pandas 是基于NumPy 的一种工具， 名字很卡哇伊，来源是由“ Panel data”（面板数据，一个计量经济学名词）两个单词拼成的。pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。主要应用于处理大型数据集。数据处理速度算是最大的特色，剩下的就是个python版的excel了吧。
API文档：/pandas-docs/stable/user_guide/visualization.html
数据结构:
Series：一种一维数组，和 NumPy 里的数组很相似。事实上，Series 基本上就是基于 NumPy 的数组对象来的。和 NumPy 的数组不同，Series 能为数据自定义标签，也就是索引（index），然后通过索引来访问数组中的数据。
DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。
Panel ：三维的数组，可以理解为DataFrame的容器。
例如：
import numpy as np import pandas as pddatafile='.\opt\list.csv'outfile='.\opt\output.csv'df = pd.DataFrame(pd.read_csv(datafile,encoding="utf_8"))#导入文件print(df.shape)#输入维度print(df.head())#输出默认前10行df.pop('video')#删除列print(df['type'])#输出列df['type'].replace('科技','科学',inplace = True)#列替换df.to_csv(outfile,encoding="utf_8")#输出文件
list.csv：
output.csv：
下面介绍Apriori算法：
Apriori算法是常用的用于挖掘出数据关联规则的算法，算法的目标是找到最大的K项频繁集，采用了迭代的方法，先搜索出候选1项集及对应的支持度，剪枝去掉低于支持度的1项集，得到频繁1项集。然后对剩下的频繁1项集进行连接，得到候选的频繁2项集，筛选去掉低于支持度的候选频繁2项集，得到真正的频繁二项集，以此类推，迭代下去，直到无法找到频繁k+1项集为止，对应的频繁k项集的集合即为算法的输出结果。
算法流程：
1）扫描整个数据集，得到所有出现过的数据，作为候选频繁1项集。k=1，频繁0项集为空集。
2）挖掘频繁k项集
a) 扫描数据计算候选频繁k项集的支持度
b) 去除候选频繁k项集中支持度低于阈值的数据集,得到频繁k项集。如果得到的频繁k项集为空，则直接返回频繁k-1项集的集合作为算法结果，算法结束。如果得到的频繁k项集只有一项，则直接返回频繁k项集的集合作为算法结果，算法结束。
c) 基于频繁k项集，连接生成候选频繁k+1项集。
3） 令k=k+1，转入步骤2。
参考代码/archives/3380
#-*- coding: utf-8 -*-from __future__ import print_functionimport pandas as pdd = pd.read_csv('./opt/test.csv',header=None, dtype = object)print(u'\n转换原始数据至0-1矩阵...')import timestart = time.clock()ct = lambda x : pd.Series(1, index = x)b = map(ct, d.values)d = pd.DataFrame(list(b)).fillna(0)d = (d==1)end = time.clock()print(u'\n转换完毕，用时：%0.2f秒' %(end-start))print(u'\n开始搜索关联规则...')del bsupport = 0.06 #最小支持度confidence = 0.75 #最小置信度ms = '--' #连接符，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符#自定义连接函数，用于实现L_{k-1}到C_k的连接def connect_string(x, ms):x = list(map(lambda i:sorted(i.split(ms)), x))l = len(x[0])r = []for i in range(len(x)):for j in range(i,len(x)):if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))return r#寻找关联规则的函数def find_rule(d, support, confidence):import timestart = time.clock()result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果support_series = 1.0*d.sum()/len(d) #支持度序列column = list(support_series[support_series > support].index) #初步根据支持度筛选k = 0while len(column) > 1:k = k+1print(u'\n正在进行第%s次搜索...' %k)column = connect_string(column, ms)print(u'数目：%s...' %len(column))sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数#创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).Tsupport_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选support_series = support_series.append(support_series_2)column2 = []for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？i = i.split(ms)for j in range(len(i)):column2.append(i[:j]+i[j+1:]+i[j:j+1])cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列for i in column2: #计算置信度序列cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选result[i] = 0.0result[i]['confidence'] = cofidence_series[i]result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]result = result.T.sort_values(['confidence','support'], ascending = False) #结果整理，输出end = time.clock()print(u'\n搜索完成，用时：%0.2f秒' %(end-start))print(u'\n结果为：')print(result)return resultfind_rule(d, support, confidence).to_csv('./opt/out.csv')
测试文本：/usr/uploads//07/3424358296.txt
推荐参考博客：
/p/a77b0bc736f2
/pinard/p/6293298.html
/archives/3380
