数据科学Python基础（附示例代码和练习题目）

数据科学Python基础（附示例代码和练习题目）

原创  2018年02月20日 12:38:09

• 408

翻译 | AI科技大本营

参与 | 王珂凝

审校 | reason_W

【AI科技大本营导读】Python的强大和灵活相信已经毋庸置疑了。那么数据科学中，我们又需要掌握哪些基础知识点才能满足使用需求呢？本文是国外一名数据科学博主的文章，文章不仅对Python中和数据科学有关的概念进行了解释，还配上了相应的示例代码和练习题目，非常适合想要入门数据科学的朋友。

 

▌Python中常见的数据类型

Python中有很多种数据类型。常见的数据类型有浮点型（float），整型（int），字符串型（str），布尔型（bool），列表（list）。

• 浮点型－用于定义实数。

• 整型－用于定义整数。

• 字符串型－用于定义文本。可以使用单引号（'value'）、双引号（"value"）或三引号（"""value"""）定义字符串，其中使用三引号定义的字符串可以出现在多行上，新行中的字符串也包含在变量的值中。这些字符串都可以用在函数文档中。

• 布尔型－用于定义真值，对数据执行过滤操作。

• 列表－用于存储变量值的集合。

我们可以使用函数type（variable_name）来检查特定变量的数据类型。Python中运算符产生的结果会随着数据变量类型的变化而变化，每种运算符内部实现的方法都不同。

▌Python Lists

list是一个基本的序列类型，我们可以使用list存储一组包含任何数据类型的值，list虽然并不常用，但一个list可以包含各种数据类型。我们可以用“［］”创建：

fruits =["pineapple", "apple", "lemon","strawberry", "orange", "kiwi"]

list中的子集

我们可以使用索引从列表中获取元素。Python的列表索引从0开始，因此，列表中第一个元素的索引值为0。我们也可以使用负索引访问列表中的元素，若列表中最后一个元素的索引为-1，那么其前一个元素的索引为-2，依此类推。我们也可以用“list slicing” 获取这个list的子list：sliceable[start_index:end_index:step]

• start_index是子list的开始索引，该索引指向的元素会是所得到的子list的第0个元素。

• end_index是子list的结束索引，该索引指向的元素不会被包含在子list中。end_index的默认值是列表长度。step为步长值，代表索引每次增加的值，默认值为1。如果step为负，则end_index默认值为-列表长度-1。如果不设置step，则返回结果将是从start_index开始至list末尾的所有元素。

示例代码：

fruits = ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
fruits[1]  # apple
fruits[0]  # "pineapple"
fruits[-1] # "kiwi"
fruits[5]  # "kiwi"
fruits[-3] # "strawberry"


# List slicing
fruits[::]    # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
fruits[0:2]   # ["pineapple", "apple"]
fruits[-2:-1] # ["orange"]
fruits[3:]    # ["strawberry", "orange", "kiwi"]
fruits[:4]    # ["pineapple", "apple", "lemon", "strawberry"]
fruits[:]     # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
fruits[::-1]  # ["kiwi", "orange", "strawberry", "lemon", "apple", "pineapple"]
fruits[::-2]  # ["kiwi", "strawberry", "apple"]
fruits[::2]   # ["pineapple", "lemon", "orange"]


# Understanding some default values
fruits[0:6:1]    # the same result as the result from fruits[::]
fruits[-1:-7:-1] # the same result as the result from fruits[::-1]

list的具体操作

• 添加元素：我们可以使用附加方法或“＋”号运算符把元素添加到list中。在Python中，如果对两个list使用“＋”运算符，则将产生一个新的list，它会包含这两个list中所有的元素。

• 将元素转变为list类型：我们可以使用前面在索引和list slicing部分提到的“［］”把元素转变成list类型。

• 删除元素：我们可以使用remove（value）从list中进行元素删除操作。该方法将删除list中value处的第一个元素。

示例代码：

# Add values to a list
fruits.append("peach")
fruits # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi", "peach"]
fruits = fruits + ["fig", "melon"]

fruits # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"]
# Change values from a list
fruits[0:2] = ["grape", "mango"]

fruits # ["grape", "mango", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"]
# Delete values from a list
fruits.remove("mango")
fruits # ["grape", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"]

了解Python中list在计算机中的工作机制也很有必要。当我们创建一个新的列表my_list时，这个list将被存储在计算机内存中，list的地址存储在my_list变量中。变量my_list并不包含列表中的元素，只是一个对列表的引用。如果我们用“＝”复制一个列表，如：my_list_copy = my_list，那么我们在my_list_copy变量中复制的是其引用而不是列表中的值。如果想要复制列表中真实的值，则可使用list(my_list) 或slicing [:]。

示例代码：

numbers = [10, 42, 28, 420]
numbers_copy = numbers
numbers_copy[2] = 100
numbers      # [10, 42, 100, 420]
numbers_copy # [10, 42, 100, 420]


ratings = [4.5, 5.0, 3.5, 4.75, 4.00]
ratings_copy = ratings[:]
ratings_copy[0] = 2.0
ratings      # [4.5, 5.0, 3.5, 4.75, 4.0]
ratings_copy # [2.0, 5.0, 3.5, 4.75, 4.0]


characters = ["A", "B", "C"]
characters_copy = list(characters)
characters_copy[-1] = "D"
characters      # ["A", "B", "C"]
characters_copy # ["A", "B", "D"]

▌函数

函数是用来解决特定任务的一段可重用代码，我们可以使用def关键字来编写函数：

示例代码：

def is_prime(n):
   if n <= 1:
       return False
   elif n <= 3:
       return True
   elif n % 2 == 0 or n % 3 == 0:
       return False
   current_number = 5
   while current_number * current_number <= n:
       if n % current_number == 0 or n % (current_number + 2) == 0:
           return False
       current_number = current_number + 6
   return True

当然，Python中也有很多内置函数，如max(iterable [, key]), min(iterable [, key]), type(object), round(number[, ndigits])等。在很多情况下，当我们需要用到函数来解决特定任务时，可以通过查找内置函数或使用一个Python包来解决。    

大部分函数都需要一些输入并返回输出，这些函数都有参数，Python将函数的输入和参数进行匹配，“［］”内的参数则是可选的。

我们可以使用函数help([object]) 或？function_name来查看所有函数的帮助文档。如果你是在Jupyter Notebook中使用help([object])函数的话，帮助文档将会在当前的单元格中显示，？function_name则会在分页器中显示帮助文档。

▌方法

我们已经知道Python中的字符串型，浮点型，整型和布尔型等，每个数据结构都是一个对象。而函数则是根据对象类型用于特定对象的方法，因此，每个对象都有一个特定的类型和一组对应于该类型的函数。

示例代码：

# String methods
text = "Data Science" 
text.upper() # "DATA SCIENCE"
text.lower() # "data science"
text.capitalize() # "Data science"


# Lists methods
numbers = [1, 4, 0, 2, 9, 9, 10]
numbers.reverse()
numbers # [10, 9, 9, 2, 0, 4, 1]
numbers.sort()
numbers # [0, 1, 2, 4, 9, 9, 10]

不同类型的对象可以对应相同名称的函数，根据不同的对象类型，函数会有对应的不同的行为。

示例代码：

numbers = [10, 30, 55, 40, 8, 30]
text = "Data Science"
numbers.index(8)  # 4
text.index("a")   # 1
numbers.count(30) # 2
text.count("i")   # 1

请注意！有些函数可以改变调用它们的对象，如：被list类型调用的append()函数。

▌Packages

一个模块是指一个包含Python定义和语句的文件。模块指定了解决特定问题的函数、方法和新的Python类型。

而软件包（package）则是目录中模块的集合。Python中有很多现成的软件包，它们覆盖了很多方面的问题，如：“NumPy”，“matplotlib”，“seaborn”和 “scikit-learn”都是非常著名的数据科学软件包。

• NumPy用于高效的处理数组。

• Matplotlib和seaborn是用于数据可视化的流行库。

• scikit-learn是一个强大的机器学习库。

Python中默认有些软件包是预设的，但是也有很多Python中没有但是我们需要用到的软件包。如果我们想使用这些软件包，就必须先确认这个包已经安装过，或者使用pip命令（Python中预设的一个的软件包管理工具）进行安装。

当然我们也可以使用“Anaconda“。

Anaconda发行版是一个免费且易于安装的软件包管理器，环境管理器和Python发行版本，内置了1000多个免费社区支持的开源软件包。

如果你不想自己费事安装一些软件包的话，可以使用“Anaconda”，在这个发行版中内置了很多有用的软件包。

Import语句

一旦安装了所需要的软件包，就可以将它们导入我们的Python文件中。我们可以从中导入整个软件包、子模块或特定的函数。另外，我们还可以给软件包添加一个别名。导入语句的方式如下：

简单的导入语句：

import numpy
numbers = numpy.array([3, 4, 20, 15, 7, 19, 0])

使用别名导入语句：

import numpy as np # np is an alias for the numpy package
numbers = np.array([3, 4, 20, 15, 7, 19, 0]) # works fine
numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) # NameError: name 'numpy' is not defined

从具有别名的包中导入子模块：

# import the "pyplot" submodule from the "matplotlib" package with alias "plt"
import matplotlib.pyplot as plt

从包中只导入一个函数：

from numpy import array
numbers = array([3, 4, 20, 15, 7, 19, 0]) # works fine
numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) # NameError: name 'numpy' is not defined
type(numbers) # numpy.ndarray

我们还可以使用from numpy import * 语句来进行导入，其中，*表示将该模块中所有的东西都导入到本文件中。该导入语句会在当前命名空间内创建一个面向所有用numpy模块定义的公共对象的引用。换句话说，我们可以使用numpy中所有的可用函数，并且只使用其名称而不需要带前缀。例如：你现在使用NumPy的绝对值函数可以直接这样用：absolute()，而不是：numpy.absolute()。

但是我不建议你这样使用，因为：

• 如果你将一些模块中所有的函数都导入到文件中，那么当前的命名空间将会有太多的函数。以至于要是有人查看你的代码，很容易搞不清哪个函数对应哪个包。

• 如果两个模块中的某个函数名称相同，那么第二个导入的模块将会覆盖第一个模块中相应的函数。

▌NumPy

Numpy是Python用于科学计算的一个基础软件包，它运行速度很快且易于使用。这个包帮助我们对元素进行逐元素的计算。

在Python中，常规的list不会逐元素进行计算。虽然也可以使用，但是list运行速度很慢，我们需要编写更多的代码才能达到自己想要的结果。在大多数情况下，Numpy是一个更好的选择。

与在Python中常规的list不同，Numpy数组中的元素只能有一个类型。如果将不同类型的数组传递给np.array()，则可以使用参数dtype表示不同的类型。若没有给出这个参数，那么数组类型将是保存对象所需的最小类型。

Numpy数组-类型转换：

np.array([False, 42, "Data Science"])       # array(["False", "42", "Data Science"], dtype="
np.array([False, 42], dtype = int)          # array([ 0, 42])
np.array([False, 42, 53.99], dtype = float) # array([  0.  ,  42.  ,  53.99])

# Invalid converting
np.array([False, 42, "Data Science"], dtype = float) # could not convert string to float: 'Data Science'

Numpy数组有自己的属性和方法。还记得前面我们提到Python运算符在不同的数据类型上会有不同的表现吗？Numpy中，运算符的表现就是逐元素运算。

Numpy数组上的运算符：

np.array([37, 48, 50]) + 1 # array([38, 49, 51])
np.array([20, 30, 40]) * 2 # array([40, 60, 80])
np.array([42, 10, 60]) / 2 # array([ 21.,   5.,  30.])
np.array([1, 2, 3]) * np.array([10, 20, 30]) # array([10, 40, 90])
np.array([1, 2, 3]) - np.array([10, 20, 30]) # array([ -9, -18, -27])

Numpy数组的数据类型为：nump.ndarry，ndarray代表着n维数组。上述例子中使用的是一维数组，我们也可以创建2，3，4或更多维数组。我们也可以独立于数组的维度来获取数组的子集。下面将以2维数组为例，获取2维数组子集：

numbers = np.array([
   [1, 2, 3],
   [4, 5, 6],
   [7, 8, 9],
   [10, 11, 12]
])

numbers[2, 1]     # 8
numbers[-1, 0]    # 10
numbers[0]        # array([1, 2, 3])
numbers[:, 0]     # array([ 1,  4,  7, 10])
numbers[0:3, 2]   # array([3, 6, 9])
numbers[1:3, 1:3] # array([[5, 6],[8, 9]])

如果想查看数组的维度和每个维度有多少个元素，则可以使用shape属性。对于2维数组来说，第一个元素表示行数，第二个元素表示列数。

基本的统计操作

分析数据首先需要熟悉数据，Numpy中有很多种方法可以做到这一点。下面是统计数据的基本方法。

• np.mean() –会返回数组内元素的算术平均值（元素的总和除以元素的长度）。

• np.median() –会返回数组内元素的中位数（数组排完序后计算得到的中位数，如果数组长度为偶数，则返回数组两个中间值的平均值）

• np.corrcoef() -返回相关系数矩阵。用于查看数据集中两个（数组长度相同的）变量之间是否存在相关性。

• np.std() -返回标准差。

使用Numpy进行一些基本的统计操作：

learning_hours = [1, 2, 6, 4, 10]
grades = [3, 4, 6, 5, 6]
np.mean(learning_hours)   # 4.6
np.median(learning_hours) # 4.0
np.std(learning_hours)    # 3.2
np.corrcoef(learning_hours, grades) # [[ 1.          0.88964891][ 0.88964891  1.        ]]

从上面这个例子中我们可以看出，learning_hours和grades之间有很高的相关性。

另外，也可以发现：

• learning_hours的平均值是4.6。

• learning_hours的中间值是4.0。

• learning_hours的标准差是3.2。

Numpy中的一些基本的函数在Python的列表中也存在，如 np.sort() 和np.sum() 。但是需要注意的是，Numpy在数组中会强制执行单一类型，这会加快程序的计算速度。

▌练习

我准备了一些练习如下，如子集，元素操作和一些基本统计操作。

• 获取list的子集

• 获取2维Numpy数组子集

• Numpy元素操作

• Numpy的基本统计操作

原文链接：https://towardsdatascience.com/Python-basics-for-data-science-6a6c987f2755