简介这份教学资料面向零基础到进阶的Python机器学习学习者围绕《Python机器学习编程与实战》一书提供配套源代码与实验数据帮助读者在动手实践中理解算法原理与建模流程。压缩包共77个文件约82.8MB以py脚本、csv数据集为主辅以png图表、xlsx表格、npz数据及sql脚本覆盖从数据读取、特征工程到模型训练与评估的完整环节。内容按章节组织涉及NumPy与Pandas基础、Matplotlib可视化、监督与无监督学习、决策树、K-means客户价值分析、多层感知器客户流失预测以及回归、降维、聚类、模型选择等实战主题并附有泰迪科技产品体系介绍便于了解行业应用背景。目前已有676人学习下载适合希望边学边练、系统掌握机器学习核心技术的读者对照代码复现实验、加深理解。1. 从一份 8 章源码包说起它到底能帮你跑通什么很多人学机器学习卡在同一个地方书看完了公式也推了但真拿到一份 CSV不知道第一步该写什么。这份《Python机器学习编程与实战》配套的源代码和实验数据恰好补的就是这一段——它不是零散代码片段而是按章节组织、带真实业务数据的可运行工程。第 2 章用 ndarray 和 ufunc 打 NumPy 底子第 3、4 章用 pandas 做数据读写与 DataFrame 进阶第 5 章用 Matplotlib 把特征关系画出来第 6 章覆盖回归、分类、聚类、降维、模型选择第 7 章落到餐饮客户流失与客户价值分析第 8 章直接上多层感知器做通信运营商客户流失预测。适合刚学完 Python 语法、想找一套能从头跑到尾的实战素材的人也适合带课或做内部培训的工程师拿它当现成案例库。下面按「资源是什么 → 怎么用 → 坑在哪」的顺序拆开讲。2. 环境与目录结构先把这份源码包跑起来2.1 依赖库与版本选择这份代码横跨 NumPy、pandas、Matplotlib、scikit-learn 几个库第 8 章还涉及多层感知器。它没有附带 requirements.txt所以环境要自己搭。常见做法是建一个独立虚拟环境避免和你机器上已有的库版本打架。我一般用 conda 建环境因为 scikit-learn 和 NumPy 的二进制依赖在 conda 下更省心。# 创建独立环境Python 版本选 3.8~3.10 之间 conda create -n ml_book python3.9 conda activate ml_book # 核心依赖版本不必锁死但别用太新的 pip install numpy pandas matplotlib scikit-learn openpyxl这里openpyxl容易被漏掉——第 4 章有users_info.xlsx和users_info_out.xlsxpandas 读写 xlsx 靠的就是它不装会在read_excel那一步直接报ImportError。版本上不建议追最新scikit-learn 1.0 之后部分 API 有调整比如sklearn.cross_validation早就拆成了model_selection老代码里如果出现旧路径按报错提示改到model_selection即可。2.2 目录组织与运行顺序解压后目录是按章节切的每章一个code文件夹加一个data文件夹部分章节还有tmp存放中间产物。以第 7 章为例目录/文件作用第7章/data/原始业务数据如meal_order_info.csv、users.csv第7章/data/tmp/中间结果如sale_sum.csv、user_value.csv第7章/code/7.2 数据准备.py数据清洗与合并第7章/code/7.3 使用K-means算法进行客户价值分析.py聚类建模第7章/code/7.4 使用决策树算法实现餐饮客户流失预测.py分类建模运行顺序上同一章内按文件名数字前缀从小到大跑因为后面的脚本依赖前面生成的中间文件。比如 7.3 依赖 7.2 产出的user_value.csv你直接跑 7.3 会因为找不到文件而失败。跨章之间基本独立但第 6 章6.1 数据准备.py会生成cancer相关数据供 6.3、6.4 使用所以第 6 章也要从 6.1 开始。提示脚本里大量使用相对路径如../data/xxx.csv所以要在code目录下运行或者用 IDE 把工作目录设成code文件夹否则会报FileNotFoundError。3. 数据准备与特征工程pandas 读写和清洗的实操细节3.1 数据读取与写出第 4 章第 4 章4.1 数据读取与写出.py是整份资源里最该先吃透的一节因为后面所有章节都建立在「把数据正确读进来」之上。它覆盖了 CSV、Excel、SQL 三类来源其中orders.sql是 SQL 脚本Station.csv、Concrete.csv是普通 CSV。import pandas as pd # 读 CSV注意编码中文数据常见 gbk 或 utf-8 df pd.read_csv(../data/meal_order_info.csv, encodinggbk) # 读 Excel需要 openpyxl df_xlsx pd.read_excel(../data/users_info.xlsx, sheet_name0) # 写出indexFalse 避免多出一列索引 df.to_csv(../data/tmp/meal_order_info_out.csv, indexFalse, encodingutf-8-sig)逻辑说明encodinggbk是针对中文 Windows 环境导出的 CSV如果读出来是乱码就换utf-8或utf-8-sig。写出时用utf-8-sig是为了 Excel 打开不乱码这个细节很多教程不讲但实际交付数据时很关键。indexFalse不加的话下次读进来会多一列Unnamed: 0这是新手最常见的翻车点之一。3.2 特征工程与数据准备第 7、8 章第 8 章8.2 数据准备.py和8.3 特征工程.py是通信运营商客户流失预测的前置步骤数据文件包括USER_INFO_M.csv、data_manu.csv、data_drop.csv、data_preprocessed.csv等从命名能看出是一条「原始 → 手工处理 → 丢弃字段 → 预处理完成」的流水线。# 典型特征工程步骤缺失值、编码、标准化 from sklearn.preprocessing import StandardScaler # 数值特征标准化 scaler StandardScaler() num_cols [call_duration, fee, age] # 按实际列名替换 data[num_cols] scaler.fit_transform(data[num_cols]) # 类别特征独热编码 data pd.get_dummies(data, columns[gender, contract_type])参数说明StandardScaler做的是 z-score 标准化适合 MLP、K-means 这类对量纲敏感的算法如果换成决策树其实不做标准化也能跑但统一处理没坏处。get_dummies的drop_firstTrue可以避免虚拟变量陷阱线性模型下建议加上。第 7 章7.2 数据准备.py里对餐饮数据的处理思路类似只是业务字段不同核心都是缺失值填充、类型转换、特征构造三步。注意第 8 章数据里data_drop.csv从命名看是被丢弃的字段别误当成训练数据读进去否则特征维度对不上模型报错还找不到原因。4. 建模与可视化从 K-means 到多层感知器4.1 第 6 章的算法全家桶第 6 章是整份资源里算法密度最高的一章6.2 降维.py、6.3 分类.py、6.4 回归.py、6.5 聚类.py、6.6 模型选择.py基本把 scikit-learn 的常用接口过了一遍数据用的是cancer数据集。这一章的价值在于它把「同一份数据换不同算法」的对比做出来了你可以直接改参数观察效果。from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.tree import DecisionTreeClassifier # 划分数据集random_state 固定保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42) # 网格搜索调参 param_grid {max_depth: [3, 5, 7, 9], criterion: [gini, entropy]} grid GridSearchCV(DecisionTreeClassifier(random_state42), param_grid, cv5) grid.fit(X_train, y_train) print(grid.best_params_, grid.best_score_)逻辑说明random_state42是固定随机种子保证每次划分一致调参时才有可比性。cv5是五折交叉验证best_score_是交叉验证平均分而非测试集分数别混淆。6.6 模型选择.py里应该还涉及学习曲线或验证曲线用来判断过拟合欠拟合这是很多人跳过但实际最该看的部分。4.2 第 7 章的业务落地客户价值与流失第 7 章把算法套进了餐饮业务。7.3用 K-means 做客户价值分析7.4用决策树做流失预测数据文件user_loss.csv、user_value.csv、sale_sum.csv是中间产物。K-means 的关键是 K 值怎么定常见做法是手肘法或轮廓系数。from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score # 手肘法找 K inertia [] for k in range(2, 10): km KMeans(n_clustersk, random_state42, n_init10) km.fit(X_scaled) inertia.append(km.inertia_) # 轮廓系数辅助判断 score silhouette_score(X_scaled, km.labels_)参数说明n_init10是跑 10 次不同初始中心取最优scikit-learn 新版本默认值变过显式写出来更稳。inertia_是簇内平方和拐点处就是较优 K。第 8 章8.4 使用多层感知器算法实现通信运营商客户流失预测.py则换成了MLPClassifier要注意隐藏层大小、学习率、最大迭代次数这几个参数数据不标准化的话 MLP 基本收敛不了。提示第 5 章那一堆 png箱线图、散点图、饼图、直方图是 Matplotlib 绘图脚本的输出5.1到5.3分别对应基础绘图、特征关系、特征内部状态跑完会在tmp下生成图片可以直接对照代码看每个参数改了图变成什么样。5. 避坑与排查跑这份源码最容易翻车的五个地方5.1 编码问题导致中文乱码或读取失败现象read_csv报UnicodeDecodeError或读进来列名是乱码。原因中文 CSV 在 Windows 下常是 GBK 编码脚本默认按 UTF-8 读。解决显式加encodinggbk写出时用utf-8-sig两个方向都照顾到。5.2 相对路径找不到文件现象FileNotFoundError: ../data/xxx.csv。原因工作目录不在code文件夹下相对路径的基准点错了。解决在 IDE 里把运行配置的工作目录设成code或者临时改成绝对路径调试调通后再换回相对路径。5.3 scikit-learn 版本 API 变更现象ImportError: cannot import name cross_validation。原因老代码用的是旧模块路径新版 scikit-learn 已迁移。解决把sklearn.cross_validation改成sklearn.model_selectionsklearn.grid_search改成sklearn.model_selection按报错逐个替换。5.4 中间文件缺失导致后续脚本失败现象跑7.3报找不到user_value.csv。原因跳过了7.2中间产物没生成。解决严格按数字前缀顺序执行或者先检查data/tmp下文件是否齐全缺哪个补跑对应前置脚本。5.5 MLP 不收敛或准确率异常低现象第 8 章 MLP 训练 loss 不下降准确率接近随机。原因特征未标准化或学习率、迭代次数设置不当。解决先确认8.3 特征工程.py已跑完并产出data_preprocessed.csv再检查MLPClassifier的hidden_layer_sizes、learning_rate_init、max_iter必要时把max_iter调大并开启early_stopping。6. 进阶技巧把这份资源改造成自己的实验台跑通只是第一步真正让这份资源产生价值的是把它当实验台。我的习惯是先从第 6 章6.6 模型选择.py入手因为它把评估流程搭好了你只要换数据集和模型就能对比。具体做法复制一份6.6把cancer数据换成第 7 章的user_loss.csv把分类器从决策树换成RandomForestClassifier或GradientBoostingClassifier用同一套交叉验证跑一遍看 AUC 和 F1 差多少。这样你既复用了现成的评估框架又验证了新算法在真实业务数据上的表现。第二个技巧是拿第 5 章的可视化脚本做特征诊断。5.2 分析特征关系常用图形.py里的散点图和箱线图可以直接套到第 8 章的data_preprocessed.csv上先看特征分布再决定要不要做对数变换或分箱。很多人上来就调模型其实特征分布看一眼就能排除一半无效尝试。第三个是参数记录。我一般会在脚本开头加一段配置字典把random_state、test_size、n_clusters、max_depth这些全集中管理跑不同组合时只改字典结果写进一个 CSV 做对比。这份资源本身没有实验管理但你自己加一层就能把它从「照着跑」变成「拿来试」。# 简易实验记录 import pandas as pd from sklearn.metrics import accuracy_score, f1_score results [] for depth in [3, 5, 7, 9]: clf DecisionTreeClassifier(max_depthdepth, random_state42) clf.fit(X_train, y_train) pred clf.predict(X_test) results.append({ max_depth: depth, acc: accuracy_score(y_test, pred), f1: f1_score(y_test, pred, averageweighted) }) pd.DataFrame(results).to_csv(../data/tmp/exp_log.csv, indexFalse)这段代码的价值在于把「调参」变成可追溯的记录而不是跑一次看一眼就忘。从那以后我每次动这份源码里的模型脚本都强制先建实验记录表再改参数否则跑了几十次之后根本记不清哪个配置对应哪个结果。希望帮到你。本文还有配套的精品资源点击获取
Python机器学习源码实战：从NumPy到MLP客户流失预测
简介这份教学资料面向零基础到进阶的Python机器学习学习者围绕《Python机器学习编程与实战》一书提供配套源代码与实验数据帮助读者在动手实践中理解算法原理与建模流程。压缩包共77个文件约82.8MB以py脚本、csv数据集为主辅以png图表、xlsx表格、npz数据及sql脚本覆盖从数据读取、特征工程到模型训练与评估的完整环节。内容按章节组织涉及NumPy与Pandas基础、Matplotlib可视化、监督与无监督学习、决策树、K-means客户价值分析、多层感知器客户流失预测以及回归、降维、聚类、模型选择等实战主题并附有泰迪科技产品体系介绍便于了解行业应用背景。目前已有676人学习下载适合希望边学边练、系统掌握机器学习核心技术的读者对照代码复现实验、加深理解。1. 从一份 8 章源码包说起它到底能帮你跑通什么很多人学机器学习卡在同一个地方书看完了公式也推了但真拿到一份 CSV不知道第一步该写什么。这份《Python机器学习编程与实战》配套的源代码和实验数据恰好补的就是这一段——它不是零散代码片段而是按章节组织、带真实业务数据的可运行工程。第 2 章用 ndarray 和 ufunc 打 NumPy 底子第 3、4 章用 pandas 做数据读写与 DataFrame 进阶第 5 章用 Matplotlib 把特征关系画出来第 6 章覆盖回归、分类、聚类、降维、模型选择第 7 章落到餐饮客户流失与客户价值分析第 8 章直接上多层感知器做通信运营商客户流失预测。适合刚学完 Python 语法、想找一套能从头跑到尾的实战素材的人也适合带课或做内部培训的工程师拿它当现成案例库。下面按「资源是什么 → 怎么用 → 坑在哪」的顺序拆开讲。2. 环境与目录结构先把这份源码包跑起来2.1 依赖库与版本选择这份代码横跨 NumPy、pandas、Matplotlib、scikit-learn 几个库第 8 章还涉及多层感知器。它没有附带 requirements.txt所以环境要自己搭。常见做法是建一个独立虚拟环境避免和你机器上已有的库版本打架。我一般用 conda 建环境因为 scikit-learn 和 NumPy 的二进制依赖在 conda 下更省心。# 创建独立环境Python 版本选 3.8~3.10 之间 conda create -n ml_book python3.9 conda activate ml_book # 核心依赖版本不必锁死但别用太新的 pip install numpy pandas matplotlib scikit-learn openpyxl这里openpyxl容易被漏掉——第 4 章有users_info.xlsx和users_info_out.xlsxpandas 读写 xlsx 靠的就是它不装会在read_excel那一步直接报ImportError。版本上不建议追最新scikit-learn 1.0 之后部分 API 有调整比如sklearn.cross_validation早就拆成了model_selection老代码里如果出现旧路径按报错提示改到model_selection即可。2.2 目录组织与运行顺序解压后目录是按章节切的每章一个code文件夹加一个data文件夹部分章节还有tmp存放中间产物。以第 7 章为例目录/文件作用第7章/data/原始业务数据如meal_order_info.csv、users.csv第7章/data/tmp/中间结果如sale_sum.csv、user_value.csv第7章/code/7.2 数据准备.py数据清洗与合并第7章/code/7.3 使用K-means算法进行客户价值分析.py聚类建模第7章/code/7.4 使用决策树算法实现餐饮客户流失预测.py分类建模运行顺序上同一章内按文件名数字前缀从小到大跑因为后面的脚本依赖前面生成的中间文件。比如 7.3 依赖 7.2 产出的user_value.csv你直接跑 7.3 会因为找不到文件而失败。跨章之间基本独立但第 6 章6.1 数据准备.py会生成cancer相关数据供 6.3、6.4 使用所以第 6 章也要从 6.1 开始。提示脚本里大量使用相对路径如../data/xxx.csv所以要在code目录下运行或者用 IDE 把工作目录设成code文件夹否则会报FileNotFoundError。3. 数据准备与特征工程pandas 读写和清洗的实操细节3.1 数据读取与写出第 4 章第 4 章4.1 数据读取与写出.py是整份资源里最该先吃透的一节因为后面所有章节都建立在「把数据正确读进来」之上。它覆盖了 CSV、Excel、SQL 三类来源其中orders.sql是 SQL 脚本Station.csv、Concrete.csv是普通 CSV。import pandas as pd # 读 CSV注意编码中文数据常见 gbk 或 utf-8 df pd.read_csv(../data/meal_order_info.csv, encodinggbk) # 读 Excel需要 openpyxl df_xlsx pd.read_excel(../data/users_info.xlsx, sheet_name0) # 写出indexFalse 避免多出一列索引 df.to_csv(../data/tmp/meal_order_info_out.csv, indexFalse, encodingutf-8-sig)逻辑说明encodinggbk是针对中文 Windows 环境导出的 CSV如果读出来是乱码就换utf-8或utf-8-sig。写出时用utf-8-sig是为了 Excel 打开不乱码这个细节很多教程不讲但实际交付数据时很关键。indexFalse不加的话下次读进来会多一列Unnamed: 0这是新手最常见的翻车点之一。3.2 特征工程与数据准备第 7、8 章第 8 章8.2 数据准备.py和8.3 特征工程.py是通信运营商客户流失预测的前置步骤数据文件包括USER_INFO_M.csv、data_manu.csv、data_drop.csv、data_preprocessed.csv等从命名能看出是一条「原始 → 手工处理 → 丢弃字段 → 预处理完成」的流水线。# 典型特征工程步骤缺失值、编码、标准化 from sklearn.preprocessing import StandardScaler # 数值特征标准化 scaler StandardScaler() num_cols [call_duration, fee, age] # 按实际列名替换 data[num_cols] scaler.fit_transform(data[num_cols]) # 类别特征独热编码 data pd.get_dummies(data, columns[gender, contract_type])参数说明StandardScaler做的是 z-score 标准化适合 MLP、K-means 这类对量纲敏感的算法如果换成决策树其实不做标准化也能跑但统一处理没坏处。get_dummies的drop_firstTrue可以避免虚拟变量陷阱线性模型下建议加上。第 7 章7.2 数据准备.py里对餐饮数据的处理思路类似只是业务字段不同核心都是缺失值填充、类型转换、特征构造三步。注意第 8 章数据里data_drop.csv从命名看是被丢弃的字段别误当成训练数据读进去否则特征维度对不上模型报错还找不到原因。4. 建模与可视化从 K-means 到多层感知器4.1 第 6 章的算法全家桶第 6 章是整份资源里算法密度最高的一章6.2 降维.py、6.3 分类.py、6.4 回归.py、6.5 聚类.py、6.6 模型选择.py基本把 scikit-learn 的常用接口过了一遍数据用的是cancer数据集。这一章的价值在于它把「同一份数据换不同算法」的对比做出来了你可以直接改参数观察效果。from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.tree import DecisionTreeClassifier # 划分数据集random_state 固定保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42) # 网格搜索调参 param_grid {max_depth: [3, 5, 7, 9], criterion: [gini, entropy]} grid GridSearchCV(DecisionTreeClassifier(random_state42), param_grid, cv5) grid.fit(X_train, y_train) print(grid.best_params_, grid.best_score_)逻辑说明random_state42是固定随机种子保证每次划分一致调参时才有可比性。cv5是五折交叉验证best_score_是交叉验证平均分而非测试集分数别混淆。6.6 模型选择.py里应该还涉及学习曲线或验证曲线用来判断过拟合欠拟合这是很多人跳过但实际最该看的部分。4.2 第 7 章的业务落地客户价值与流失第 7 章把算法套进了餐饮业务。7.3用 K-means 做客户价值分析7.4用决策树做流失预测数据文件user_loss.csv、user_value.csv、sale_sum.csv是中间产物。K-means 的关键是 K 值怎么定常见做法是手肘法或轮廓系数。from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score # 手肘法找 K inertia [] for k in range(2, 10): km KMeans(n_clustersk, random_state42, n_init10) km.fit(X_scaled) inertia.append(km.inertia_) # 轮廓系数辅助判断 score silhouette_score(X_scaled, km.labels_)参数说明n_init10是跑 10 次不同初始中心取最优scikit-learn 新版本默认值变过显式写出来更稳。inertia_是簇内平方和拐点处就是较优 K。第 8 章8.4 使用多层感知器算法实现通信运营商客户流失预测.py则换成了MLPClassifier要注意隐藏层大小、学习率、最大迭代次数这几个参数数据不标准化的话 MLP 基本收敛不了。提示第 5 章那一堆 png箱线图、散点图、饼图、直方图是 Matplotlib 绘图脚本的输出5.1到5.3分别对应基础绘图、特征关系、特征内部状态跑完会在tmp下生成图片可以直接对照代码看每个参数改了图变成什么样。5. 避坑与排查跑这份源码最容易翻车的五个地方5.1 编码问题导致中文乱码或读取失败现象read_csv报UnicodeDecodeError或读进来列名是乱码。原因中文 CSV 在 Windows 下常是 GBK 编码脚本默认按 UTF-8 读。解决显式加encodinggbk写出时用utf-8-sig两个方向都照顾到。5.2 相对路径找不到文件现象FileNotFoundError: ../data/xxx.csv。原因工作目录不在code文件夹下相对路径的基准点错了。解决在 IDE 里把运行配置的工作目录设成code或者临时改成绝对路径调试调通后再换回相对路径。5.3 scikit-learn 版本 API 变更现象ImportError: cannot import name cross_validation。原因老代码用的是旧模块路径新版 scikit-learn 已迁移。解决把sklearn.cross_validation改成sklearn.model_selectionsklearn.grid_search改成sklearn.model_selection按报错逐个替换。5.4 中间文件缺失导致后续脚本失败现象跑7.3报找不到user_value.csv。原因跳过了7.2中间产物没生成。解决严格按数字前缀顺序执行或者先检查data/tmp下文件是否齐全缺哪个补跑对应前置脚本。5.5 MLP 不收敛或准确率异常低现象第 8 章 MLP 训练 loss 不下降准确率接近随机。原因特征未标准化或学习率、迭代次数设置不当。解决先确认8.3 特征工程.py已跑完并产出data_preprocessed.csv再检查MLPClassifier的hidden_layer_sizes、learning_rate_init、max_iter必要时把max_iter调大并开启early_stopping。6. 进阶技巧把这份资源改造成自己的实验台跑通只是第一步真正让这份资源产生价值的是把它当实验台。我的习惯是先从第 6 章6.6 模型选择.py入手因为它把评估流程搭好了你只要换数据集和模型就能对比。具体做法复制一份6.6把cancer数据换成第 7 章的user_loss.csv把分类器从决策树换成RandomForestClassifier或GradientBoostingClassifier用同一套交叉验证跑一遍看 AUC 和 F1 差多少。这样你既复用了现成的评估框架又验证了新算法在真实业务数据上的表现。第二个技巧是拿第 5 章的可视化脚本做特征诊断。5.2 分析特征关系常用图形.py里的散点图和箱线图可以直接套到第 8 章的data_preprocessed.csv上先看特征分布再决定要不要做对数变换或分箱。很多人上来就调模型其实特征分布看一眼就能排除一半无效尝试。第三个是参数记录。我一般会在脚本开头加一段配置字典把random_state、test_size、n_clusters、max_depth这些全集中管理跑不同组合时只改字典结果写进一个 CSV 做对比。这份资源本身没有实验管理但你自己加一层就能把它从「照着跑」变成「拿来试」。# 简易实验记录 import pandas as pd from sklearn.metrics import accuracy_score, f1_score results [] for depth in [3, 5, 7, 9]: clf DecisionTreeClassifier(max_depthdepth, random_state42) clf.fit(X_train, y_train) pred clf.predict(X_test) results.append({ max_depth: depth, acc: accuracy_score(y_test, pred), f1: f1_score(y_test, pred, averageweighted) }) pd.DataFrame(results).to_csv(../data/tmp/exp_log.csv, indexFalse)这段代码的价值在于把「调参」变成可追溯的记录而不是跑一次看一眼就忘。从那以后我每次动这份源码里的模型脚本都强制先建实验记录表再改参数否则跑了几十次之后根本记不清哪个配置对应哪个结果。希望帮到你。本文还有配套的精品资源点击获取