数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的?

最近，Analysis with Programming加入了Planet Python。我这里来分享一下如何通过Python来开始数据分析。具体内容如下：

10年积累的成都网站设计、成都网站制作经验，可以快速应对客户对网站的新想法和需求。提供各种问题对应的解决方案。让选择我们的客户得到更好、更有力的网络服务。我虽然不认识你，你也不认识我。但先网站设计后付款的网站建设流程，更有丽水免费网站建设让你可以放心的选择与我们合作。

数据导入

导入本地的或者web端的CSV文件；

数据变换；

数据统计描述；

假设检验

单样本t检验；

可视化；

创建自定义函数。

数据导入

1

这是很关键的一步，为了后续的分析我们首先需要导入数据。通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：

import pandas as pd

# Reading data locally

df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')

# Reading data from web

data_url = ""

df = pd.read_csv(data_url)

为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。

END

数据变换

1

既然在工作空间有了数据，接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据（下图）

对R语言程序员来说，上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，在Python中就是df.head(n = 10)，打印数据尾部也是同样道理

请点击输入图片描述

2

在R语言中，数据列和行的名字通过colnames和rownames来分别进行提取。在Python中，我们则使用columns和index属性来提取，如下：

# Extracting column names

print df.columns

# OUTPUT

Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')

# Extracting row names or the index

print df.index

# OUTPUT

Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')

3

数据转置使用T方法，

# Transpose data

print df.T

# OUTPUT

0      1     2      3     4      5     6      7     8      9

Abra      1243   4158  1787  17152  1266   5576   927  21540  1039   5424

Apayao    2934   9235  1922  14501  2385   7452  1099  17038  1382  10588

Benguet    148   4287  1955   3536  2530    771  2796   2463  2592   1064

Ifugao    3300   8063  1074  19607  3315  13134  5134  14226  6842  13828

Kalinga  10553  35257  4544  31687  8520  28252  3106  36238  4973  40140

...       69     70     71     72     73     74     75     76     77

Abra     ...    12763   2470  59094   6209  13316   2505  60303   6311  13345

Apayao   ...    37625  19532  35126   6335  38613  20878  40065   6756  38902

Benguet  ...     2354   4045   5987   3530   2585   3519   7062   3561   2583

Ifugao   ...     9838  17125  18940  15560   7746  19737  19422  15910  11096

Kalinga  ...    65782  15279  52437  24385  66148  16513  61808  23349  68663

78

Abra      2623

Apayao   18264

Benguet   3745

Ifugao   16787

Kalinga  16900

Other transformations such as sort can be done using codesort/code attribute. Now let's extract a specific column. In Python, we do it using either codeiloc/code or codeix/code attributes, but codeix/code is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

4

其他变换，例如排序就是用sort属性。现在我们提取特定的某列数据。Python中，可以使用iloc或者ix属性。但是我更喜欢用ix，因为它更稳定一些。假设我们需数据第一列的前5行，我们有：

print df.ix[:, 0].head()

# OUTPUT 0     1243 1     4158 2     1787 3    17152 4     1266 Name: Abra, dtype: int64

5

顺便提一下，Python的索引是从0开始而非1。为了取出从11到20行的前3列数据，我们有

print df.ix[10:20, 0:3]

# OUTPUT

Abra  Apayao  Benguet

10    981    1311     2560

11  27366   15093     3039

12   1100    1701     2382

13   7212   11001     1088

14   1048    1427     2847

15  25679   15661     2942

16   1055    2191     2119

17   5437    6461      734

18   1029    1183     2302

19  23710   12222     2598

20   1091    2343     2654

上述命令相当于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

6

为了舍弃数据中的列，这里是列1(Apayao)和列2(Benguet)，我们使用drop属性，如下：

print df.drop(df.columns[[1, 2]], axis = 1).head()

# OUTPUT

Abra  Ifugao  Kalinga

0   1243    3300    10553

1   4158    8063    35257

2   1787    1074     4544

3  17152   19607    31687

4   1266    3315     8520

axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行。

END

统计描述

1

下一步就是通过describe属性，对数据的统计特性进行描述：

print df.describe()

# OUTPUT

Abra        Apayao      Benguet        Ifugao       Kalinga

count     79.000000     79.000000    79.000000     79.000000     79.000000

mean   12874.379747  16860.645570  3237.392405  12414.620253  30446.417722

std    16746.466945  15448.153794  1588.536429   5034.282019  22245.707692

min      927.000000    401.000000   148.000000   1074.000000   2346.000000

25%     1524.000000   3435.500000  2328.000000   8205.000000   8601.500000

50%     5790.000000  10588.000000  3202.000000  13044.000000  24494.000000

75%    13330.500000  33289.000000  3918.500000  16099.500000  52510.500000

max    60303.000000  54625.000000  8813.000000  21031.000000  68663.000000

END

假设检验

1

Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此，如果我们想检验数据Abra列的稻谷产量均值，通过零假设，这里我们假定总体稻谷产量均值为15000，我们有：

from scipy import stats as ss

# Perform one sample t-test using 1500 as the true mean

print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)

# OUTPUT

(-1.1281738488299586, 0.26270472069109496)

返回下述值组成的元祖：

t : 浮点或数组类型t统计量

prob : 浮点或数组类型two-tailed p-value 双侧概率值

2

通过上面的输出，看到p值是0.267远大于α等于0.05，因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量，同样假设均值为15000，我们有：

print ss.ttest_1samp(a = df, popmean = 15000)

# OUTPUT

(array([ -1.12817385,   1.07053437, -65.81425599,  -4.564575  ,   6.17156198]),

array([  2.62704721e-01,   2.87680340e-01,   4.15643528e-70,

1.83764399e-05,   2.82461897e-08]))

第一个数组是t统计量，第二个数组则是相应的p值

END

可视化

1

Python中有许多可视化模块，最流行的当属matpalotlib库。稍加提及，我们也可选择bokeh和seaborn模块。之前的博文中，我已经说明了matplotlib库中的盒须图模块功能。

请点击输入图片描述

2

# Import the module for plotting

import matplotlib.pyplot as plt

plt.show(df.plot(kind = 'box'))

现在，我们可以用pandas模块中集成R的ggplot主题来美化图表。要使用ggplot，我们只需要在上述代码中多加一行，

import matplotlib.pyplot as plt

pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2

df.plot(kind = 'box')

3

这样我们就得到如下图表：

请点击输入图片描述

4

比matplotlib.pyplot主题简洁太多。但是在本文中，我更愿意引入seaborn模块，该模块是一个统计数据可视化库。因此我们有：

# Import the seaborn library

import seaborn as sns

# Do the boxplot

plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))

请点击输入图片描述

5

多性感的盒式图，继续往下看。

请点击输入图片描述

6

plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))

请点击输入图片描述

7

plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))

请点击输入图片描述

8

with sns.axes_style("white"):

plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))

请点击输入图片描述

9

plt.show(sns.lmplot("Benguet", "Ifugao", df))

END

创建自定义函数

在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：

def add_2int(x, y):

return x + y

print add_2int(2, 2)

# OUTPUT

4

顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：

产生10个正态分布样本，其中和

基于95%的置信度，计算和 ;

重复100次; 然后

计算出置信区间包含真实均值的百分比

Python中，程序如下：

import numpy as np

import scipy.stats as ss

def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

m = np.zeros((rep, 4))

for i in range(rep):

norm = np.random.normal(loc = mu, scale = sigma, size = n)

xbar = np.mean(norm)

low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

if (mu low) (mu up):

rem = 1

else:

rem = 0

m[i, :] = [xbar, low, up, rem]

inside = np.sum(m[:, 3])

per = inside / rep

desc = "There are " + str(inside) + " confidence intervals that contain "

"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

return {"Matrix": m, "Decision": desc}

上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了 Python专家

import numpy as np

import scipy.stats as ss

def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

xbar = norm.mean(1)

low = xbar - scaled_crit

up = xbar + scaled_crit

rem = (mu low) (mu up)

m = np.c_[xbar, low, up, rem]

inside = np.sum(m[:, 3])

per = inside / rep

desc = "There are " + str(inside) + " confidence intervals that contain "

"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

return {"Matrix": m, "Decision": desc}

python类和函数的区别

一、主体不同

1、类：是面向对象程序设计实现信息封装的基础。

2、函数：是指一段在一起的、可以做某一件事儿的程序。也叫做子程序、（OOP中）方法。

二、特点不同

1、类：是一种用户定义的引用数据类型，也称类类型。每个类包含数据说明和一组操作数据或传递消息的函数。类的实例称为对象。

2、函数：分为全局函数、全局静态函数；在类中还可以定义构造函数、析构函数、拷贝构造函数、成员函数、友元函数、运算符重载函数、内联函数等。

三、规则不同

1、类：实质是一种引用数据类型，类似于byte、short、int(char)、long、float、double等基本数据类型，不同的是它是一种复杂的数据类型。

2、函数：函数必须声明后才可以被调用。调用格式为：函数名（实参）调用时函数名后的小括号中的实参必须和声明函数时的函数括号中的形参个数相同。

参考资料来源：百度百科-函数

参考资料来源：百度百科-类

python中提供的数据类型转换函数有哪些,作用是什么?

作用就是把合理的数据转换为需要的类型。int()整数，float()浮点数，str()字符串，list()列表，tuple()元组，set()集合……

比如a='12'这个是字符串类型，用int函数a=int(a)这时变量a就是整型，字符串'12'变为了整数12。Python没有变量声明的要求，变量的属性在赋值时确定，这样变量的类型就很灵活。

有一种题目判断一个整数是否回文数，用字符串来处理就很简单

a=1234321#整数

if str(a)==str(a)[::-1]:#借助字符串反转比较就可以确定是否回文数。

还比如元组b=(1,3,2,4)，元组是不可以更新删除排序成员的，但是列表是可以的，通过列表函数进行转换来实现元组的更新删除和排序。

b=(1,3,2,4)

b=list(b)

b.sort()

b=tuple(b)

这时得到的元组b就是一个升序的元组(1,2,3,4)

再比如你要输入创建整数列表或者整数元组基本上写法相同，就是用对应的函数来最后处理。

ls=list(map(int,input().split()))#这个就是列表

tup=tuple(map(int,input().split()))#这个就是元组

再比如有个叫集合的，集合有唯一性，可以方便用来去重。

ls=[1,2,3,1,2,3,1,2,3]

ls=list(set(ls))#通过set()去重后，现在的ls里就是[1,2,3]去重后的列表。

如何理解“python中函数是一等公民”？

单纯的理解“python中的函数是一等公民”这句话，可能包含几层意思：

正确的理解是：第1点和第2点，不包含第3点的意思。

python中的函数是一等公民，重点想表述的是： 在python世界人人平等 。

人人平等的世界，至少应该包含两层意思：1. 身份地位平等； 2. 行使的权利平等。

打印结果是：

从上面的打印结果中可以看出：

1.Python 程序中的所有数据都是某个类的实例，因而是一个对象；

2.类本身也是一个对象。int, float, str, list, dict, set, fuction, module, NoneType, object, type等，这些类都是type类的实例，也是一个对象；

3.object类是所有类的基类

4.object是顶级父类

函数function和其他公民一样，他们的都有一个共同的身份：对象 。

在c++和java里，数据是数据，动作是动作，他俩的结合是类（class）。对于python，数据是数据，动作也可以是数据，这个牛逼的数据叫做对象object。

对于函数function来讲，既可以安静的做一个数据，又可以优雅的执行动作。

Python 官方文档里这样解释 对象（object） 的含义：Python 中的对象是对数据的抽象，Python 程序中所有数据都是由对象或者对象间的关系来表示的。每个对象都有各自的编号、类型和值。

两个祖先（a和b）占了相邻的两块内存，一个可以与它的“后代”共用内存，一个却只能让“后代”另立门户；当它们走完自己的生命周期后，b会马上被当垃圾回收，内存地址遗产被剥夺，然而a却形灭而实存，荫庇后世。

Python为这些对象倾斜资源，也就是为某种阶层固化提供了合法性。划分的依据是因为它们比较常用，共用内存就意味着减少开支，提高内存使用效率。

这就是Python有趣的地方了，一面是全体公民，一面是特权种族，组成了看似矛盾的二元对立结构。

参考：

网站标题：函数也是数据python的简单介绍
分享URL：http://lswzjz.com/article/hdojgc.html