用 python 做数据挖掘入门并不难，掌握基础工具和流程即可上手。1. 准备环境与数据：安装 python 及 numpy、pandas、scikit-learn 等库，使用自带的鸢尾花数据集；2. 数据预处理：包括标准化、缺失值处理、类别编码，并拆分训练集和测试集；3. 选择模型并训练：如 knn、svm、决策树、随机森林等，以 knn 为例进行分类训练；4. 评估模型性能：通过准确率、混淆矩阵、分类报告等方式评估模型效果；5. 简单调参尝试提升效果：调整参数如 n_neighbors 并观察对结果的影响，后续可用网格搜索优化参数。整个流程完整清晰，适用于真实数据场景。
想用 Python 做数据挖掘，其实入门并不难。掌握一些基础工具和流程，就能开始上手实战。其中，scikit-learn（也就是 sklearn）是 Python 中最常用的数据挖掘和机器学习库之一，功能全面、接口友好，非常适合初学者使用。
下面通过一个简单的实例带你了解如何使用 sklearn 进行数据挖掘的基本操作。
一、准备环境与数据
在正式开始之前，确保你已经安装好了 Python 和必要的库：
立即学习“Python免费学习笔记（深入）”；
- Python 3.x
- numpy、pandas（用于数据处理）
- matplotlib、seaborn（可选，用于可视化）
- scikit-learn（核心）
你可以用 pip 安装这些库：
pip install numpy pandas scikit-learn matplotlib seaborn
为了方便演示，我们使用 sklearn 自带的鸢尾花数据集（Iris），这是一个经典的分类问题数据集，适合入门练习。
from sklearn.datasets import load_iris iris = load_iris() X, y = iris.data, iris.target
这样我们就加载了特征数据 X 和目标变量 y。
二、数据预处理：清洗 + 特征工程初步
数据挖掘的第一步通常是数据预处理。即使你拿到的是“干净”的数据，也可能需要做一些标准化或编码转换。
常见的预处理步骤包括：
- 数据归一化或标准化（如 Z-score）
- 缺失值处理（本例中没有缺失值）
- 类别型变量编码（如 one-hot 编码）
- 拆分训练集和测试集
以拆分训练集和测试集为例：
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
这一步非常重要，因为我们需要用一部分数据来训练模型，另一部分来评估效果。
本书是全面讲述PHP与MySQL的经典之作，书中不但全面介绍了两种技术的核心特性，还讲解了如何高效地结合这两种技术构建健壮的数据驱动的应用程序。本书涵盖了两种技术新版本中出现的最新特性，书中大量实际的示例和深入的分析均来自于作者在这方面多年的专业经验，可用于解决开发者在实际中所面临的各种挑战。
三、选择模型并训练
接下来就是选择合适的模型进行训练了。对于初学者来说，可以从以下几个常见模型入手：
- K近邻（KNeighborsClassifier）
- 支持向量机（SVC）
- 决策树（DecisionTreeClassifier）
- 随机森林（RandomForestClassifier）
比如我们用 KNN 来做分类：
from sklearn.neighbors import KNeighborsClassifier model = KNeighborsClassifier(n_neighbors=3) model.fit(X_train, y_train)
这段代码做了两件事：
- 实例化了一个 KNN 分类器，设定最近邻居数为3；
- 使用训练数据拟合模型。
四、评估模型性能
训练完模型后，下一步是看它表现怎么样。常用的评估方法有：
- 准确率（accuracy_score）
- 混淆矩阵（confusion_matrix）
- 分类报告（classification_report）
继续上面的例子：
from sklearn.metrics import accuracy_score, classification_report
y_pred = model.predict(X_test)
print("准确率：", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))你会看到类似这样的输出：
准确率： 1.0
precision recall f1-score support
0 1.00 1.00 1.00 10
1 1.00 1.00 1.00 10
2 1.00 1.00 1.00 10
accuracy 1.00 30说明这个模型在这个小数据集上表现很好，预测准确率达到满分。
五、简单调参尝试提升效果
虽然不是必须的，但你可以尝试调整模型参数来进一步优化结果。例如，KNN 中的 n_neighbors 参数可以试试不同的值：
for k in [1, 3, 5, 7]:
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"k={k} 的准确率：", accuracy_score(y_test, model.predict(X_test)))你会发现不同参数对结果的影响。这只是调参的一个小小例子，后续你可以用网格搜索（GridSearchCV）来做更系统的调优。
基本上就这些了。整个流程下来，你已经完成了一个完整的数据挖掘任务：从数据加载、预处理、建模、评估到调参。虽然用的是一个小而经典的数据集，但套路是一样的，换更大的真实数据也适用。
不复杂，但容易忽略细节。比如数据是否真的代表整体？有没有过拟合？要不要交叉验证？这些都可以慢慢深入。
