【暑假Python上岸计划】最新20+Python实战案例，全程干货，30天看完即可接单就业！（基础+进阶案例+学习资料）

前言

• 今天给大家分享20+个基于python的实战案例，主要包含：数据分析、可视化、机器学习/深度学习、时序预测等，案例的主要特点：

* 提供源码：代码都是基于jupyter notebook，附带一定的注释，运行即可

* 数据齐全：大部分案例都有提供数据，部分案例使用内置数据集

• 学习资料已打包，需要的小伙伴可以戳这里 学习资料

数据统计分析

• 基于python和第三方库进行数据处理和分析，主要使用pandas、plotly、matplotlib等库，具体案例：
• 电子产品（手机）销售分析：
  ①.不同内存下的销量(代码片段)

nei_cun = color_size["Number_GB"].value_counts().reset_index()  
nei_cun.columns = ["Number_of_GB","Count"]  # 重命名  
nei_cun["Number_of_GB"] = nei_cun["Number_of_GB"].apply(lambda x: str(x) + "GB")  
  
fig = px.pie(nei_cun,  
             values="Count",  
             names="Number_of_GB")  
  
fig.show()  

（2）不同闪存Ram下的价格分布（代码片段）

fig = px.box(df, y="Sale Price",color="Ram")  
  
fig.update_layout(height=600, width=800, showlegend=False)  
  
fig.update_layout(  
    title={ "text":'不同<b>闪存</b>下的价格分布',   
            "y":0.96,    
            "x":0.5,    
            "xanchor":"center",    
            "yanchor":"top"    
          },  
  
    xaxis_tickfont_size=12,     
    yaxis=dict(  
        title='Distribution',    
        titlefont_size=16,    
        tickfont_size=12,    
    ),  
    legend=dict(  
        x=0,    
        y=1,  
        bgcolor='rgba(255, 255, 255, 0)',    
        bordercolor='rgba(2, 255, 255, 0)'     
    )  
)  
  
fig.show()  

7万条餐饮数据分析

fig = px.bar(df2_top3,x="行政区",y="店铺数量",color="类别",text="店铺数量")  
fig.update_layout(title="不同行政区下不同类别的店铺数量对比")  
fig.show()  

• 不同店铺下的点评数量对比：
  * 4个指标的关系：口味、环境、服务和人均消费
  

学习资料已打包，需要的小伙伴可以戳这里 学习资料

基于python实现RFM模型（用户画像）

* RFM模型是客户关系管理（CRM）中的一种重要分析模型，用于衡量客户价值和客户创利能力。该模型通过以下三个指标来评估客户的价值和发展潜力：

* 近期购买行为（R）：指的是客户最近一次购买的时间间隔。这个指标可以反映客户的活跃程度和购买意向，进而判断客户的质量和潜在价值。

* 购买的总体频率（F）：指的是客户在一定时间内购买商品的次数。这个指标可以反映客户对品牌的忠诚度和消费习惯，进而判断客户的潜力和价值。

* 花了多少钱（M）：指的是客户在一定时间内购买商品的总金额。这个指标可以反映客户的消费能力和对品牌的认可度，进而判断客户的价值和潜力。

• 计算R、F、M三个指标值：

data['Recency'] = (datetime.now().date() - data['PurchaseDate'].dt.date).dt.days  
  
frequency_data = data.groupby('CustomerID')['OrderID'].count().reset_index()  
# 重命名  
frequency_data.rename(columns={'OrderID': 'Frequency'}, inplace=True)  
  
monetary_data = data.groupby('CustomerID')['TransactionAmount'].sum().reset_index()  
monetary_data.rename(columns={'TransactionAmount': 'MonetaryValue'}, inplace=True)  

可视化

• 可视化主要是讲解了matplotlib的3D图和统计相关图形的绘制和plotly_express的入门：
  ①.matplotlib的3D图形绘制

plt.style.use('fivethirtyeight')  
fig = plt.figure(figsize=(8,6))  
  
ax = fig.gca(projection='3d')  
  
z = np.linspace(0, 20, 1000)  
x = np.sin(z)  
y = np.cos(z)  
  
surf=ax.plot3D(x,y,z)  
  
z = 15 * np.random.random(200)  
x = np.sin(z) + 0.1 * np.random.randn(200)  
y = np.cos(z) + 0.1 * np.random.randn(200)  
ax.scatter3D(x, y, z, c=z, cmap='Greens')  
  
plt.show()  

plt.style.use('fivethirtyeight')  
fig = plt.figure(figsize=(14,8))  
  
ax = plt.axes(projection='3d')  
ax.plot_surface(x,   
                y,  
                z,   
                rstride=1,  
                cstride=1,   
                cmap='viridis',  
                edgecolor='none')  
  
ax.set_title('surface')  
  
# ax.set(xticklabels=[],  # 隐藏刻度  
#        yticklabels=[],  
#        zticklabels=[])  
  
plt.show()  

②.统计图形绘制
绘制箱型图：

np.random.seed(10)  
D = np.random.normal((3, 5, 4), (1.25, 1.00, 1.25), (100, 3))  
  
fig, ax = plt.subplots(2, 2, figsize=(9,6), constrained_layout=True)  
  
ax[0,0].boxplot(D, positions=[1, 2, 3])  
ax[0,0].set_title('positions=[1, 2, 3]')  
  
ax[0,1].boxplot(D, positions=[1, 2, 3], notch=True)  # 凹槽显示  
ax[0,1].set_title('notch=True')  
  
ax[1,0].boxplot(D, positions=[1, 2, 3], sym='+')  # 设置标记符号  
ax[1,0].set_title("sym='+'")  
  
ax[1,1].boxplot(D, positions=[1, 2, 3],   
                patch_artist=True,  
                showmeans=False,   
                showfliers=False,  
                medianprops={"color": "white", "linewidth": 0.5},  
                boxprops={"facecolor": "C0", "edgecolor": "white", "linewidth": 0.5},  
                whiskerprops={"color": "C0", "linewidth": 1.5},  
                capprops={"color": "C0", "linewidth": 1.5})  
ax[1,1].set_title("patch_artist=True")  
  
# 设置每个子图的x-y轴的刻度范围  
for i in np.arange(2):  
    for j in np.arange(2):  
        ax[i,j].set(xlim=(0, 4), xticks=[1,2,3],  
                    ylim=(0, 8), yticks=np.arange(0, 9))  
  
plt.show()  

绘制栅格图：

np.random.seed(1)  
x = [2, 4, 6]  
D = np.random.gamma(4, size=(3, 50))  
  
# plt.style.use('fivethirtyeight')  
  
fig, ax = plt.subplots(2, 2, figsize=(9,6), constrained_layout=True)  
  
# 默认栅格图-水平方向  
ax[0,0].eventplot(D)  
ax[0,0].set_title('default')  
  
# 垂直方向  
ax[0,1].eventplot(D,   
                  orientation='vertical',   
                  lineoffsets=[1,2,3])  
ax[0,1].set_title("orientation='vertical', lineoffsets=[1,2,3]")  
  
ax[1,0].eventplot(D,   
                  orientation='vertical',  
                  lineoffsets=[1,2,3],  
                  linelengths=0.5) # 线条长度  
ax[1,0].set_title('linelengths=0.5')  
  
ax[1,1].eventplot(D,   
                  orientation='vertical',  
                  lineoffsets=[1,2,3],  
                  linelengths=0.5,  
                 colors='orange')  
ax[1,1].set_title("colors='orange'")  
  
  
plt.show()  

③.plotly_express入门 使用plotly_express如何快速绘制散点图、散点矩阵图、气泡图、箱型图、小提琴图、经验累积分布图、旭日图等

机器学习

基于机器学习的Titanic生存预测

• 目标变量分析：
  
  
• 相关性分析：
  
• 基于树模型的特征重要性排序代码：

f,ax=plt.subplots(2,2,figsize=(15,12))  
  
# 1、模型  
rf=RandomForestClassifier(n_estimators=500,random_state=0)  
# 2、训练  
rf.fit(X,Y)  
# 3、重要性排序  
pd.Series(rf.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[0,0])  
# 4、添加标题  
ax[0,0].set_title('Feature Importance in Random Forests')  
  
ada=AdaBoostClassifier(n_estimators=200,learning_rate=0.05,random_state=0)  
ada.fit(X,Y)  
pd.Series(ada.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[0,1],color='#9dff11')  
ax[0,1].set_title('Feature Importance in AdaBoost')  
  
gbc=GradientBoostingClassifier(n_estimators=500,learning_rate=0.1,random_state=0)  
gbc.fit(X,Y)  
pd.Series(gbc.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[1,0],cmap='RdYlGn_r')  
ax[1,0].set_title('Feature Importance in Gradient Boosting')  
  
xgbc=xg.XGBClassifier(n_estimators=900,learning_rate=0.1)  
xgbc.fit(X,Y)  
pd.Series(xgbc.feature_importances_, X.columns).sort_values(ascending=True).plot.barh(width=0.8,ax=ax[1,1],color='#FD0F00')  
ax[1,1].set_title('Feature Importance in XgBoost')  
  
plt.show()      

• 不同模型对比：
  

基于KNN算法的iris数据集分类

• 特征分布情况：

pd.plotting.scatter_matrix(X_train,   
                           c=y_train,   
                           figsize=(15, 15),  
                           marker='o',   
                           hist_kwds={'bins': 20},   
                           s=60,  
                           alpha=.8  
                          )  
  
plt.show()  

* 混淆矩阵：

from sklearn.metrics import classification_report,f1_score,accuracy_score,confusion_matrix  
sns.heatmap(confusion_matrix(y_pred, y_test), annot=True)  
plt.show()  

• 对新数据预测：

x_new = np.array([[5, 2.9, 1, 0.2]])  
  
prediction = knn.predict(x_new)  

基于随机森林算法的员工流失预测

• 不同教育背景下的人群对比：

fig = go.Figure(data=[go.Pie(  
    labels=attrition_by['EducationField'],  
    values=attrition_by['Count'],  
    hole=0.4,  
    marker=dict(colors=['#3CAEA3', '#F6D55C']),  
    textposition='inside'  
)])  
  
  
fig.update_layout(title='Attrition by Educational Field',   
                  font=dict(size=12),   
                  legend=dict(  
                      orientation="h",  
                      yanchor="bottom",  
                      y=1.02,   
                      xanchor="right",  
                      x=1  
))  
  
fig.show()  

• 年龄和月收入关系：
  
• 类型编码：

from sklearn.preprocessing import LabelEncoder  
le = LabelEncoder()  
  
df['Attrition'] = le.fit_transform(df['Attrition'])  
df['BusinessTravel'] = le.fit_transform(df['BusinessTravel'])  
df['Department'] = le.fit_transform(df['Department'])  
df['EducationField'] = le.fit_transform(df['EducationField'])  
df['Gender'] = le.fit_transform(df['Gender'])  
df['JobRole'] = le.fit_transform(df['JobRole'])  
df['MaritalStatus'] = le.fit_transform(df['MaritalStatus'])  
df['Over18'] = le.fit_transform(df['Over18'])  
df['OverTime'] = le.fit_transform(df['OverTime'])  

• 相关性分析：
  

基于LSTM的股价预测

• LSTM网络模型搭建：

from keras.models import Sequential  
from keras.layers import Dense, LSTM  
  
model = Sequential()  
# 输入层  
model.add(LSTM(128, return_sequences=True, input_shape= (xtrain.shape[1], 1)))  
# 隐藏层  
model.add(LSTM(64, return_sequences=False))  
model.add(Dense(25))  
# 输出层  
model.add(Dense(1))  
# 模型概览  
model.summary()

• 交叉验证实现：

k = 5  
number_val = len(xtrain) // k  # 验证数据集的大小  
number_epochs = 20  
all_mae_scores = []  
all_loss_scores = []  
  
for i in range(k):  
    # 只取i到i+1部分作为验证集  
    vali_X = xtrain[i * number_val: (i+1) * number_val]  
    vali_y = ytrain[i * number_val: (i+1) * number_val]  
  
    # 训练集  
    part_X_train = np.concatenate([xtrain[:i * number_val],  
                                  xtrain[(i+1) * number_val:]],  
                                  axis=0  
                                 )   
    part_y_train = np.concatenate([ytrain[:i * number_val],  
                                  ytrain[(i+1) * number_val:]],  
                                  axis=0  
                                 )  
      
    print("pxt: \n",part_X_train[:3])  
    print("pyt: \n",part_y_train[:3])  
      
    # 模型训练  
    history = model.fit(part_X_train,  
                        part_y_train,  
                        epochs=number_epochs,  
                        # 传入验证集的数据  
                        validation_data=(vali_X, vali_y),  
                        batch_size=300,  
                        verbose=0  # 0-静默模式 1-日志模式  
                       )  
      
    mae_history = history.history["mae"]  
    loss_history = history.history["loss"]  
    all_mae_scores.append(mae_history)  
    all_loss_scores.append(loss_history)  

时序预测

基于AMIRA的销量预测

• 自相关性图：
  
• 偏自相关性：
  
• 预测未来10天

p,d,q = 5,1,2  
model = sm.tsa.statespace.SARIMAX(df['Revenue'],  
                                order=(p, d, q),  
                                seasonal_order=(p, d, q, 12))  
model = model.fit()  
model.summary()  
ten_predictions = model.predict(len(df), len(df) + 10)  # 预测10天  

基于prophet的天气预测

• 特征间的关系：
  
  * 预测效果：
  

其他案例

python的6种实现99乘法表

• 提供2种：

for i in range(1, 10):  
    for j in range(1, i+1):  # 例如3*3、4*4的情况，必须保证j能取到i值，所以i+1；range函数本身是不包含尾部数据  
        print(f'{j}x{i}={i*j} ', end="")  # end默认是换行；需要改成空格  
    print("\n")  # 末尾自动换空行  

for i in range(1, 10):       # 外层循环  
    j = 1      # 内层循环初始值  
    while j <= i:      # 内层循环条件：从1开始循环  
        print("{}x{}={}".format(i,j,(i*j)), end=' ')  # 输出格式  
        j += 1  # j每循环一次加1，进入下次，直到j<=i的条件不满足，再进入下个i的循环中  
    print("\n")  

i = 1  # i初始值  
  
while i <= 9:  # 循环终止条件  
    j = 1  # j初始值  
    while j <= i:    # j的大小由i来控制  
        print(f'{i}x{j}={i*j} ', end='')  
        j += 1   # j每循环一次都+1，直到j<=i不再满足，跳出这个while循环   
    i += 1  # 跳出上面的while循环后i+1，只要i<9就换行进入下一轮的循环；否则结束整个循环  
    print('\n')  

python实现简易计算器（GUI界面）

• 提供部分代码：

import tkinter as tk  
  
root = tk.Tk()    
root.title("Standard Calculator")    
root.resizable(0, 0)    
  
  
e = tk.Entry(root,  
             width=35,  
             bg='#f0ffff',  
             fg='black',  
             borderwidth=5,  
             justify='right',  
             font='Calibri 15')  
  
e.grid(row=0, column=0, columnspan=3, padx=12, pady=12)  
  
# 点击按钮  
def buttonClick(num):   
    temp = e.get(  
    )    
    e.delete(0, tk.END)    
    e.insert(0, temp + num)    
  
# 清除按钮  
def buttonClear():    
    e.delete(0, tk.END)  
  
  
def buttonGet(oper):    
    global num1, math    
    num1 = e.get()    
    math = oper    
    e.insert(tk.END, math)  
    try:  
        num1 = float(num1)    
    except ValueError:    
        buttonClear()

学习资料已打包，需要的小伙伴可以戳这里[学习资料]或扫描下方码！！！！！！！