本期我們開啟一個新的系列——Jupyter Notebook插件。
我們知道Jupyter Notebook是一個非常棒的資料科學、分析和程式設計的環境。但它在有些方面也存在着功能欠缺或者體驗不夠舒服的問題。幸好，Notebook提供了插件拓展的功能，我們可以通過安裝一些優秀的插件，讓我們的工作效率提高不少！
在本系列中，小編将持續整理和介紹一些自己安裝和體驗過的Notebook優秀插件，幫助大家更好的使用Notebook。
本期我們先來體驗一款懶人神器——Visual Python，拯救不想寫代碼又想探索資料科學的你...
VisualPython簡介
VisualPython是一個開源項目，它是一款基于GUI（圖形界面）的Python代碼生成器，在Jupyter Notebook上作為擴充插件使用。
VisualPython的初衷是為那些在資料科學課程中為編碼而苦苦掙紮的學生而開發。
對于程式員而言，使用該工具可以儲存和重用使用者代碼；非程式員使用該工具，可以更輕松地學習Python語言，以最少的編碼技能探索和利用資料科學解決實際問題。
主要特征：
- 基于圖形界面自動生成Python代碼
- 可以按任務建立代碼塊，如資料處理任務、可視化任務等
- 可以将分析過程導出為.vp檔案與他人共享
VisualPython簡略體驗
安裝VisualPython
- 安裝程式包
pip install visualpython
- 啟用VisualPython
visualpy install
- 激活VisualPython插件 單擊Jupyter筆記本菜單欄右側的橙色方形按鈕
探索VisualPython
- 主界面功能一覽
- 邏輯流程控制
- 常用包的代碼（可以增加自定義的代碼片段）
- 我們拿資料分析簡單體驗一下：
資料分析的操作
VisualPython自動生成代碼并運作
Machine Learning 子產品
接下來我們重點體驗一下VisualPython的Machine Learning子產品，它覆寫了sklearn包中常用的機器學習方法。
- Data Sets：建立資料集，導入sklearn内置的機器學習資料集
- Data Split：将資料集拆分測試集訓練集
- Data Prep：特征工程
- AutoML：自動機器學習
- Regressor：回歸模型
- Classifier：分類模型
- Clustering：聚類模型
- Dimension：降維
- Fit/Predict：模型拟合/預測
- Model Info：模型資訊
- Evaluation：模型評估
❝
「我們使用iris資料集簡單體驗一下VisualPython的Machine Learning元件」
❞
- 第一步，導入資料：導入鸢尾花（iris）資料集，并自動生成代碼
使用VisualPython導入資料集
自動生成以下代碼：
# Visual Python: Machine Learning > Data Sets
from sklearn.datasets import load_iris
iris = load_iris()
# Create DataFrame
df_iris = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df_iris['target'] = iris.target
df_iris
- 第二步，拆分資料集：将資料集拆分成測試集和訓練集
拆分資料集
自動生成以下代碼：
# Visual Python: Machine Learning > Data Split
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df_iris[['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']], df_iris['target'])
- 第三步，初始化分類器：執行個體化LogisticRegression模型
初始化模型
自動生成以下代碼：
# Visual Python: Machine Learning > Classifier
from sklearn.linear_model import LogisticRegression
class_model = LogisticRegression(multi_class="auto")
- 第四步，模型拟合/預測：訓練模型并預測
模型訓練/預測
自動生成以下代碼：
# Visual Python: Machine Learning > Fit/Predict
class_model.fit(X_train, y_train)
# Visual Python: Machine Learning > Fit/Predict
pred = class_model.predict(X_test)
pred
- 第五步，模型評估&檢視模型混淆矩陣
自動生成以下代碼：
# Visual Python: Machine Learning > Evaluation
from sklearn import metrics
# Visual Python: Machine Learning > Evaluation
# Confusion Matrix
pd.crosstab(y_test, pred, margins=True)
輸出的混淆矩陣：
《新語資料故事彙，數說新語》 科普資料科學、講述資料故事，深層次挖掘資料價值。歡迎各位朋友投稿！
微信号｜SnbDataStory
《新語資料故事彙，數說新語》