手把手教你使用Python做数据分析

一、数据分析是什么

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用，使得数据的价值最大化

二、数据分析是做什么的

数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。

• 分析用户的消费行为
  • 制定促销活动的方案
  • 制定促销时间和粒度
  • 计算用户的活跃度
  • 分析产品的回购力度
• 分析广告点击率
  • 决定投放时间
  • 制定广告定向人群方案
  • 决定相关平台的投放
• …

数据分析使用适当的方法对收集来的大量数据进行分析，帮助人们做出判断，以便采取适当的行动

• 保险公司从大量赔付申请数据中判断哪些为骗保的可能
• 支付宝通过从大量的用户消费记录和行为自动调整花呗的额度
• 短视频平台通过用户的点击和观看行为数据针对性的给用户推送喜欢的视频

三、为什么学习数据分析

• 岗位的需求
• 是 Python 数据科学的基础
• 是机器学习的基础

四、数据分析实现流程

• 提出问题
• 准备数据
• 分析数据
• 获得结论
• 成果可视化

五、数据分析环境的搭建

1. Anaconda

• 官网：https://www.anaconda.com 下载安装对应安装包即可

• 注意: 安装目录不可以有中文和特殊符号

Anaconda集成好了数据分析和机器学习中所需要的全部环境

2. Jupyter

• Jupyter就是Anaconda提供的一个基于Web的可视化开发工具

3. Jupyter的基本使用

• 启动: 在终端中输入：jupyter notebook，按下回车即可

• 新建文件: New -->> python3

• Cell（代码块）有两种模式

  • code: 编写代码
  • markdown: 编写笔记

• 快捷键

  • 添加cell：a或b

  • 删除：x

  • 修改cell的模式

    • 修改成markdown模式：m
    • 修改成code模式：y

  • 执行cell内代码：shift+enter

  • 自动补全：tab

  • 打开帮助文档：shift+tab

六、如何用Python进行数据分析

在Python中我们数据分析离不开以下三剑客

• Numpy
• Pandas
• Matplotlib

Numpy模块

• Numpy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分 Python 科学计算库的基础，多用于在大型、多维数组上执行的数值运算。

1. Numpy的创建

• 使用 array()创建一个一维数组

• 使用 array() 创建一个多维数组

• 使用 zero() 创建一个多维数组

• 使用 ones() 创建一个多维数组

• 使用 linspace() 创建一维的等差数列数组

• 使用 arange() 创建一维的等差数列数组

• 使用 random.randint() 创建随机的多维数组

2. Numpy的常用属性

• shape
• ndim
• size
• dtype

3. Numpy的索引和切片

• 索引操作和列表同理

• 切片操作

4. Numpy的矩阵操作

• 矩阵变形

• 级联操作

  • 将多个 Numpy 数组进行横向或者纵向的拼接
  • axis轴向参数
    • 0：列
    • 1：行

• 常用的聚合操作

  • sum, max, min, mean

• 常用的统计函数

  • 标准差：一组数据平均值分散程度的一种度量
  • 方差：统计中的方差是每个样本值与全体样本值的平均数之差的平方值的平均数，即 mean((x-x.mean())**2。换句话说，标准差就是方差的平方根。

Pandas模块

1. 为什么学习Pandas

Numpy能够帮助我们处理的是数值型的数据，而Pandas可以帮我们处理除数值型以外的其他类型数据，

2. Pandas的数据结构

• Series
  • 是一种类似于一维数组的对象，由下面两个部分组成：
    • values：一组数据（ndarray类型）
    • index：相关的数据索引标签
• DataFrame
  • 是一个表格型的数据结构。其既有行索引，也有列索引。
    • 行索引：index
    • 列索引：columns
    • 值：values

3. Series操作

3.1 Series的创建

index用来指定显式索引，可以增强Series的可读性。

也可以使用字典作为数据源。

3.2 Series的索引和切片

3.3 Series的常用属性

• shape
• size
• index
• values
• dtypes
  

3.4 Series的常用方法

• head(), tail()
• unique()
• isnull(), notnull()

3.5 Series的算数运算

索引一致的元素进行算数运算否则补空

4. DataFrame操作

4.1 DataFrame的创建

可使用 ndarray 创建。

也可以使用字典作为数据源。

index 用来指定显式索引，可以增强 DataFrame 的可读性。

4.2 DataFrame索引和切片

• iloc: 通过隐式索引取行

• loc: 通过显式索引取行

• 对行进行切片

• 对列进行切片

4.3 DataFrame常用属性

• shape
• values
• columns
• index

4.4 DataFrame的常用方法

同Series

4.5 DataFrame的算数运算

同Series

4.6 DataFrame的级联和合并

级联操作

• pd.concat
• pd.append

接下来我们伪造两组DataFrame数据。

使用pd.concat()

• 匹配级联
  • 横向级联
• 不匹配级联
  • 不匹配指的是级联的维度和索引不一致。例如纵向级联时列索引不一致，横向级联时行索引不一致。
  • 有两种连接方式
    • 外连接：补NaN（默认模式）
    • 内连接：只连接匹配的项

PS：如果想要保留数据的完整性必须使用参数 join='outer'（外连接）

使用 pd.append()

• 只能纵向级联，并且只能外级联，不可以内级联（一般不用）。

合并操作

pd.merge()

• merge 与 concat 的区别在于，merge 需要依据某一共同列来进行合并。
• 使用 pd.merge() 合并时，会自动根据两者相同 column 名称的那一列作为 key 来进行合并。
• 注意：每一列元素的顺序不要求一致

一对一合并

首先我们来伪造两组 DataFrame。

使用 pd.merge()

一对多合并

首先我们来伪造两组 DataFrame。

使用 pd.merge()

多对多合并

首先我们来伪造两组 DataFrame。

使用 pd.merge()

merge()方法还可以使用left_on参数和right_on参数哦，how这个参数也可以指定不同的连接方式。

5. 基于Pandas的数据清洗

5.1 为什么需要做数据清洗

• 原始数据中可能存在缺失值（空值）
  • 这些值是没有意义的，并且会干扰我们分析结果的产生
• 重复值
  • 重复值是没有必要多次分析和处理的
• 异常值
  • 由于数据采集手段不同等，数据中可能会产生异常值，异常值同样会干扰我们分析结果的产生

5.2 处理缺失值

• 有两种缺失值：
  • None
  • np.nan(NaN)
• 两种缺失值的区别
  • None：None对象类型
  • np.nan：浮点型

为什么在数据分析中需要用到浮点类型的空而不是对象类型的？

• None+1会报 TypeError，而 np.nan+1 结果是 nan。它不会干扰或者中断运算。
• NaN可以参与运算
• None不可以参与运算

在Pandas中如果数据中遇到了None形式的空值则Pandas会将其强转成NaN的类型。

缺失值处理操作

我们来伪造一组带有缺失值的数据。

• 方法1：对缺失值进行过滤（删除空所在的行数据）

  • isnull() 搭配 any()

• notnull() 搭配 all()

• 使用 dropna()可以直接将缺失的行或者列数据进行删除

• 方法2：fillna() 对缺失值进行填充

5.3 处理重复数据

我们来伪造一组带有重复值的数据。

• 使用drop_duplicates()

5.4 处理异常值

异常值是什么？

• 异常值指的是可能会对具有实质性意义的估计产生偏见或影响，并且会增加误差方差的值。

接下来我们伪造一组带有异常值的数据。

然后我们来实现异常值的清洗。

6. Pandas高级操作

6.1 替换操作

• 替换操作可以同步作用于Series和DataFrame中
• 单值替换
  • 普通替换：替换所有符合要求的元素
    • to_replace=15, value='value'
  • 按列指定单值替换
    • to_replace={列标签: 替换值}, value='value'
• 多值替换
  • 列表替换
    • to_replace=[], value=[]
  • 字典替换（推荐）
    • to_replace={to_replace: value, to_replace: value}

首先我们来伪造一组DataFrame。

使用 replace()

6.2 映射操作

• 概念：创建一个映射关系列表，把values元素和一个特定的标签或者字符串绑定（给一个元素值提供不同的表现形式）
• map是Series的方法，只能被Series调用

首先我们来伪造一组DataFrame。

使用 map()

例：超过3000部分的薪资缴纳50%的税，计算每个人的税后薪资

6.3 分组聚合操作

• 数据分类处理的核心：
  • groupby() 函数
  • groups 属性查看分组情况

分组

接下里我们伪造一组DataFrame。

使用 groupby() 和 groups

聚合

高级数据聚合

• 使用 groupby() 分组后，也可以使用 transform() 和 apply() 提供自定义函数实现更多的运算
• df.groupby('item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)
• transform() 和 apply() 都会进行运算，在 transform() 或者 apply() 中传入函数即可
• transform() 和 apply() 也可以传入一个 lambda 表达式

6.4 数据加载

• 读取csv文件数据

• 读取数据库中的数据
  

matplotlib模块

• matplotlib模块可以帮助我们轻松的将数据制成图表可视化展示。

首先我们倒入全局的模块

1. 绘制线形图

1.1 绘制单条和多条线形图

1.2 设置坐标系的比例

1.3 设置图例

1.4 设置轴的标识

1.5 图例保存

1.6 曲线的样式和风格

还有其他多种参数的样式哦，详情请见库的源代码。

2. 绘制柱状图

其余用法和线形图类似。

3. 绘制直方图

• 是一个特殊的柱状图，又叫做密度图。
• plt.hist()的参数
  • bins：可以是一个bin数量的整数值，也可以是表示bin的一个序列。默认值为10
  • normed：如果值为True，直方图的值将进行归一化处理，形成概率密度，默认值为False
  • color：指定直方图的颜色。可以是单一颜色值或颜色的序列。如果指定了多个数据集合，例如DataFrame对象，颜色序列将会设置为相同顺序。如果未指定，将会使用一个默认的线条颜色
  • orientation：通过设置 orientation 为 horizontal 创建水平直方图。默认值为 vertical

其余用法和线形图类似。

4. 绘制饼图

• pie()，饼图也只有一个参数 x
• 饼图适合展示各部分占总体的比例，条形图适合比较各部分的大小

其余用法和线形图类似。

5. 散点图

• scatter()， 因变量随自变量而变化的大致趋势

其余用法和线形图类似。

PS:欢迎提出宝贵意见，如想询问技术问题可以留言区留言或加开发人员的微信(微信号：x118422)进行咨询~