Python大神都应该掌握的8种数据分析技巧

　　今天学Python就到到天津IT培训学校,天津IT教育现开设有PHP基础进阶课程，Web前端设计精品课程，UI设计精品课程，Java基础进阶课程。打造互联网高薪职业培训课程，帮助想要进入互联网领取高薪职业的人们实现梦想。从理论到实践全面提高学员技术，培养人才。保障就业，上课环境优越。 欢迎来电咨询 4006156870 QQ 2294155463

---

　　在IT界，目前python培训语言一路高涨，可毕竟只是这一个领域。说到可以风靡所有行业的一项技能，那就是数据分析，大家想不想开开眼界呢?这就将python大神都会的八个python数据分析的技巧分享给大家。

　　不管是参加Kaggle比赛，还是开发一个深度学习应用，步总是数据分析，这篇文章介绍了8个使用Python进行数据分析的方法，不仅能够提升运行效率，还能够使代码更加“优美”。

　　定义某种列表时，写For 循环过于麻烦，幸运的是，Python有一种内置的方法可以在一行代码中解决这个问题。

　　下面是使用For循环创建列表和用一行代码创建列表的对比。

　　x = [1,2,3,4]

　　out = []

　　for item in x:

　　out.append(item**2)

　　print(out)

　　[1, 4, 9, 16]

　　# vs.

　　x = [1,2,3,4]

　　out = [item**2 for item in x]

　　print(out)

　　[1, 4, 9, 16]

　　Lambda表达式

　　厌倦了定义用不了几次的函数? Lambda表达式是你的救星! Lambda表达式用于在Python中创建小型，一次性和匿名函数对象。 它能替你创建一个函数。

　　lambda表达式的基本语法是：

　　lambda arguments: expression

　　请注意，只要有一个lambda表达式，就可以完成常规函数可以执行的任何操作。 你可以从下面的例子中，感受lambda表达式的强大功能：

　　double = lambda x: x * 2

　　print(double(5))

　　10

　　Map和Filter

　　一旦掌握了lambda表达式，学习将它们与Map和Filter函数配合使用，可以实现更为强大的功能。

　　具体来说，map通过对列表中每个元素执行某种操作并将其转换为新列表。 在本例中，它遍历每个元素并乘以2，构成新列表。 请注意，list()函数只是将输出转换为列表类型。

　　# Map

　　seq = [1, 2, 3, 4, 5]

　　result = list(map(lambda var: var*2, seq))

　　print(result)

　　[2, 4, 6, 8, 10]

　　Filter函数接受一个列表和一条规则，就像map一样，但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。

　　# Filter

　　seq = [1, 2, 3, 4, 5]

　　result = list(filter(lambda x: x > 2, seq))

　　print(result)

　　[3, 4, 5]

　　Arange和Linspace

　　Arange返回给定步长的等差列表。 它的三个参数start、stop、step分别表示起始值，结束值和步长， 请注意，stop点是一个“截止”值，因此它不会包含在数组输出中。

　　# np.arange(start, stop, step)

　　p.arange(3, 7, 2)

　　array([3, 5])

　　Linspace和Arrange非常相似，但略有不同。 Linspace以指定数目均匀分割区间。 所以给定区间start和end，以及等分分割点数目num，linspace将返回一个NumPy数组。 这对绘图时数据可视化和声明坐标轴特别有用。

　　# np.linspace(start, stop, num)

　　p.linspace(2.0, 3.0, num=5)

　　array([ 2.0, 2.25, 2.5, 2.75, 3.0])

　　Axis代表什么?

　　在Pandas中，删除一列或在NumPy矩阵中求和值时，可能会遇到Axis。 我们用删除一列(行)的例子：

　　df.drop('Column A', axis=1)

　　df.drop('Row A', axis=0)

　　如果你想处理列，将Axis设置为1，如果你想要处理行，将其设置为0。 但为什么呢? 回想一下Pandas中的shape

　　df.shape

　　(# of Rows, # of Columns)

　　从Pandas DataFrame中调用shape属性返回一个元组，个值代表行数，第二个值代表列数。如果你想在Python中对其进行索引，则行数下标为0，列数下标为1，这很像我们如何声明轴值。

　　Concat，Merge和Join

　　如果您熟悉SQL，那么这些概念对您来说可能会更容易。 无论如何，这些函数本质上就是以特定方式组合DataFrame的方式。 在哪个时间跟踪哪一个适合使用可能很困难，所以让我们回顾一下。

　　Concat允许用户在表格下面或旁边追加一个或多个DataFrame(取决于您如何定义轴)。

　　Concat，Merge和Join

　　Merge将多个DataFrame合并指定主键(Key)相同的行。

　　Merge将多个DataFrame合并指定主键(Key)相同的行

　　Join，和Merge一样，合并了两个DataFrame。 但它不按某个指定的主键合并，而是根据相同的列名或行名合并。

　　Join，和Merge一样，合并了两个DataFrame

　　Pandas Apply

　　Apply是为Pandas Series而设计的。如果你不太熟悉Series，可以将它想成类似Numpy的数组。

　　Apply将一个函数应用于指定轴上的每一个元素。 使用Apply，可以将DataFrame列(是一个Series)的值进行格式设置和操作，不用循环，非常有用!

　　df = pd.DataFrame([[4, 9],] * 3, columns=['A', 'B'])

　　df

　　A B

　　0 4 9

　　1 4 9

　　2 4 9

　　df.apply(np.sqrt)

　　A B

　　0 2.0 3.0

　　1 2.0 3.0

　　2 2.0 3.0

　　df.apply(np.sum, axis=0)

　　A 12

　　B 27

　　df.apply(np.sum, axis=1)

　　0 13

　　1 13

　　2 13

　　后是Pivot Tables。 如果您熟悉Microsoft Excel，那么你也许听说过数据透视表。 Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们查看某几列的数据。 下面是几个例子：非常智能地将数据按照“Manager”分了组

　　pd.pivot_table(df, index=["Manager", "Rep"])

　　或者也可以筛选属性值

　　pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])

　　筛选属性值

　　总结

　　我希望上面的这些描述能够让你发现Python一些好用的函数和概念。

---

　　今天学Python就到到天津IT培训学校,天津IT教育现开设有PHP基础进阶课程，Web前端设计精品课程，UI设计精品课程，Java基础进阶课程。打造互联网高薪职业培训课程，帮助想要进入互联网领取高薪职业的人们实现梦想。从理论到实践全面提高学员技术，培养人才。保障就业，上课环境优越。 欢迎来电咨询 4006156870 QQ 2294155463