《Python数据分析入门2》由会员分享，可在线阅读，更多相关《Python数据分析入门2（6页珍藏版）》请在金锄头文库上搜索。
1、Python 是一种面对对象、直译式计算机程序设计语言，由于他简洁、易学、免费开源、可移植性、可扩展性等特点，Python 又被称之为胶水语言。以下图为主要程序语言近年来的流行趋势，Python 受欢送程度扶摇直上。由于 Python 拥有格外丰富的库，使其在数据分析领域也有广泛的应用。一、为什么要用 Python 做数据分析？在我看来，或许有 3 大理由。广度：各行各业都有自己的商业场景，每一个行业都需要使用数据来关心决策。面对现在人人谈大数据的情境，数据分析是一个你不得不会的技能。精度 ：Python 是一门编程语言。或许从前的你完全依靠 excel 的默认设置生成图表，从不思考为什么做一
2、张数据图，而使用编程工具的你必需从图表长宽开头思考每一步成形的理由，从而更精地理解数据。高效 ：传统的数据工作涵盖大量的重复不动脑操作，比方把日表合成周表，比方批量删除某个字段，比方批量删除空值。这些工作通过鼠标点击软件没有方法编成工作流，但却可以通过 python 程序编写自动化，省去大量时间。根底库总结这里是对你会经常接触的重要的库的简要总结：NumPy：拥有大量的科学计算的核心功能。由于它的内部运算是通过 C 语言实现的，所以比用 Python 写成的同样的函数，它的速度会快很多。但它并不是最用户友好的包。SciPy：跟 NumPy 格外相像，但是有更多的方式来从分布中取样，计算检验统计
3、量，等等。MatPlotLib：主要的画图框架。不太讨喜，但却是必备的包。Pandas：根本上是对 NumPy/SciPy 进展轻量的包装，使它们更用户友好一些。对于和表格数据交互格外抱负，Pandas 中把表格数据称为数据框DataFrame。对画图功能也有一些包装，使得无需使用 MPLMeta-Programming Library，元编程库就可以快速实现画图。我使用 Pandas 而非其他的工具来操作数据。机器学习和计算机视觉 Crab：机敏、快速的推举引擎gensim：人性化的话题建模库hebel：GPU 加速的深度学习库NuPIC：智能计算 Numenta 平台pattern：Pyt
4、hon 网络挖掘模块PyBrain：另一个 Python 机器学习库Pylearn2：一个基于 Theano 的机器学习库python-recsys：一个用来实现推举系统的 Python 库scikit-learn：基于 SciPy 构建的机器学习 Python 模块pydeep：Python 深度学习库vowpalporpoise：轻量级 Vowpal Wabbit 的 Python 封装skflow：一个 TensorFlow 的简化接口(仿照 scikit-learn)Caffe: 一个 Caffe 的 python 接口OpenCV：开源计算机视觉库pyocr：Tesseract 和
5、Cuneiform 的包装库pytesseract：Google Tesseract OCR 的另一包装库SimpleCV：一个用来创立计算机视觉应用的开源框架上面列举的只是其中一局部，还有很多很多。固然，他们很多并非是用 Python 来实现，但都共同的供给了Python 接口，甚至好几个都把Python 当成了头等公民First-Class。在此并非想说 Python 这门语言很强大或者简单，而恰恰相反， 得益于 Python 的简洁和包涵。才让它在数据挖掘领域有如此的地位。二、Python 数据分析流程1、数据猎取：公开数据、Python 爬虫外部数据的猎取方式主要有以下两种。第一种是猎
6、取外部的公开数据集，一些科研机构、企业、政府会开放一些数据， 你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。另一种猎取外部数据的方式就是爬虫。比方你可以通过爬虫猎取聘请网站某一职位的聘请信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，猎取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进展分析。常用的的电商网站、问答网站、二手交易网站、婚恋网站、聘请网站等，都可以爬到格外有价值的数据。Python 具有机敏易用，便利读写的特点，其可以格外便利地调用数据库和本地的数据，同时，Python 也是当下网络爬虫的首选
7、工具。ScrapyPython 开发的一个快速、高层次的屏幕抓取和 web 抓取框架，用于抓取 web 站点并从页面中提取构造化的数据。Scrapy 用途广泛，可以用于数据挖掘、监测和自动化测试。2、数据整理NumPyNumeric Python供给了很多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及周密的运算库。专为进展严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA 用其处理一些原来使用 C+， Fortran 或 Matlab 等所做的任务。PandasPython Data Analysis LibraryP
8、andas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创立的。Pandas 纳入了大量库和一些标准的数据模型，供给了高效地操作大型数据集所需的工具。pandas 供给了大量能使我们快速便捷地处理数据的函数和方法。你很快就会觉察，它是使 Python 成为强大而高效的数据分析环境的重要因素之一。3、建模分析每种计算机编程语言，好似都有自己成名或适用的领域。在这个大家都在谈云计算、大数据、深度学习的时代，让我们来看看，这些领域里面的代表吧。说句不负责任的话，Python 已经成为数据分析领域里事实上的标准语言。Scikit-learn从事数据分析建模必学的包，供给及汇总了当前数据
9、分析领域常见的算法及解决问题，如分类问题、回归问题、聚类问题、降维、模型选择、特征工程。4、数据可视化matplotlib：一个 Python 2D 绘图库bokeh：用 Python 进展交互式 web 绘图ggplot：ggplot2 给 R 供给的 API 的 Python 版本plotly：协同 Python 和 matplotlib 工作的 web 绘图库pyecharts：基于百度 Echarts 的数据可视化库pygal：一个 Python SVG 图表创立工具pygraphviz：Graphviz 的 Python 接口PyQtGraph：交互式实时 2D/3D/ 图像绘制及科
10、学/工程学组件SnakeViz：一个基于扫瞄器的 Python”s cProfile 模块输出结果查看工具vincent：把 Python 转换为 Vega 语法的转换工具VisPy：基于 OpenGL 的高性能科学可视化工具假设在 Python 中看可视化，你可能会想到 Matplotlib。除此之外，Seaborn 是一个类似的包，这是用于统计可视化的包。你可以做很简单的图和一些代码。还有Bokeh，它有很多互动功能，可以做很多不同类型的图。类似Bokeh 的还有Plotly。它在扫瞄器中呈现图，能够进展互动的可视化。虽然 Python 的绘图功能没有 R 那么强大，但是我看好它的进展前景
11、。三、总结开头的时候，你可能考虑的问题不是很周全，总会遇到各种各样的问题，举例如下：1. 环境配置，工具安装、环境变量，对小白太不友好;2. 缺少合理的学习路径，上来 Python、HTML 各种学，极其简洁放弃;3. Python 有很多包、框架可以选择，不知道哪个更友好;4.遇到问题找不到解决方法，学习停滞不前;5.网上的资料格外零散，而且对小白不友好，很多看起来云里雾里;6.懂得技巧，但面对具体问题无法系统思考和分析;但随着你阅历的积存，渐渐就会找到分析的方向，有哪些一般分析的维度，比方Top 榜单、平均水平、区域分布、同比环比、相关性分析、将来趋势推测等等。随着阅历的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。真假设有心于数据领域，甚或欲从事数据科学之职业。请对 Python 有信念，值得你付出时间。想走机器学习之路，Scikit-learn 是你最好的选择，一边操作实例， 一边阅读文档，再关心以相关的理论根底，持之数日，那么大业可成也。
