扩展应用。
关于python数据挖掘工具包的优缺点，就给大家介绍到这里了，scikit-learn提供了一致的调用接口。它基于Numpy和scipy等Python数值计算库，提供了高效的算法实现，所以想要学习python，以上的内容得学会。

5. 常用的数据挖掘工具有哪些

市场上的数据挖掘工具一般分为三个组成部分：a、通用型工具；b、综合／DSS／OLAP数据挖掘工具；c、快速发展的面向特定应用的工具。常用的数据挖掘工具有很多，例如：1、思迈特软件Smartbi的大数据挖掘平台：通过深度数据建模，为企业提供预测能力支持文本分析、五大类算法和数据预处理，并为用户提供一站式的流程式建模、拖拽式操作和可视化配置体验。2、Enterprise Miner 这是一种在我国的企业中得到采用的数据挖掘工具，比较典型的包括上海宝钢配矿系统应用和铁路部门在春运客运研究中的应用。SAS Enterprise Miner是一种通用的数据挖掘工具，按照“抽样——探索——转换——建模——评估”的方法进行数据挖掘。可以与SAS数据仓库和OLAP集成，实现从提出数据、抓住数据到得到解答的“端到端”知识发现。 3、SPSS Clementine是一个开放式数据挖掘工具，曾两次获得英国政府SMART 创新奖，它不但支持整个数据挖掘流程，从数据获取、转化、建模、评估到最终部署的全部过程，还支持数据挖掘的行业标准——CRISP-DM。更多的了解我们可以到思迈特软件Smartbi了解一下。 在金融行业，全球财富500强的10家国内银行中，有8家选用了思迈特软件Smartbi；国内12家股份制银行，已覆盖8家；国内六大银行，已签约4家；国内排名前十的保险公司已经覆盖6家；国内排名前十的证券公司已经覆盖5家。

6. 有用python做数据挖掘的么，求指导一些

Python常被昵称为“胶水”语言，其特点是可以轻松的连接各种编程语言，粘在各个应用场景，不管是建站、爬虫、运维还是数据挖掘，都有它的身影。与其它语言相比，Python的语法简洁清晰，开发效率十分高效，通过完善的“包”往往一行代码可以实现其他语言N行代码的功能（但是某些场景执行效率不如C、Java等）。对于学习成本来讲，相对其它编程语言来讲，只要找对教程，一个对编程没有太多概念的初学者也可以轻松入门。
对于数据挖掘来讲，Python对数据清洗、数据探索、建立宽表、变量筛选、建模、模型参数优化、模型输出、模型投产等等一系列环节均有成熟的“包”进行支持。
而在建模环节，除了对传统时序、Logistic、决策树等算法的支持，Python也在不断涌现和迭代着各种最前沿且实用的算法包供用户免费使用，如：微软开源的回归／分类包LightGBM、FaceBook开源的时序包Prophet、Google开源的神经网络包TensorFlow，广泛应用于各大比赛的Xgboost等等等等。上述开源的包中，全部都支持Python。而对于其它语言来讲，上述包并不一定全部支持。由此也可以看到Python在数据挖掘领域中举足轻重的地位。
从实际使用的角度来讲，通过对部分包的实际使用，对于分类、Logistics回归、传统回归等问题，上述包对效率和准确率均有十分大的提升。仅从效率角度比较，之前某项目宽表共40余万样本，480个字段，逐步回归用时2个小时，而另外一个项目通过使用xgboost的logistic Object，30余万样本，1700个字段，建模时间用时不到2分钟。（由于xgboost在各个数据挖掘竞赛中已经被广泛证实效果十分优秀，而且模型比较需要很长篇幅进行描述。所以本文仅从效率角度进行了比较，后续可以就模型比较单独写一篇公众号文，但就经验而言xgboost等算法效果通常不会比传统算法差）同时，与传统数据挖掘软件相比，Python还广泛应用于图像识别、语音识别、NLP等更丰富的数据挖掘领域。
可以看到，Python拥有应用场景广泛、开源免费、前沿算法支持、学习成本低、开发效率高等优质特点。通过这些特点，Python把遥不可及高高在上的大数据、数据挖掘、机器学习、深度学习等概念转化为每个人都可以学习、每个企业都可以实际应用的项目和程序。通过低成本的投入，可以满足更丰富的业务场景的需求、对现有业务场景的优化，帮助企业获得更高的利润并降低风险。

7. 常用的数据挖掘工具有哪些

1、
Weka
WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。
2、
Rapid
Miner
RapidMiner是世界领先的数据挖掘解决方案，在一个非常大的程度上有着先进技术。它数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。
3、
Orange
Orange是一个基于组件的数据挖掘和机器学习软件套装，它的功能即友好，又很强大，快速而又多功能的可视化编程前端，以便浏览数据分析和可视化，基绑定了
Python以进行脚本开发。它包含了完整的一系列的组件以进行数据预处理，并提供了数据帐目，过渡，建模，模式评估和勘探的功能。其由C++
和
Python开发，它的图形库是由跨平台的Qt框架开发。
4、
Knime
KNIME
(Konstanz
Information
Miner)
是一个用户友好，智能的，并有丰演的开源的数据集成，数据处理，数据分析和数据勘探平台。
5、
jHepWork
jHepWork是一套功能完整的面向对象科学数据分析框架。
Jython宏是用来展示一维和二维直方图的数据。该程序包括许多工具，可以用来和二维三维的科学图形进行互动。
6、
Apache
Mahout
Apache
Mahout
是
Apache
Software
Foundation
(ASF)
开发的一个全新的开源项目，其主要目标是创建一些可伸缩的机器学习算法，供开发人员在
Apache
在许可下免费使用。该项目已经发展到了它的最二个年头，目前只有一个公共发行版。Mahout
包含许多实现，包括集群、分类、CP
和进化程序。此外，通过使用
Apachehadoop库，Mahout
可以有效地扩展到云中。
7、
ELKI
ELKI(Environment
for
Developing
KDD-Applications
Supported
by
Index-Structures)主要用来聚类和找离群点。ELKI是类似于weka的数据挖掘平台，用java编写，有GUI图形界面。可以用来寻找离群点。
8、
Rattle
Rattle(易于学习的
R
分析工具)提供数据的统计和可视化摘要，将数据转换成容易建模的形式，从数据中构建无监督和监督模型，以图形方式呈现模型的性能，并得出新的数据集。
展开

8. 哪些工具可以用于数据挖掘

1.IBMSPSSSPSS(StatisticalPackagefortheSocialSciences)是目前最流行的统计软件平台之一。自2015年开始提供统计产品和服务方案以来，该软件的各种高级功被广泛地运用于学习算法、统计分析(包括描述性回归、聚类等)、文本分析、以及与大数据集成等场景中。同时，SPPS允许用户通过各种专业性的扩展，运用Python和R来改进其SPSS语法。2.R如前所述，R是一种编程语言，可用于统计计算与图形环境。它能够与UNIX、FreeBSD、Linux、macOS和Windows操作系统相兼容。R可以被运用在诸如：时间序列分析、聚类、以及线性与非线性建模等各种统计分析场景中。同时，作为一种免费的统计计算环境，它还能够提供连贯的系统，各种出色的数据挖掘包，可用于数据分析的图形化工具，以及大量的中间件工具。此外，它也是SAS和IBMSPSS等统计软件的开源解决方案3.SASSAS(StatisticalAnalysisSystem)是数据与文本挖掘(texmining)及优化的合适选择。它能够根据组织的需求和目标，提供了多种分析技术和方法功能。目前，它能够提供描述性建模(有助于对客户进行分类和描述)、预测性建模(便于预测未知结果)和解析性建模(用于解析，过滤和转换诸如电子邮件、注释字段、书籍等非结构化数据)。此外，其分布式内存处理架构，还具有高度的可扩展性。4.OracleDataMiningOracleDataMining(ODB)是OracleAdvancedAnalytics的一部分。该数据挖掘工具提供了出色的数据预测算法，可用于分类、回归、聚类、关联、属性重要性判断、以及其他专业分析。此外，ODB也可以使用SQL、PL/SQL、R和Java等接口，来检索有价值的数据见解，并予以准确的预测。