这是菜鸟学Python的第78篇原创文章
阅读本文大概需要4分钟
前面经过70几篇的文章，我们的入门篇基本结束了，相信很多小伙伴的基本功应该练的差不多了，可以蛟龙出海了，基本功连扎实了，对后面深入学Python非常有好处，Python有两个非常有趣的方向，一条是数据分析，然后掌握数据分析的基本方法(NumPy,Pandas,mapplotlib),然后再往下就是数据挖掘，机器学习，深度学习,人工智能,另外一条就是web开发.有同学说爬虫呢，爬虫其实是获取数据的一个手段，包括数据库的处理等等都是包含在上面两条线路里面,个人对数据分析比有兴趣，接下来会写一些数据分析,数据可视化,Python进阶,算法等相关的文章.
数据分析准备工作
1.数据分析工具
工欲善其事，必先利其器，网上有很多关于数据分析的文章，相信大家一定听过R语言和Python之争，而且各有千秋，R语言在学术界更流行,但是在做项目上面我个人比较喜欢Python,Python更通用，更简洁，文档也很多,而且有大量的库特别是Google,Facebook都开源了很多功能强大的库，非常不错.所以语言我们选Python.
开发工具的话，建议大家用Anaconda,是一个强大的科学计算的Python发行版，首推数据分析开发工具.支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。
推荐使用里面的spyder和Jupyter Notebook非常不错,界面美观而且调试方便
2.数据分析的库
Python数据分析这么流行，其中跟两个第三方的库非常相关，一个是Numpy,一个是Pandas，这两个库如果你要做数据分析，必须要熟练掌握使用~~
Numpy偏数组多一点，特别是多维数组，矩阵,非常灵活方便.内置了大量的矩阵的操作，对于科学计算来说简直就是神器.
Pandas偏series多一点，而且跟时序相关，内置了大量库和一些标准的数据模型，特别是对于大型的数据的处理，非常的高效和快捷.
比如对于一个1000万行的CVS数据的处理，用字典去处理大概需要60几秒，而pandas只需要4秒，而且代码行更少.以后我们会用实战例子去证明这一点
当然上面都是一些入门必学技能，继续修炼的话需要了解大数据的处理,以及一些机器学习的库sk-learn和深度学习的一些框架
初探numpy
3.什么是NumPy
1).Numpy全称叫Numeric Python，听名字就知道跟数值有关，没错numpy,提供了许多高级的数值编程工具，如：矩阵运算、多维数组，矢量运算,线性代数，随机数的生成，均方差等这些科学计算操作非常方便.
2).Ndarray 对象
Numpy里面有一个最最有名的Ndarray对象,几乎所有的操作都围绕这个Ndarray来，也叫多维数组.
数组是主流语言的标配数据结构,Python中的列表其实也是这样的一种数据结构，但是列表跟数组不一样;比如列表的元素可以是任意的类型,列表需要保存每个对象的指针和对象,很浪费内存空间，而且不支持多维数组
Ndarray会支持多维数组，而且数组之间的转换非常方面，内置了很多高效的内建函数，都是用C写的，有利于节省内存和提高CPU的计算时间.比如需要计算一百万数据的正弦函数用numpy比python里的标准函数要快近10倍~~
4.Ndarray和Python list的相似之处
import numpy
n1=numpy.array(['AA','BB','CC','DD','EE'])
list1=['AA','BB','CC','DD','EE']
a).都可以通过下标去访问
print n1[0]
>>'AA'
print list1[0]
>>'AA'
b).都可以切片去访问
n1=numpy.array(['AA','BB','CC','DD','EE'])
list1=['AA','BB','CC','DD','EE']
print n1[1:3]
>>['BB' 'CC']
print list1[1:3]
>>['BB', 'CC']
c).都可以用循环处理
n1=numpy.array([1,2,3,4])
for n in n1:
print n
>>
1
2
3
4
5.Ndarray和Python list的不同之处
a).Ndarray里面的元素必须是同一种类型
(int,float,string_,bool, ...)
要么都是int,要么都是float,要么都是字符串
n1=np.array(['a','b','c',100])
>>
['a' 'b' 'c' '100']
因为ndarray要求所以的类型必须一样，你会发现100变成了字符串'100'
b).矢量运算
比如相加
a1=np.array([1,2,3])
a2=np.array([4,5,6])
print a1+a2
>>[5,7,9]
而类似的加操作在list中
list1=[1,2,3]
list2=[4,5,6]
print list1+list2
>>[1,2,3,4,5,6]
比如相乘
a1=np.array([1,2,3])
print a1*3
>>[3,6,9]
而类似的操作在list中
a1=[1,2,3]
print a1*3
>>[1,2,3,1,2,3,1,2,3]
比如乘方
先产生3*3矩阵，每个数字都是0-9之间
arr1=np.random.randint(0,10,(3,3))
print arr1
>>
[[6 7 5]
[9 6 0]
[5 5 9]]
arr2=arr1**2
print arr2
>>
[[36 49 25]
[81 36 0]
[25 25 81]]
c).内置了一些通用(ufunc)函数
比如max(),min(),argmax(),argmin(),mean()计算中位数,std()计算均方差等函数
留一个思考题
题目一：
a=np.array([1,2,3,4,5])
b=a
a+=np.array([1,1,1,1,1])
print b
题目二：
a=np.array([1,2,3,4,5])
b=a
a=a+np.array([1,1,1,1,1])
print b
看看题目一和题目二的print b的结果是什么，会一样吗?
用Python数据分析起航篇就讲到这里，是不是觉得numpy蛮强大的～～这只是开始，今天的文章希望能给初学者一些启发,若有什么不懂的,也可以留言跟我探讨交流.后面一篇会介绍numpy的一些高级用法，以及一些实战例子来综合运用.
更多精彩内容，源码分享，请关于微信公众号"菜鸟学python"