????本文也是秦路老師python教程的學習筆記。這篇也是發給超哥看的：很多人說python很簡單很好學，也有很多人說python沒有java和c的功能強大。但是這都不重要，重要的是我們想學了，想畫圖也好做數據分析也罷，想學了就直接開始就好。聽一個python的課程，大概20個小時，復習加練習40個小時，其實只要一個月就可以上手了。

????如文章所示，基本是課程內容的復現與基本概念的介紹，行文邏輯混亂，排版也不好看。但是，沒關系，學習就是從模仿開始的。因為想學就去做，just to do it，不要求自己做出來東西好看，質量高，只是要求行動起來。想學python就去直接去學，不想學更沒關系沒必要因為別人在做這個就去學。說給超哥，也說給自己。想做的就去做，哪怕做的不夠好，都沒關系的。

目錄：

1?numpy

2?pandas

3?用pandas做數據分析案例

1 numpy

??? numpy的數據結構是n維的數組ndarray。Python的list雖然也能表示，但是不高效。首先載入numpy，as是命名為別名，np是numpy公認的的簡寫。

? ? 數組的創建使用numpy中array函數，前面加np。如圖所示將列表list轉換成了numpy的數組。

????嵌套列表會被轉換為多維數組，也可以叫做矩陣。array數組要注意的是，它內部的元素必須是相同類型，比如數值或者字符串?？梢杂胐type查詢其類型，不用加括號。

??? numpy的數據類型比較豐富，當我們轉換數據格式的時候，可以使用astype函數。

????數組的計算很方便，不要大量的循環就可以批量運算。

????數組索引和列表相同，使用方括號和數字，也可以直接賦值。

? ? 用遞歸對多維數組進行篩選，如果省略了后面的索引，則返回次一級的維度，這和list一樣。

? ? 就數據分析而言，pandas是一個更常使用的包，有點像我們熟悉的excel和sql。

2?pandas

??? pandas有兩個主要的數據結構，Series和DataFrame。Series類似于一維數組，和numpy的array接近，由一組數據和數據標簽組成。數據標簽有索引的作用。

? 2.1 Series

?加載pandas包，通過Series函數生成一個對象。我們很明顯地看到，在jupyter上它的樣式不同于array，它是豎著的。右邊是我們輸入的一組數據，左邊是數據的索引，即標簽。數據標簽是pandas區分于numpy的重要特征。索引不一定是從0開始的數字，它可以被定義。

????索引的概念有點像SQL中的主鍵，不過它的功能更強大，分析師能夠很輕松的通過索引選取一個數據或者一組數據。

??? index函數可以顯示Series的索引。Series和array一樣，通過方括號選取數據，當要選擇多個數據時，需要使用列表。如果數據是一個字典，也能直接創建Series。

? ? 這時候，字典的key就是Series的索引。

??? Series有自動對齊索引的功能，當自定義的索引qinqin和字典隊員不上時，會自動選擇NaN，即結果為空，表示缺失。缺失值的處理會在后續講解。

2.2 DataFrame

??? Series是一維的數據結構，DataFrame是一個表格型的數據結構，它含有不同的列，每列都是不同的數據類型。我們可以把DataFrame看作Series組成的字典，它既有行索引也有列索引。它類似一張excel表格或者SQL，只是功能更強大。構建DataFrame的方法有很多，最簡單的的是導入一個字典。

??? DataFrame會自動補充索引，并且將字典的key作為列標簽，即column。在這里，dict的key順序是DataFame的順序，不再是無序的。DataFrame中可以通過info函數直接查看數據類型和統計。

????列名后面是列的非空值統計量，以及數據類型，最后一行是DataFrame占用的內存大小，對于pandas來說，千萬行幾百兆的數據處理起來都很方便。

??? DataFrame的數據類型變更和numpy一樣，用astype就行。df.age = df.age.astype。DataFrame的索引方式和Series一樣，它選取的是列。

? 返回的是一組Series，索引和原DataFrame一致。除了方括號選取，DataFrame還有更簡單的選取方法。

????行可以直接以切片的形式獲取行，切片的作用和數組一樣。但是，切片無法用單獨的數字選取，只能用冒號切選范圍。列可以通過賦值的方式修改和添加，當列的名稱是全新，則會在DataFrame的最右邊自動加上新的一列。

????列表和數組都可以賦值到列，長度必須匹配，列表是按照順序，數組的話，可以按index參數設置的索引對應，若為空，則填上缺失值。DataFrame的index不能改變，這是為了數據的安全性，但是可以通過index函數獲取詳情。

??? DataFrame在數據選取方面也很方便。

????它支持常用的邏輯判斷，比如通過布爾數組過濾出我們需要的結果。

??? df.sex == '男'返回了一個布爾數組(ps：是兩個等號，一個等號是賦值)，然后通過布爾數組找出df中符合條件為true的結果?，F在我們希望找年齡在20以下，且性別為男的樣本。

????這里用到布爾類型數據的計算公式，true and true 為true，false and true 為false。pandas中的邏輯符號，并且是&，或者是|。接下來過濾出性別為女，或者年齡為18的人。

????當邏輯條件復雜的時候，這種寫法并不好看，比如性別為男，且年齡在18歲，以及性別為女，且年齡在18歲以上的兩類人群，這種過濾條件就比較復雜了。pandas中可以用query函數以類SQL語言執行查詢。

??? query中可以直接使用列名，它的功能遠不至于此，大家有興趣可以深入學習。

??? DataFrame可以直接在列上進行運算，當DataFrame和DataFrame之間運算時，按索引進行加減乘除。

????如果直接用加法，若列名匹配不上，會產生NaN 的缺失值，我們可以在后續后續fillna函數填充。另外一種方法是add函數，它可以直接通過參數選擇填充值。減乘除對應sub、mul、div。DataFrame還有兩個常用函數，又特別容易搞混的是，iloc和loc。

????它們都是通過索引選取行，iloc是通過所在行的數字為索引，loc是所在行的標簽為索引，簡單講，iloc是第幾行，loc是標簽。當索引沒有標簽時，loc和iloc等價。兩者支持冒號的范圍選擇。當行和列需要同時選擇的時候，用逗號分割，逗號前是想要選擇的行，逗號后是想要選擇的列。

3?用pandas做數據分析案例

數據分析的過程包括數據讀取、數據概述、數據清洗，整理分析和數據可視化。

????????首先加載數據。

????在pandas中，常用的載入函數是read_csv、read_excel、read_table和read_sql。這里用read_csva，read_csv有幾個重要參數：①encoding用來讀取csv格式的編碼，包括gb2312和utf-8；②sep是分割符，有些csv文件用逗號分割列，有些是分號，有些是\t，這些都需要具體設置；③header表示是否使用表頭作為列名，默認是；④names可以為列設置額外的名字，比如csv中的表頭是中文，使用name可以轉換成英文。

????因為數據集df的數據太多，如果我們只是大致瀏覽一下，可以使用head()或者tail()來看前5行或者后5行，也可以用sample(5)隨機選取5行看一下。

? ? 在這個數據集中，薪資中的數據是最臟的，后續需要拆成兩列，看一下有沒有重復數據。

??? unique函數可返回唯一值，數據集中positionId是職位ID，唯一值。配合len函數計算出唯一值共有5031個，說明有多出來的重復值。這里使用drop_duplicates清洗掉。ps：建議每次刪除數據后都重新設置一下索引。

??? drop_duplicates函數中也有一些重要參數：keep是保留方式，first是留第一個，last還是刪除前面，保留最后一個。duplicated函數功能類似，不過它返回的是布爾值。接下來處理salary薪資。目的是計算出薪資下限以及薪資上限。

????數據類型轉換為數字，使用匿名函數lamba。很多時候我們并不需要復雜地使用def定義函數，而用lamdba作為一次性函數。axis是apply中的參數，axis=1表示將函數用在行，axis=0則是列。

? ? 到這里，數據清洗的工作完成。

????對數據進行幾個描述統計。

??? value_counts是計數，統計所有非零元素的個數，以降序的方式輸出Series。數據中可以看到北京招募的數據分析師是最多的。ps：北京的崗位是多一些，包括風控策略的崗位在上海深圳杭州都沒有北京多。我們可以再分析數據分析師的學歷要求，工作年限要求等。針對數據分析師的薪資，我們用describe函數。

? ? 數據分析師的薪資的平均數是17k，中位數是15k，差別不大，最大薪資在75k，應該是數據科學家或者數據分析總監檔位的水平。標準差在8.99k，有一定的波動性，大部分分析師薪資在17+—9k之間。一般分類數據用value_counts，數值數據用describe，這是最常用的兩個統計函數。說了這么多文字，還是不夠直觀，我們用圖表說話。pandas自帶繪圖函數，它是以matplotlib包為基礎封裝，所以兩者能夠結合使用。

????%matplotlib inline是jupyter自帶的方式，允許圖表在cell中輸出。

????用hist函數很方便的就繪制除出直方圖，比excel快多了。圖表列出了數據分析師薪資的分布，因為大部分薪資集中20k以下，為了更細的粒度。將直方圖的寬距縮小。

????數據分布呈雙峰狀，因為原始數據來源于招聘網站的爬取，薪資非常容易集中在某個區間，不是真實薪資的反應(10～20k的區間，以本文的計算公式，只會粗暴地落在15k，而非均勻分布)。數據分析的一大思想是細分維度，現在觀察不同城市、不同學歷對薪資的影響。箱線圖是最佳的觀測方式。

????圖表的標簽出了問題，出現了白框，主要是圖表默認用英文字體，而這里的都是中文，導致了沖突。所以需要改用matplotlib。

????首先加載字體管理包，設置一個載入中文字體的變量，不同系統的路徑不一樣。boxplot是我們調用的箱線圖函數，column選擇箱線圖的數值，by是選擇分類變量，figsize是尺寸。ax.get_xticklabels獲取坐標軸刻度，即無法正確顯示城市名的白框，利用set_fontpeoperties更改字體。于是獲得了我們想要的箱線圖。改變字體還有其他方法，大家可以網上搜索關鍵字「matplotlib 中文字體」，都有相應教程。從圖上我們看到，北京的數據分析師薪資高于其他城市，尤其是中位數。上海和深圳稍次，廣州甚至不如杭州。

????從學歷看，博士薪資遙遙領先，雖然在top區域不如本科和碩士，這點我們要后續分析。大專學歷稍有弱勢。

????工作年限看，薪資的差距進一步拉大，畢業生和工作多年的不在一個梯度。雖然沒有其他行業的數據對比，但是可以確定，數據分析師的職場上升路線還是挺光明的。到目前為止，我們了解了城市、年限和學歷對薪資的影響，但這些都是單一的變量，現在想知道北京和上海這兩座城市，學歷對薪資的影響。

????在by傳遞多個值，箱線圖的刻度自動變成元組，也就達到了橫向對比的作用(這方法其實并不好，以后會講解其他方式)。這種方法并不適宜元素過多的場景。從圖上可以看到，不同學歷背景下，北京都是稍優于上海的，北京愿意花費更多薪資吸引數據分析師，而在博士這個檔次，也是一個大幅度的跨越。我們不妨尋找其中的原因。在pandas中，需要同時用到多個維度分析時，可以用groupby函數。它和SQL中的group by差不多，能將不同變量分組。

????上圖是標準的用法，按city列，針對不同城市進行了分組。不過它并沒有返回分組后的結果，只返回了內存地址。這時它只是一個對象，沒有進行任何的計算，現在調用groupby的count方法。

????它返回的是不同城市的各列計數結果，因為沒有NaN，每列結果都是相等的?，F在它和value_counts等價。

????換成mean，計算出了不同城市的平均薪資。因為mean方法只針對數值，而各列中只有avgSalary是數值，于是返回了這個唯一結果。

??? groupby可以傳遞一組列表，這時得到一組層次化的Series。按城市和學歷分組計算了平均薪資。

????后面再調用unstack方法，進行行列轉置，這樣看的就更清楚了。在不同城市中，博士學歷最高的薪資在深圳，碩士學歷最高的薪資在杭州。北京綜合薪資最好。這個分析結論有沒有問題呢？不妨先看招聘人數。

????這次換成count，我們在groupby后面加一個avgSalary，說明只統計avgSalary的計數結果，不用混入相同數據。圖上的結果很明確了，要求博士學歷的崗位只有6個，所謂的平均薪資，也只取決于公司開出的價碼，波動性很強，畢竟這只是招聘薪資，不代表真實的博士在職薪資。這也解釋了上面幾個圖表的異常。groupby其實和數據透視表很相似。pandas其實有專門的數據透視函數，在另外一方面，groupby確實能完成不少透視工作。接下來計算不同公司招聘的數據分析師數量，并且計算平均數。

????這里使用了agg函數，同時傳入count和mean方法，然后返回了不同公司的計數和平均值兩個結果。所以前文的mean，count，其實都省略了agg。agg除了系統自帶的幾個函數，它也支持自定義函數。

????上圖用lamba函數，返回了不同公司中最高薪資和最低薪資的差值。agg是一個很方便的函數，它能針對分組后的列數據進行豐富多彩的計算。但是在pandas的分組計算中，它也不是最靈活的函數。

????自定義了函數topN，將傳入的數據計數，并且從大到小返回前五的數據。然后以city聚合分組，因為求的是前5的公司，所以對companyShortName調用topN函數。同樣的，如果我想知道不同城市，各職位招聘數前五，也能直接調用topN

????可以看到，雖說是數據分析師，其實有不少的開發工程師，數據產品經理等。這是抓取下來數據的缺點，它反應的是不止是數據分析師，而是數據領域。不同城市的需求不一樣，北京的數據產品經理看上去要比上海高。agg和apply是不同的，雖然某些方法相近，比如求sum，count等，但是apply支持更細的粒度，它能按組進行復雜運算，將數據拆分合并，而agg則必須固定為列。運用group by，我們已經能隨意組合不同維度。接下來配合group by作圖。

????多重聚合在作圖上面沒有太大差異，行列數據轉置不要混淆即可。

????上述的圖例我們都是用pandas封裝過的方法作圖，如果要進行更自由的可視化，直接調用matplotlib的函數會比較好，它和pandas及numpy是兼容的。plt已經在上文中調用并且命名。

????上圖將上海和北京的薪資數據以直方圖的形式進行對比。因為北京和上海的分析師人數相差較遠，所以無法直接對比，需要用normed參數轉化為密度。設置alpha透明度，它比箱線圖更直觀。另外一種分析思路是對數據進行深加工。我們將薪資設立出不同的level。

??? cut的作用是分桶，它也是數據分析常用的一種方法，將不同數據劃分出不同等級，也就是將數值型數據加工成分類數據，在機器學習的特征工程中應用比較多。cut可以等距劃分，傳入一個數字就好。這里為了更好的區分，我傳入了一組列表進行人工劃分，加工成相應的標簽。

????用lambda轉換百分比，然后作堆積百分比柱形圖(matplotlib好像沒有直接調用的函數)。這里可以較為清晰的看到不同等級在不同地區的薪資占比。它比箱線圖和直方圖的好處在于，通過人工劃分，具備業務含義。0～3是實習生的價位，3～6是剛畢業沒有基礎的新人，整理數據那種，6～10是有一定基礎的，以此類推。現在只剩下最后一列數據沒有處理，標簽數據。

????現在的目的是統計數據分析師的標簽。它只是看上去干凈的數據，元素中的[]是無意義的，它是字符串的一部分，和數組沒有關系。你可能會想到用replace這類函數。但是它并不能直接使用。df_clean.positionLables.replace會報錯，為什么呢？因為df_clean.positionLables是Series，并不能直接套用replace。apply是一個好方法，但是比較麻煩。這里需要str方法。

??? str方法允許我們針對列中的元素，進行字符串相關的處理，這里的[1:-1]不再是DataFrame和Series的切片，而是對字符串截取，這里把[]都截取掉了。如果漏了str，就變成選取Series第二行至最后一行的數據，切記。

????使用完str后，它返回的仍舊是Series，當我們想要再次用replace去除空格。還是需要添加str的。現在的數據已經干凈不少。positionLables本身有空值，所以要刪除，不然容易報錯。再次用str.split方法，把元素中的標簽按「,」拆分成列表。

????這里是重點，通過apply和value_counts函數統計標簽數。因為各行元素已經轉換成了列表，所以value_counts會逐行計算列表中的標簽，apply的靈活性就在于此，它將value_counts應用在行上，最后將結果組成一張新表。

????用unstack完成行列轉換，看上去有點怪，因為它是統計所有標簽在各個職位的出現次數，絕大多數肯定是NaN。

????將空值刪除，并且重置為DataFrame，此時level_0為標簽名，level_1為df_index的索引，也可以認為它對應著一個職位，0是該標簽在職位中出現的次數，之前我沒有命名，所以才會顯示0。部分職位的標簽可能出現多次，這里忽略它。

????最后用groupby計算出標簽出現的次數。到這里，已經計算出我們想要的結果。

總結

以上是生活随笔為你收集整理的c++输出txt格式循环一组数据后换行再循环一次_numpy、pandas以及用pandas做数据分析的案例...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。