使用代理的爬虫小程序

import urllib.request
import os
import sys
import re

def testArgument(url):
        TP=TestProxy(url)

def tipUse():
    print('改程序只能输入一个参数,这个参数必须是可用的proxy')
    print('usage:python test Urllib2WithProxy.py http//1.2.3.4:5')
    print('usage:python test Urllib2WithProxy.py https//1.2.3.4:5')

class TestProxy(object):
    def __init__(self,proxy):
        self.proxy = proxy
        self.checkProxyFormat(self.proxy)
        self.url = 'http://www.baidu.com'
        self.timeout=5
        self.flagWord='百度'
        self.useProxy(self.proxy)

    def checkProxyFormat(self,proxy):
        try:
            proxyMatch = re.compile('http[s]?://[\d]{1,3}\.{\d}{1,3}\.[\d]{1,3}:[\d]{1,5}$')
            proxyMatch.match(proxy)
        except AttributeError:
            tipUse()
            exit()
        flag = 1
        proxy = proxy.replace('//','')
        try:
            protocol = proxy.split(':')[0]
            ip = proxy.split(':')[1]
            port = proxy.split(':')[2]
        except IndexError:
            print('下标出界')
            tipUse()
            exit()
        flag = flag and len(proxy.split(':')) and len(ip.split('.'))

        flag = ip.split('.')[0] in map(str,range(1,256)) and flag
        flag = ip.split('.')[1] in map(str,range(256)) and flag
        flag = ip.split('.')[2] in map(str,range(256)) and flag
        flag = ip.split('.')[3] in map(str,range(1,255)) and flag
        flag = protocol in ['http','https'] and flag
        flag = port in map(str,range(1,65535)) and flag
        if flag:
            print('输入的http代理服务器符合标准')
        else:
            tipUse()
            exit()
            
    def useProxy(self,proxy):
        protocol = proxy.split('//')[0].replace(':','')
        ip = proxy.split('//')[1]
        opener = urllib.request.build_opener(urllib.request.ProxyHandler({protocol:ip}))
        urllib.request.install_opener(opener)
        try:
            response = urllib.request.urlopen(self.url,timeout=self.timeout)
        except:
            print('连接错误,退出程序')
            exit()
        
        data = response.read()
        data = data.decode('UTF-8')
        print(data)

testArgument('https://117.135.250.134:80')

python异步IO的发展历程

python中异步IO发展分为三个发展阶段

1.使用yield和send

2.使用@asyncio.coroutine和yield from

3.使用async/await关键字

一、yield和send


def fib(n):
	res = [0]*n
	index = 0
	a = 0
	b = 1
	while index < n:
		res[index] = b
		a, b = b, a + b
		index += 1
	return res

for res in fib(20):
	print(res)

这是一段输出斐波那契数列的代码,需要经过数次迭代。这种方式的缺点是执行这种迭代运算需要占用大量内存,而我们最终的目的如果只是想得到某一个顺序位上的数字,该方法就不太合适了。


def fib(n):
	res = [0]*n
	index = 0
	a = 0
	b = 1
	while index < n:
		yield b
		a, b = b, a + b
		index += 1
	
for res in fib(20):
	print(res)

当我们使用yield 时,无须在函数内加入return,直接用for in,便可直接得到yield的值,即没运行一次,就会再执行一次next(fib(20)) (相当于执行下一次吧)。


import random
import time
def fib(n):
	index = 0
	a = 0
	b = 1
	while index < n:
		sleep_cnt = yield b
		print('delay {0} seconds'.format(sleep_cnt))
		time.sleep(sleep_cnt)
		a, b = b, a + b
		index += 1
		
N = 20
sfib = fib(N)
res = next(sfib)
while True:
	print(res)
	try:
		res = sfib.send(random.uniform(0, 0.5))
	except StopIteration:
		break

当我们想往线程中发送数据时,可以用到send函数,此处使用time库,虚拟一下io的延迟。

二、@asyncio.coroutine和yield from


def fibAgain(n):
	print('I am copy from fib')
	yield from fib(n)
	print('Copy end')
	
for res in fibAgain(20):
	print(res)
以上代码承接上文,由此可见,yield from相当于重构之前的yield的代码,重新来一次刷新。

import asyncio

@asyncio.coroutine
def wget(host):
    print('wget %s...' % host)
    connect = asyncio.open_connection(host, 80)
    reader, writer = yield from connect
    header = 'GET / HTTP/1.0\r\nHost: %s\r\n\r\n' % host
    writer.write(header.encode('utf-8'))
    yield from writer.drain()
    while True:
        line = yield from reader.readline()
        if line == b'\r\n':
            break
        print('%s header > %s' % (host, line.decode('utf-8').rstrip()))
    # Ignore the body, close the socket
    writer.close()

loop = asyncio.get_event_loop()
tasks = [wget(host) for host in ['www.sina.com.cn', 'www.sohu.com', 'www.163.com']]
loop.run_until_complete(asyncio.wait(tasks))
loop.close()

以上是一个连接网站的一个例子,我们使用yield挂起需要异步IO的代码,在函数前加入@asyncio.coroutine关键字,再使用实现线程的并发。

三、async/await关键字


async def smart_fib(n):
	index = 0
	a = 0
	b = 1
	while index < n:
		sleep_secs = random.uniform(0, 0.2)
		await asyncio.sleep(sleep_secs)
		print('Smart one think {} secs to get {}'.format(sleep_secs, b))
		a, b = b, a + b
		index += 1
 
async def stupid_fib(n):
	index = 0
	a = 0
	b = 1
	while index < n:
		sleep_secs = random.uniform(0, 0.4)
		await asyncio.sleep(sleep_secs)
		print('Stupid one think {} secs to get {}'.format(sleep_secs, b))
		a, b = b, a + b
		index += 1
 
if __name__ == '__main__':
	loop = asyncio.get_event_loop()
	tasks = [
		smart_fib(10)),
		stupid_fib(10))
	]
	loop.run_until_complete(asyncio.wait(tasks))
	print('All fib finished.')
	loop.close()

理解了yield from之后,async/await关键字就很好理解了,其实就是对yield from的简化。

机器学习笔记(四)决策树

一、基本流程

决策树是一种常见的机器学习方法。

一般的,一颗决策树包含一个根结点、若干内部结点和若干叶结点,叶结点对应决策结果,其他每个结点对应于一个测试属性。

决策树的生成是一个递归过程,有三种情况会导致递归返回:1.当前结点包含的样本全属于同一类别,无须划分。2.当前属性集为空,或是所有样本在所有属性上取值相同,无法划分。3.当前结点包含的样本集合为空,不能划分。

二、划分选择

决策树学习的关键是如何选择最优划分属性,一般而言划分过程不断进行,我们希望决策树的分支节点所包含的样本尽可能属于同一类别,即结点纯度越来越高。

 “信息熵”是度量样本集合纯度最常用的一种指标。信息熵越小纯度越高。

信息增益可以算出某属性a来进行划分所获的纯度越大。

在实际中,信息增益准则对可取数目较多的属性有所偏好,为减少这种偏好可能带来的不利影响,可以使用增益率来选择最优划分属性。

增益率对可取值数目较少的属性有所偏好,因此,并不是直接选择增益率最大的候选划分属性,而是使用了一个启发式:先从候选划分属性中找出信息增益高于平均水平的属性,再从中选择增益率最高的。

也可使用基尼指数来选择划分属性,基尼指数越小,越优。

三、剪枝处理                                                                                                                为了减少过拟合的现象。

决策树剪枝的基本策略有预剪枝和后剪枝。

预剪枝是指在决策树生成过程中,对每个结点在划分前先进行估计,若当前结点的划分不能带来决策树泛化性能提升,则停止划分并将当前结点标记为叶结点。

后剪枝则是先从训练集生成一棵完整的决策树,然后自底向上地对非叶结点进行考察,若将该结点对应的子树替换为叶结点能带来决策树泛化性能的提升(可采用留出法验证),则将该子树替换为叶结点。   

根据奥卡姆剃刀原则,一般所有决策树都需要进行剪枝。

四、连续与缺失值

在处理连续值时的处理办法与属性值缺失值得方法。                                                                                                                                                                                                                                                                                                                                                                                                         

pandas 数据处理

pandas中数据可以分为series,dataframe,panel分别表示一维至三维数据。

其中在构造时,index表示行名,columns表示列名

series:

构造方式 

 s = pd.Series(data, index=index)
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])

或者以字典的形式

In [7]: d = {'a' : 0., 'b' : 1., 'c' : 2.}

In [8]: pd.Series(d)
Out[8]: 
a    0.0
b    1.0
c    2.0
dtype: float64

In [9]: pd.Series(d, index=['b', 'c', 'd', 'a'])
Out[9]: 
b    1.0
c    2.0
d    NaN
a    0.0
dtype: float64

series的提取方式

In [11]: s[0]  #提取一个
Out[11]: 0.46911229990718628

In [12]: s[:3]    #提起开始至第三行
Out[12]:
a    0.4691
b   -0.2829
c   -1.5091
dtype: float64

In [13]: s[s > s.median()]   #按要求提取
Out[13]:
a    0.4691
e    1.2121
dtype: float64

In [14]: s[[4, 3, 1]]
Out[14]:
e    1.2121
d   -1.1356
b   -0.2829
dtype: float64

In [15]: np.exp(s)
Out[15]:
a    1.5986
b    0.7536
c    0.2211
d    0.3212
e    3.3606
dtype: float64

dataframe:

构造方式 

In [32]: d = {'one' : pd.Series([1., 2., 3.], index=['a', 'b', 'c']),
   ....:      'two' : pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
   ....: 

In [33]: df = pd.DataFrame(d)

In [34]: df
Out[34]: 
   one  two
a  1.0  1.0
b  2.0  2.0
c  3.0  3.0
d  NaN  4.0

In [35]: pd.DataFrame(d, index=['d', 'b', 'a'])
Out[35]: 
   one  two
d  NaN  4.0
b  2.0  2.0
a  1.0  1.0

In [36]: pd.DataFrame(d, index=['d', 'b', 'a'], columns=['two', 'three'])
Out[36]: 
   two three
d  4.0   NaN
b  2.0   NaN
a  1.0   NaN

提取或按要求添加字段

In [56]: df['one']
Out[56]: 
a    1.0
b    2.0
c    3.0
d    NaN
Name: one, dtype: float64

In [57]: df['three'] = df['one'] * df['two']

In [58]: df['flag'] = df['one'] > 2

In [59]: df
Out[59]: 
   one  two  three   flag
a  1.0  1.0    1.0  False
b  2.0  2.0    4.0  False
c  3.0  3.0    9.0   True
d  NaN  4.0    NaN  False

机器学习笔记(三)性能度量

即对学习器的泛化性能进行评估。

在度量时要有衡量模型泛化能力的评价标准。

性能度量反映了任务需求,在对比不同模型的能力时,使用不同的性能度量往往会导致不同的评判结果,这意味着模型的好坏是相对的,什么样的模型是好的,不仅取决于算法和数据,还取决于任务需求。

一.错误率与精度

错误率是分类错误的样本数占样本总数的比例,进度则是分类正确的样本数占样本总数的比例。

二.查准率、查全率与F1

查准率高即代表尽可能准确地把正的跳出来,查全率是指尽可能把正的全部挑出来,即宁可错杀也不放过。对于二分类问题,可以将样例根据真实类别与学习期预测类别的组合划分为真正例、假正例,真反例、假反例,设为TP\FP\TN\FN,显然有TP+FP+TN+FN=样例总数。分类结果的混淆矩阵如下所示
真实情况 预测结果
正例 反例
正例 TP FN
反例 FP TN

查准率P和查全率R分别定义为

P=TP/(TP+FP)
R=TP/(TP+FN)
查准率和查全率是一组矛盾的度量,此高彼低。以查准率为纵坐标,查全率为横坐标,可以画出P-R图。
P-R图的特性:
若一个学习器的曲线被另一个学习器的曲线完全包住,就说明另外一个学期器比这个学习器性能好。
若发生了交叉,一般计算面积大的性能较好。
平衡点是曲线查全率与查准率相等时候的点,也可以通过此点判别。
F1=(2*P*R)/(P+R)=2*TP/(样例总数+TP-TN)也是一种判别方法。
在复杂情况下,还必须考虑到查全率或查准率的重要性,以及在多个混淆矩阵下求平均的方法。

三.ROC与AUC

很多学习器其实是为测试样本产生一个阈值,高于这个值就是正类,反之为反类。也可以称之为截断点。
在不同的任务中,我们要考虑到查准率和查全率的重要性的高低,这是我们可以借助ROC。
我们根据学习器的预测结果对样例进行排序,按此顺序逐个把样本作为正例进行测试,每次计算出TPR和FPR作为纵横轴。即真正例率和假正例率。
TPR=TP/(TP+FN)
FPR=FP/(TN+FP)
其特性与P-R图类似。AUC即指ROC曲线包括的面积。
形式化的看AUC考虑的是样本预测的排序质量,因此它与排序误差有紧密联系。

四.代价敏感错误率与代价曲线

在实际应用中,还必须考虑判断错误所付出的代价大小,例如在门禁系统中,若放进去一个坏人,或者把好人拦在门外,都会影响到用户的体验。
通常的方法应该是把任何错误都要设置一个权值,在算代价敏感错误率时,必须考虑到这个权值,不能简单的直接计算错误次数。

机器学习笔记(二)模型评估方法

我们利用测试集来测试学习器对新样本的判别能力,把测试集上的测试误差作为泛化误差的近似。在选取测试集时,需要尽可能与训练集互斥。即举一反三的能力,考试不出原题。偷笑

一.留出法

直接将训练集划分为两个互斥的集合,其中一个作为测试集T,另一个作为训练集S。

注意事项:

1.测试训练集的划分要尽可能保持数据分布的一致性,避免因数据划分过程引入额外的偏差而对最终结果产生影响。例如对D进行分层采样,D包含500个正例,500个反例,则分层采样得到的S应包含350个正例,350个反例,二T应包含150个正例,150个反例。

2.采用留出法时,需要采用若干次随机划分,降低特殊情况产生的干扰。

3.一般采用2/3~4/5的划分规则。

二.交叉验证法

先将数据D划分成k个大小相似的互斥子集,每个子集尽可能保持数据分布的一致性,即从D中通过分层采样得到。然后每次用k-1个子集的并集作为训练集,余下的那个子集作为测试集。这种方法的稳定性和保真性在很大程度上取决于k的取值。k常取10.
注意事项:
1.也需要像留出法一样重复p次的随机划分,最后取验证结果的均值。常见的有10次10折交叉验证
2.评估结果较准确,但是当数据集较大时,计算开销会很庞大。

三.自助法

给定包含m个样本的数据集D,我们对它进行采样产生数据集D、:每次随机从D中挑选一个样本,将其拷贝放入D、,然后再将该样本放回初始数据集D中,使得该样本在下次采样时仍有可能被采集到。这个过程执行m次之后,我们就得到了包含m个样本的数据集D、,这就是自主采样的结果。这种方法兼具前面两者的优势。

四.调参与最终模型

即确定算法的某几个参数,以适应不同的情况。

机器学习笔记(一)基本术语

数据例如(碗=干净),(书=厚),其中括号内是一条记录,“=”意思是“取值为”。

其中每条记录是关于一个事件或对象的描述,称为一个示例样本

碗、书称为属性特征。干净、厚称为属性值

属性张成的空间称为属性空间样本空间输入空间

以一个碗为例子,把色泽、材质、厚度作为三个坐标轴,则他们张成一个用于描述一个碗的三维空间,每个碗都可以找到自己的坐标位置。

从数据中学得的模型称为学习或者训练。训练过程使用的数据称为训练数据,其中每个样本称为训练样本,训练样本组成的集合称为训练集

学得模型对应了关于数据的某种潜在规律,称为假设。这种潜在的规律自身,称为真相真实

训练数据的结果信息例如,((色泽=均匀;材质=突出;厚度=良好),好碗)。这里关于示例结果的信息,称为标记,所有标记的集合,称为标记空间输出空间

我们欲预测的离散值,例如好碗、坏碗,此类学习任务称为分类,若是连续值,例如碗的厚度为0.75,0.85,次任务称为回归,对只涉及两个类别的二分类任务,分为正类负类,对设计多个类别时,则称为多分类任务

一般地,预测任务是希望通过训练集进行学习 从而建立从输入空间到输出空间的映射关系。

学得模型后,使用其进行预测的过程称为测试,被预测的样本称为预测样本

聚类是将训练几种的碗分成若干组,每组称为一个,这些簇可能形成一些潜在的概念,例如光滑碗、粗糙碗、劣质碗。在聚类学习中,我们并不知道有劣质碗粗糙碗这类的概念。

根据聚类学习能否拥有标记信息,可以大致分为两类:监督学习无监督学习,分类和回归是前者的代表,聚类则是后者的代表。

学得的模型适用于新样本的能力,称为泛化能力。通常每个样本都是独立同分布的。