python在数据分析

文 | 张俊红

数据加载

导入文本数据

1、导入文本格式数据(CSV)的方法：

方法一：使用pd.read_csv()，默认打开csv文件。

9、10、11行三种方式均可以导入文本格式的数据。

特殊说明：第9行使用的条件是运行文件.py需要与目标文件CSV在一个文件夹中的时候可以只写文件名。第10和11行中文件名ex1.CSV前面的部分均为文件的路径。

方法二：使用pd.read.table(),需要指定是什么样分隔符的文本文件。用sep=””来指定。

2、当文件没有标题行时

可以让pandas为其自动分配默认的列名。

也可以自己定义列名。

3、将某一列作为索引，比如使用message列做索引。通过index_col参数指定’message’。

4、要将多个列做成一个层次化索引，只需传入由列编号或列名组成的列表即可。

5、文本中缺失值处理，缺失数据要么是没有(空字符串)，要么是用某个标记值表示的，默认情况下，pandas会用一组经常出现的标记值进行识别，如NA、NULL等。查找出结果以NAN显示。

6、逐块读取文本文件

如果只想读取几行(避免读取整个文件)，通过nrows进行制定即可。

7、对于不是使用固定分隔符分割的表格，可以使用正则表达式来作为read_table的分隔符。

(’\s+’是正则表达式中的字符)。

导入JSON数据

JSON数据是通过HTTP请求在Web浏览器和其他应用程序之间发送数据的标注形式之一。通过json.loads即可将JSON对象转换成Python对象。(import json)

对应的json.dumps则将Python对象转换成JSON格式。

导入EXCEL数据

直接使用read_excel(文件名路径)进行获取，与读取CSV格式的文件类似。

导入数据库数据

主要包含两种数据库文件，一种是SQL关系型数据库数据，另一种是非SQL型数据库数据即MongoDB数据库文件。

数据库文件是这几种里面比较难的，本人没有接触数据库文件，没有亲测，所以就不贴截图了。

数据整理

合并数据集

1、数据库风格的合并

数据库风格的合并与SQL数据库中的连接(join)原理一样。通过调用merge函数即可进行合并。

当没有指明用哪一列进行连接时，程序将自动按重叠列的列名进行连接，上述语句就是按重叠列“key”列进行连接。也可以通过on来指定连接列进行连接。

当两个对象的列名不同时，即两个对象没有共同列时，也可以分别进行指定。

Left_on是指左侧DataFrame中用作连接的列。

right_on是指右侧DataFrame中用作连接的列。

通过上面的语句得到的结果里面只有a和b对应的数据，c和d以及与之相关的数据被消去，这是因为默认情况下，merge做的是‘inner’连接，即sql中的内连接，取得两个对象的交集。也有其他方式连接：left、right、outer。用“how”来指明。

也可以根据多个键(列)进行合并，用on传入一个由列名组成的列表即可。

2、索引上的合并

(1)普通索引的合并

Left_index表示将左侧的行索引引用做其连接键

right_index表示将右侧的行索引引用做其连接键

上面两个用于DataFrame中的连接键位于其索引中，可以使用Left_index=True或right_index=True或两个同时使用来进行键的连接。

(2)层次化索引

与数据库中用on来根据多个键合并一样。

3、轴向连接(合并)

轴向连接，默认是在轴方向进行连接，也可以通过axis=1使其进行横向连接。

(1)对于numpy对象(数组)可以用numpy中的concatenation函数进行合并。

(2)对于pandas对象(如Series和DataFrame),可以pandas中的concat函数进行合并。

·4、合并重叠数据

对于索引全部或部分重叠的两个数据集，我们可以使用numpy的where函数来进行合并，where函数相当于if—else函数。

对于重复的数据显示出相同的数据，而对于不同的数据显示a列表的数据。同时也可以使用combine_first的方法进行合并。合并原则与where函数一致，遇到相同的数据显示相同数据，遇到不同的显示a列表数据。

重塑数据集

1、旋转数据

(1)重塑索引、分为stack(将数据的列旋转为行)和unstack(将数据的行旋转为列)。

(2)将‘长格式’旋转为‘宽格式’

2、转换数据

(1)数据替换，将某一值或多个值用新的值进行代替。(比较常用的是缺失值或异常值处理，缺失值一般都用NULL、NAN标记，可以用新的值代替缺失标记值)。方法是replace。

一对一替换：用np.nan替换-999

多对一替换：用np.nan替换-999和-1000.

多对多替换：用np.nan代替-999,0代替-1000.

也可以使用字典的形式来进行替换。

(2)离散化或面元划分，即根据某一条件将数据进行分组。

利用pd.cut()方式对一组年龄进行分组。

默认情况下，cut对分组条件的左边是开着的状态，右边是闭合状态。可以用left(right)=False来设置哪边是闭合的。

清理数据集

主要是指清理重复值，DataFrame中经常会出现重复行，清理数据主要是针对这些重复行进行清理。

利用drop_duplicates方法，可以返回一个移除了重复行的DataFrame.

默认情况下，此方法是对所有的列进行重复项清理操作，也可以用来指定特定的一列或多列进行。

默认情况下，上述方法保留的是第一个出现的值组合，传入take_last=true则保留最后一个。

End.

来源：36大数据

Python 诞生之初就被誉为最容易上手的编程语言。进入火热的 AI 人工智能时代后，它也逐渐取代 Java，成为编程界的头牌语言。更有码农圈金句：「学完 Python，可以上天」佐证其火热程度！之前有人说过R语言和JAVA语言是最适合做数据分析的计算机编程语言之一。其实，小编想说Python也是最受欢迎的大数据分析编程语言，而且Python大数据开发可以做的更好。

为什么说Python大数据开发可以做的更好，下面就来为大家分析一下。

首先，Python语言它很容易上手。它融合了R语言快速成熟的数据挖掘能力之外，还有更实际的产品构建能力。Python语言也正在迅速地获得主流人士的拥护。只要你用过Python语言，你会发现它是更直观，并且相比R语言更容易学习。它在计算机语言中的整体趋势也是上升的很快。使其在统计分析上的能力超越了之前的R语言。

Python是行业人员正在转换发展的方向。 过去两年里，很明显存在由R 向Python 转化的趋势”在数据处理中，通常存在规模和技巧的权衡，Python语言作为一个折中出现了。

从对数据分析工作的处理上看，IPython notebook 和NumPy 可以用于轻量工作的处理， 而 Python 则是中级规模数据处理的有力工具。丰富的数据交流社区也是 Python 的优势，它提供了大量的Python 工具包和特性。

据悉美国银行也是利用Python语言开发了新的产品以及基础设施接口。而且也用于处理金融数据。

在图灵世界里，Python被赋予的形象是蟒蛇，而蟒蛇不仅仅是灵活的象征，更有一招制敌的大杀器。在现阶段的数据体系内，只要你有所了解的话，想必你会有个感觉：怎么处处都有Python的踪影！其实每一种的计算机编程语言，似乎都有自己成名或适用的领域。比如Java更多用于系统开发，Matlab则用于数值计算及矩阵运算，而Python的自身基因，让其更符合数据领域的策略分析。

因为Python 在数据领域的独特地位，随着互联网的发展其越来越宽广灵活，所以越来越多的人蜂拥而至去学习Python语言。所有说，Python开发更适合做数据分析是没问题的。

Python 诞生之初就被誉为最容易上手的编程语言。进入火热的 AI 人工智能时代后，它也逐渐取代 Java，成为编程界的头牌语言。更有码农圈金句：「学完 Python，可以上天」佐证其火热程度！之前有人说过R语言和JAVA语言是最适合做数据分析的计算机编程语言之一。其实，小编想说Python也是最受欢迎的大数据分析编程语言，而且Python大数据开发可以做的更好。

为什么说Python大数据开发可以做的更好，下面就来为大家分析一下。

首先，Python语言它很容易上手。它融合了R语言快速成熟的数据挖掘能力之外，还有更实际的产品构建能力。Python语言也正在迅速地获得主流人士的拥护。只要你用过Python语言，你会发现它是更直观，并且相比R语言更容易学习。它在计算机语言中的整体趋势也是上升的很快。使其在统计分析上的能力超越了之前的R语言。

Python是行业人员正在转换发展的方向。 过去两年里，很明显存在由R 向Python 转化的趋势”在数据处理中，通常存在规模和技巧的权衡，Python语言作为一个折中出现了。

从对数据分析工作的处理上看，IPython notebook 和NumPy 可以用于轻量工作的处理， 而 Python 则是中级规模数据处理的有力工具。丰富的数据交流社区也是 Python 的优势，它提供了大量的Python 工具包和特性。

据悉美国银行也是利用Python语言开发了新的产品以及基础设施接口。而且也用于处理金融数据。

在图灵世界里，Python被赋予的形象是蟒蛇，而蟒蛇不仅仅是灵活的象征，更有一招制敌的大杀器。在现阶段的数据体系内，只要你有所了解的话，想必你会有个感觉：怎么处处都有Python的踪影！其实每一种的计算机编程语言，似乎都有自己成名或适用的领域。比如Java更多用于系统开发，Matlab则用于数值计算及矩阵运算，而Python的自身基因，让其更符合数据领域的策略分析。

因为Python 在数据领域的独特地位，随着互联网的发展其越来越宽广灵活，所以越来越多的人蜂拥而至去学习Python语言。所有说，Python开发更适合做数据分析是没问题的。