Python数据分析与机器学习47-维基百科词条EDA
文章目录
- 一. 数据源介绍
- 二. 将浮点型转为整数
- 三. 获取网页的语言
- 四. 分析不同语言的时间序列
- 五. 查看英文下各个词条的时间序列
- 六. 各个语言的热点词条
- 参考:
一. 数据源介绍
train_1.csv:
维基百科各个词条每天点击量
二. 将浮点型转为整数
浮点型数据更占内存,所以我们可以将浮点型转为整形,减小内存的消耗,从而加快程序运行的速度
代码:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import re# 读取数据源
train = pd.read_csv('E:/file/train_1.csv').fillna(0)
print(train.head())
print(train.info())
print("########################################################")# 浮点数占内存,转为 整数
for col in train.columns[1:]:train[col] = pd.to_numeric(train[col],downcast='integer')
print(train.head())
print(train.info())
print("########################################################")
测试记录:
Page ... 2016-12-31
0 2NE1_zh.wikipedia.org_all-access_spider ... 20.0
1 2PM_zh.wikipedia.org_all-access_spider ... 20.0
2 3C_zh.wikipedia.org_all-access_spider ... 17.0
3 4minute_zh.wikipedia.org_all-access_spider ... 11.0
4 52_Hz_I_Love_You_zh.wikipedia.org_all-access_s... ... 10.0[5 rows x 551 columns]
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 145063 entries, 0 to 145062
Columns: 551 entries, Page to 2016-12-31
dtypes: float64(550), object(1)
memory usage: 609.8+ MB
None
########################################################Page ... 2016-12-31
0 2NE1_zh.wikipedia.org_all-access_spider ... 20
1 2PM_zh.wikipedia.org_all-access_spider ... 20
2 3C_zh.wikipedia.org_all-access_spider ... 17
3 4minute_zh.wikipedia.org_all-access_spider ... 11
4 52_Hz_I_Love_You_zh.wikipedia.org_all-access_s... ... 10[5 rows x 551 columns]
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 145063 entries, 0 to 145062
Columns: 551 entries, Page to 2016-12-31
dtypes: int32(550), object(1)
memory usage: 305.5+ MB
None
########################################################
三. 获取网页的语言
代码:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import re# 读取数据源
train = pd.read_csv('E:/file/train_1.csv').fillna(0)# 浮点数占内存,转为 整数
#for col in train.columns[1:]:
# train[col] = pd.to_numeric(train[col],downcast='integer')# 获取网页的语言
def get_language(page):res = re.search('[a-z][a-z].wikipedia.org',page)#print (res.group()[0:2])if res:return res.group()[0:2]return 'na'train['lang'] = train.Page.map(get_language)from collections import Counterprint(Counter(train.lang))
测试记录:
Counter({'en': 24108, 'ja': 20431, 'de': 18547, 'na': 17855, 'fr': 17802, 'zh': 17229, 'ru': 15022, 'es': 14069})
四. 分析不同语言的时间序列
代码:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import re
from collections import Counter# 读取数据源
train = pd.read_csv('E:/file/train_1.csv').fillna(0)# 浮点数占内存,转为 整数
#for col in train.columns[1:]:
# train[col] = pd.to_numeric(train[col],downcast='integer')# 获取网页的语言
def get_language(page):res = re.search('[a-z][a-z].wikipedia.org',page)#print (res.group()[0:2])if res:return res.group()[0:2]return 'na'train['lang'] = train.Page.map(get_language)# 将不同的语言放到一个列表里
lang_sets = {}
lang_sets['en'] = train[train.lang=='en'].iloc[:,0:-1]
lang_sets['ja'] = train[train.lang=='ja'].iloc[:,0:-1]
lang_sets['de'] = train[train.lang=='de'].iloc[:,0:-1]
lang_sets['na'] = train[train.lang=='na'].iloc[:,0:-1]
lang_sets['fr'] = train[train.lang=='fr'].iloc[:,0:-1]
lang_sets['zh'] = train[train.lang=='zh'].iloc[:,0:-1]
lang_sets['ru'] = train[train.lang=='ru'].iloc[:,0:-1]
lang_sets['es'] = train[train.lang=='es'].iloc[:,0:-1]sums = {}
for key in lang_sets:sums[key] = lang_sets[key].iloc[:,1:].sum(axis=0) / lang_sets[key].shape[0]days = [r for r in range(sums['en'].shape[0])]# 画图进行分析
fig = plt.figure(1, figsize=[10, 10])
plt.ylabel('Views per Page')
plt.xlabel('Day')
plt.title('Pages in Different Languages')
labels = {'en': 'English', 'ja': 'Japanese', 'de': 'German','na': 'Media', 'fr': 'French', 'zh': 'Chinese','ru': 'Russian', 'es': 'Spanish'}for key in sums:plt.plot(days, sums[key], label=labels[key])plt.legend()
plt.show()
测试记录:
我们可以看到英文的明显高于其他语言的
中间凸起的,一般是有热点时间发生,浏览量飞速上升
五. 查看英文下各个词条的时间序列
代码:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import re
from collections import Counter# 读取数据源
train = pd.read_csv('E:/file/train_1.csv').fillna(0)# 浮点数占内存,转为 整数
#for col in train.columns[1:]:
# train[col] = pd.to_numeric(train[col],downcast='integer')# 获取网页的语言
def get_language(page):res = re.search('[a-z][a-z].wikipedia.org',page)#print (res.group()[0:2])if res:return res.group()[0:2]return 'na'train['lang'] = train.Page.map(get_language)# 将不同的语言放到一个列表里
lang_sets = {}
lang_sets['en'] = train[train.lang=='en'].iloc[:,0:-1]
lang_sets['ja'] = train[train.lang=='ja'].iloc[:,0:-1]
lang_sets['de'] = train[train.lang=='de'].iloc[:,0:-1]
lang_sets['na'] = train[train.lang=='na'].iloc[:,0:-1]
lang_sets['fr'] = train[train.lang=='fr'].iloc[:,0:-1]
lang_sets['zh'] = train[train.lang=='zh'].iloc[:,0:-1]
lang_sets['ru'] = train[train.lang=='ru'].iloc[:,0:-1]
lang_sets['es'] = train[train.lang=='es'].iloc[:,0:-1]sums = {}
for key in lang_sets:sums[key] = lang_sets[key].iloc[:,1:].sum(axis=0) / lang_sets[key].shape[0]days = [r for r in range(sums['en'].shape[0])]def plot_entry(key, idx):data = lang_sets[key].iloc[idx, 1:]fig = plt.figure(1, figsize=(10, 5))plt.plot(days, data)plt.xlabel('day')plt.ylabel('views')plt.title(train.iloc[lang_sets[key].index[idx], 0])plt.show()idx = [1, 5, 10, 50, 100, 250,500, 750,1000,1500,2000,3000,4000,5000]
for i in idx:plot_entry('en',i)plt.show()
测试记录:
后面的进行省略
六. 各个语言的热点词条
代码:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import re
from collections import Counter# 读取数据源
train = pd.read_csv('E:/file/train_1.csv').fillna(0)# 浮点数占内存,转为 整数
#for col in train.columns[1:]:
# train[col] = pd.to_numeric(train[col],downcast='integer')# 获取网页的语言
def get_language(page):res = re.search('[a-z][a-z].wikipedia.org',page)#print (res.group()[0:2])if res:return res.group()[0:2]return 'na'train['lang'] = train.Page.map(get_language)lang_sets = {}
lang_sets['en'] = train[train.lang=='en'].iloc[:,0:-1]
lang_sets['ja'] = train[train.lang=='ja'].iloc[:,0:-1]
lang_sets['de'] = train[train.lang=='de'].iloc[:,0:-1]
lang_sets['na'] = train[train.lang=='na'].iloc[:,0:-1]
lang_sets['fr'] = train[train.lang=='fr'].iloc[:,0:-1]
lang_sets['zh'] = train[train.lang=='zh'].iloc[:,0:-1]
lang_sets['ru'] = train[train.lang=='ru'].iloc[:,0:-1]
lang_sets['es'] = train[train.lang=='es'].iloc[:,0:-1]sums = {}
for key in lang_sets:sums[key] = lang_sets[key].iloc[:,1:].sum(axis=0) / lang_sets[key].shape[0]days = [r for r in range(sums['en'].shape[0])]npages = 5
top_pages = {}
for key in lang_sets:print(key)sum_set = pd.DataFrame(lang_sets[key][['Page']])sum_set['total'] = lang_sets[key].sum(axis=1)sum_set = sum_set.sort_values('total',ascending=False)print(sum_set.head(10))top_pages[key] = sum_set.index[0]print('\n\n')for key in top_pages:fig = plt.figure(1,figsize=(10,5))cols = train.columnscols = cols[1:-1]data = train.loc[top_pages[key],cols]plt.plot(days,data)plt.xlabel('Days')plt.ylabel('Views')plt.title(train.loc[top_pages[key],'Page'])plt.show()
测试记录:
enPage total
38573 Main_Page_en.wikipedia.org_all-access_all-agents 1.206618e+10
9774 Main_Page_en.wikipedia.org_desktop_all-agents 8.774497e+09
74114 Main_Page_en.wikipedia.org_mobile-web_all-agents 3.153985e+09
39180 Special:Search_en.wikipedia.org_all-access_all... 1.304079e+09
10403 Special:Search_en.wikipedia.org_desktop_all-ag... 1.011848e+09
74690 Special:Search_en.wikipedia.org_mobile-web_all... 2.921628e+08
39172 Special:Book_en.wikipedia.org_all-access_all-a... 1.339931e+08
10399 Special:Book_en.wikipedia.org_desktop_all-agents 1.332859e+08
33644 Main_Page_en.wikipedia.org_all-access_spider 1.290204e+08
34257 Special:Search_en.wikipedia.org_all-access_spider 1.243102e+08jaPage total
120336 メインページ_ja.wikipedia.org_all-access_all-agents 210753795.0
86431 メインページ_ja.wikipedia.org_desktop_all-agents 134147415.0
123025 特別:検索_ja.wikipedia.org_all-access_all-agents 70316929.0
89202 特別:検索_ja.wikipedia.org_desktop_all-agents 69215206.0
57309 メインページ_ja.wikipedia.org_mobile-web_all-agents 66459122.0
119609 特別:最近の更新_ja.wikipedia.org_all-access_all-agents 17662791.0
88897 特別:最近の更新_ja.wikipedia.org_desktop_all-agents 17627621.0
119625 真田信繁_ja.wikipedia.org_all-access_all-agents 10793039.0
123292 特別:外部リンク検索_ja.wikipedia.org_all-access_all-agents 10331191.0
89463 特別:外部リンク検索_ja.wikipedia.org_desktop_all-agents 10327917.0dePage total
139119 Wikipedia:Hauptseite_de.wikipedia.org_all-acce... 1.603934e+09
116196 Wikipedia:Hauptseite_de.wikipedia.org_mobile-w... 1.112689e+09
67049 Wikipedia:Hauptseite_de.wikipedia.org_desktop_... 4.269924e+08
140151 Spezial:Suche_de.wikipedia.org_all-access_all-... 2.234259e+08
66736 Spezial:Suche_de.wikipedia.org_desktop_all-agents 2.196368e+08
140147 Spezial:Anmelden_de.wikipedia.org_all-access_a... 4.029181e+07
138800 Special:Search_de.wikipedia.org_all-access_all... 3.988154e+07
68104 Spezial:Anmelden_de.wikipedia.org_desktop_all-... 3.535523e+07
68511 Special:MyPage/toolserverhelferleinconfig.js_d... 3.258496e+07
137765 Hauptseite_de.wikipedia.org_all-access_all-agents 3.173246e+07naPage total
45071 Special:Search_commons.wikimedia.org_all-acces... 67150638.0
81665 Special:Search_commons.wikimedia.org_desktop_a... 63349756.0
45056 Special:CreateAccount_commons.wikimedia.org_al... 53795386.0
45028 Main_Page_commons.wikimedia.org_all-access_all... 52732292.0
81644 Special:CreateAccount_commons.wikimedia.org_de... 48061029.0
81610 Main_Page_commons.wikimedia.org_desktop_all-ag... 39160923.0
46078 Special:RecentChangesLinked_commons.wikimedia.... 28306336.0
45078 Special:UploadWizard_commons.wikimedia.org_all... 23733805.0
81671 Special:UploadWizard_commons.wikimedia.org_des... 22008544.0
82680 Special:RecentChangesLinked_commons.wikimedia.... 21915202.0frPage total
27330 Wikipédia:Accueil_principal_fr.wikipedia.org_a... 868480667.0
55104 Wikipédia:Accueil_principal_fr.wikipedia.org_m... 611302821.0
7344 Wikipédia:Accueil_principal_fr.wikipedia.org_d... 239589012.0
27825 Spécial:Recherche_fr.wikipedia.org_all-access_... 95666374.0
8221 Spécial:Recherche_fr.wikipedia.org_desktop_all... 88448938.0
26500 Sp?cial:Search_fr.wikipedia.org_all-access_all... 76194568.0
6978 Sp?cial:Search_fr.wikipedia.org_desktop_all-ag... 76185450.0
131296 Wikipédia:Accueil_principal_fr.wikipedia.org_a... 63860799.0
26993 Organisme_de_placement_collectif_en_valeurs_mo... 36647929.0
7213 Organisme_de_placement_collectif_en_valeurs_mo... 36624145.0zhPage total
28727 Wikipedia:首页_zh.wikipedia.org_all-access_all-a... 123694312.0
61350 Wikipedia:首页_zh.wikipedia.org_desktop_all-agents 66435641.0
105844 Wikipedia:首页_zh.wikipedia.org_mobile-web_all-a... 50887429.0
28728 Special:搜索_zh.wikipedia.org_all-access_all-agents 48678124.0
61351 Special:搜索_zh.wikipedia.org_desktop_all-agents 48203843.0
28089 Running_Man_zh.wikipedia.org_all-access_all-ag... 11485845.0
30960 Special:链接搜索_zh.wikipedia.org_all-access_all-a... 10320403.0
63510 Special:链接搜索_zh.wikipedia.org_desktop_all-agents 10320336.0
60711 Running_Man_zh.wikipedia.org_desktop_all-agents 7968443.0
30446 瑯琊榜_(電視劇)_zh.wikipedia.org_all-access_all-agents 5891589.0ruPage total
99322 Заглавная_страница_ru.wikipedia.org_all-access... 1.086019e+09
103123 Заглавная_страница_ru.wikipedia.org_desktop_al... 7.428800e+08
17670 Заглавная_страница_ru.wikipedia.org_mobile-web... 3.279304e+08
99537 Служебная:Поиск_ru.wikipedia.org_all-access_al... 1.037643e+08
103349 Служебная:Поиск_ru.wikipedia.org_desktop_all-a... 9.866417e+07
100414 Служебная:Ссылки_сюда_ru.wikipedia.org_all-acc... 2.510200e+07
104195 Служебная:Ссылки_сюда_ru.wikipedia.org_desktop... 2.505816e+07
97670 Special:Search_ru.wikipedia.org_all-access_all... 2.437457e+07
101457 Special:Search_ru.wikipedia.org_desktop_all-ag... 2.195847e+07
98301 Служебная:Вход_ru.wikipedia.org_all-access_all... 1.216259e+07esPage total
92205 Wikipedia:Portada_es.wikipedia.org_all-access_... 751492304.0
95855 Wikipedia:Portada_es.wikipedia.org_mobile-web_... 565077372.0
90810 Especial:Buscar_es.wikipedia.org_all-access_al... 194491245.0
71199 Wikipedia:Portada_es.wikipedia.org_desktop_all... 165439354.0
69939 Especial:Buscar_es.wikipedia.org_desktop_all-a... 160431271.0
94389 Especial:Buscar_es.wikipedia.org_mobile-web_al... 34059966.0
90813 Especial:Entrar_es.wikipedia.org_all-access_al... 33983359.0
143440 Wikipedia:Portada_es.wikipedia.org_all-access_... 31615409.0
93094 Lali_Espósito_es.wikipedia.org_all-access_all-... 26602688.0
69942 Especial:Entrar_es.wikipedia.org_desktop_all-a... 25747141.0
后面的进行省略
参考:
- https://study.163.com/course/introduction.htm?courseId=1003590004#/courseDetail?tab=1
Python数据分析与机器学习47-维基百科词条EDA相关推荐
- 基于python的数据建模与分析案例_基于案例详解Python数据分析与机器学习
课程概述: 使用数据领域最主流语言Python及其分析与建模库作为核心武器.对于机器学习经典算法给出完整的原理推导并基于实例进行讲解,基于案例演示如何应用机器学习算法解决实际问题. 课程特色: 通俗易 ...
- java 爬 维基百科_爬取维基百科词条
python爬取维基百科词条,获得某词汇页面中释义段落的加粗词汇.链接词汇以及所爬词汇对应的分类,为自动构建同义词汇树准备数据. 以下代码可能为一次性代码,因为解析html靠的是标签的相对位置,维基百 ...
- 【Python爬虫】Python网络爬虫案例:维基百科
Python网络爬虫案例:维基百科 1.项目描述 本案例的目标是爬取维基百科上的词条连接.爬虫深度设置为两层. 网络蜘蛛:是通过网页的链接地址寻找网页的,从网站某一个页面(通常是首页)开始读取网页的内 ...
- 如何编辑维基百科词条?WIKI词条编辑技巧
如何编辑维基百科词条?WIKI词条编辑技巧如下: 第一步 对几个常用的在线百科网站进行了解,注册用户,了解编辑说明,注意各网站对词条编写及修改的规则. 第二步 确定自己希望编写的词条.可以选择自己熟悉 ...
- 23神经网络 :唐宇迪《python数据分析与机器学习实战》学习笔记
唐宇迪<python数据分析与机器学习实战>学习笔记 23神经网络 1.初识神经网络 百度深度学习研究院的图,当数据规模较小时差异较小,但当数据规模较大时深度学习算法的效率明显增加,目前大 ...
- python数据分析和机器学习入门,我有一些书单来推荐
想要快速入门python数据分析与机器学习,书籍是一个很好的门路,可以帮助我们系统的快速入门! 下面是一些不错的书单,分享给大家,我也在拔草中,未来会把阅读笔记分享在我的公众号:python数据分析和 ...
- 海外市场推广:企业品牌如何创建维基百科词条?维基百科词条的创建流程
海外市场推广:企业品牌如何创建维基百科词条?维基百科词条的创建流程 1.研究维基百科页面的主题 在您创建自己的文章之前,请确保您拥有一个合理的主题,这个主题是有来源且无偏见的. 您的写作应该是高质量的 ...
- [python学习] 简单爬取维基百科程序语言消息盒
文章主要讲述如何通过Python爬取维基百科的消息盒(Infobox),主要是通过正则表达式和urllib实现:后面的文章可能会讲述通过BeautifulSoup实现爬取网页知识.由于这方面的文章还是 ...
- 跟着迪哥学python 经管之家_跟着迪哥学Python数据分析与机器学习实战
本书结合了机器学习.数据分析和Python语言,通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务. 全书共20章,大致分为4个部分.第一部分介绍了Python的工具包,包括科学计算库Numpy. ...
最新文章
- 64位java_99.9%的Java程序员都说不清的问题:JVM中的对象内存布局?
- PrintWriter write与println方法的区别
- windows下生成github ssh key详解
- jacascript 立即执行函数(IIFE)与闭包
- Spring MVC类型转换的意义
- Latex beamer 学习总结
- 软件实施工程师是一个什么样的工作?他的具体工作内容是什么?发展前景怎样?.
- WinRAR 5.60 官方简体中文无广告弹窗版本
- java jbutton icon 边框_Swing开发JButton图标效果篇
- 批量重命名图片,去除括号
- 使用 IDEA 的阿里插件扫描出的问题的级别
- Mac系统查看端口占用的进程
- css3中的属性选择器有哪些,CSS3中属性选择器使用方法详解
- 【maven本地打包脚本】Git/Svn代码更新+maven打包流水线
- Indian English(印度英语)
- opencv双目标定常见问题总结
- linux 灰度显示grayscale
- STEP找不到CPU
- 汉字乱码现象的分类解析
- MHDD详细图解教程一
热门文章
- 搜索思维[PPT制作]
- SAP 批量导出客户主数据
- 游戏安全资讯精选 2017年第十六期:房卡式棋牌游戏涉赌博风波,抓娃娃火爆市场背后的安全隐患需警惕,Linux内核的Huge Dirty Cow权限提升漏洞...
- 手动制作Linux,手动制作linux
- 软件测试自学毛笔字纹身,ps纹身教程_photoshop给人物添加纹身效果实例制作教程...
- Oracle数据库如何保存中文特殊字符到数据库表中,防止出现问号
- html 地区筛选插件,帝国CMS7.2实现地区三级联动并且前台可地区筛选的插件教程...
- excel 锁定第一行
- 用户调查显示,Rust语言很难学习和使用
- 荣耀8怎样修改wifi服务器,手机怎么设置荣耀路由器wifi密码?