如何学习python数据分析？_如何学习python进行数据分析

length = my_len(“http://www.nowcoder.com/link/pc_kol_bzwh”)

print(length)

在函数内实现加减乘除，比如计算出前两天的订单，前两年的订单，每天只需要调用函数即可

6、循环

循环是相对抽象的点，你就想象计算机不断的运行一次逻辑，这次逻辑可以递增，递减，的各种运行，来实现一些诸如【累计求和】这样的逻辑

Python中的循环语句有 2 种，分别是 while 循环和 for 循环

add = “http://www.nowcoder.com/link/pc_kol_bzwh”

#for循环，遍历 add 字符串

for ch in add:

print(ch,end=“”)

运行结果为：

http://www.nowcoder.com/link/pc_kol_bzwh

我自己学的时候，其实比c来说更痛苦的是，这个“ch”他很不规范，一般在c里面就写ijk，好理解，实际上这里的ch就类比c里面的ijk，意思是有这么一个扫描机器人，对着“add”这个字符串扫过去，每扫一次记一个数，记到ch这个东西里，最后把它输出来。

循环可以做很多事，测试不同输入下（吧要输入的变成字符串，然后让程序遍历），函数的结果，然后输出结果（比如拟合的误差值，来直接判断哪个变量更合适）

以上，可以被认为是程序语言基础的部分，实际的基础还有很多，并且巩固上述知识点，有最基础的算法帮忙练习（比如实现累计求和，相加等）这些需要自己去补齐（例如if函数等，这个很好理解）

这里往下，我们开始python库里数据分析包的实践（其实主要就是调用函数）

二、数据分析python库实践

1、常用的库

库可以看做是一堆函数的集合，就像是一本，import 库名 就像是命令计算机打开这本字典

常用的库主要是三个，算上数据科学的可以有十个

分别是：

Pandas、Numpy（数据清晰、分析、探索、数组处理）；Scikit-learn、TensorFlow、Keras（机器学习库）、Gradio（机器学习部署）；SciPy、Statsmodels（统计专用库）；matplotlib、Seaborn（可视化）

一般来说，学Pandas、Numpy、Plotly足够了

2、Numpy库

Numpy突出一个数组处理能力，你就把数组看成一个excel表格，在一个个单元格内储存着数据

结合上面的基础教程，当一个数据进来的时候，你应该准备好一个个箱子把数据装进去，这些动作涉及的函数就包括

（1）数组创建

例如：

---

import numpy as npa = np.array([1,2,3,4])b = np.array([,'点赞','分享','求关注'])print(a)

数组之间可运算（参考线性代数的逻辑），数组可和数组进行加减乘除

选择数组间的数字，基本的索引和切片，转置（transpose），三角函数运算，皆可百度，你只要知道他如何使用，数学上对于数组的运算皆可实现

3、Pandas库

pandas库的优势在于：对齐各种不同类型的数据源、集成时间序列功能、灵活处理缺失数据、合并出现在其它数据库的关系型运算

说白了，比numpy更灵活，有时候只用pandas也可以满足需求

学习思路是：

（1）熟悉series、两个数据类型

（2）常用的索引方法和

（3）索引、选取、计算和过滤逻辑学习思路如numpy

（4）介绍一些汇总统计可以利用dataframe去做，例如corr方法，cov方法

（5）处理缺失数据，包括dropna\fillna\isnull\notnull等函数

上述的两种库不要死记硬背函数，最好是记住他能做什么，比如可以处理数组，运算数组，切割、索引数组，可以填补缺失值、可以排序。

两个库的主要函数基本体现在数据的预处理中，从这里开始要意识到，你越来越接近需要统计学的地方了，当数据预处理之后，才到怎么做分析的地步（后面讲）

3、matpoltlib

很明确的说，80%的需求，excel可以满足。用python不是不行，优势是自由度更高，图表更接近、科研的样式；劣势是啥呢，不符合大部分工作场景，比如你有一组数据，做了个图，ppt发给老板，老板不满意，总不能自己写代码吧。一般都是把数据考进ppt或者excel可以直接在里面操作，效率更高。

闲话少说，我们开始

（1）创建空图表

Figure和subplot可以创建一个图表对象

fig = plt.figure()

ax1 = fig.add_subplot(2,2,1)

从这里开始就可以发布绘图命令，也就是把数据填入横纵坐标

（2）绘制图像

---

form numpy. import randnplt.plot(randn(50).csmsum(),'k--')_= ax1.hist(randn(100),bins=20,color = 'k',alpha = 0.3)ax2.scatter(np.arange(30),np.arange(30)+3*randn(30))

你要知道图像的所有参数是可控的，包括颜色、标记、线型、坐标轴、间距、刻度、图例、注释，应有尽有。

所以为什么说他更适合科研，因为论文可能就只需要几张图；但是在工作中，可能一天就要好几张图来，你没时间写那么快。可视化的内容，了解即可。

（3）了解图的种类

线形图：

series（np.random.randn(10).cumsum(),index =np.arange(0,100,10)）

柱状图：

data.polt(kind = ‘bar’,ax=axes[0],color=‘k’,alpha = 0.7)

直方图：hist(bins = 50)

饼图：plt.pie()

专题：数据聚合和分组运算

SQL里面有group by函数，python也可以做到，实际上，大部分基础的数据处理都属于分组运算，比如【每天】【所有城市】的订单，就是对日期和城市进行分组。不同的分组得到的结果就是指标在维度上的拆解。

事实上，python对数据的分组能力比sql要强大，只是在数据处理效率上弱一点，这就看你需要分组到什么地步，来决定你是不是需要把数据专门导出来用python处理

最基础的分组函数表示为：

假设数据组为两列指标data1&data2，维度为key1&ley2

group = df[‘data1’].groupby(dt[‘key’])

生成的group就是一个groupby对象，你可以理解为是一个准备好的分组器，然后需要配合各种聚合函数输出结果，

例如：

group.mean()

也可以连起来写

mean =df[‘data1’].groupby([df[‘key1’],df[‘key2’]]).mean()

一些常用的聚合函数如下：

专题：时间序列

时间序列在python可以概括为：时间函数处理+时间格式数据，充分描绘出时间序列的分布，加入各种运算，主要模块是：datetime、、calendar

比如当前的时间：now = datetime.now

datetime以毫秒形式储存时间，delta = datatime(2022,12,14) - datatime(2022,12,1)

时间函数也可以用字符串实现互相转化，

比如：value = '2022-12-24’

datetime.strptime(value,‘%Y-%m-%d’)

也可以用dateutil这个包中的parser.parse来解析日期，比如：

parse(‘2022-12-24’)

输出：datetime.datetime(2022,12,24,0,0)

datetime的格式定义

时间序列格式的变量，其实就是一列时间，加上各种各样的指标，比如1.1号，1；1.2号，记2

可以用如下方法定义：

dates =

[datetime(2022,12,1),datetime(2022,12,2),datetime(2022,12,3),datetime(2022,12,4),datetime(2022,12,5),datetime(2022,12,6),datetime(2022,12,7),datetime(2022,12,8)]

ts = Series(np…randn(6),index = dates)

就得到了两列时间序列的series变量

python可以做到：生成固定日期范围（pd.date_range），偏移固定日期量（nowday = datetime(2022,12,1)+3*day()，移动日期数据等，都属于数据预处理的操作。

以上，大部分能用python处理数据的工作基本已经分享完了，很多细节可以自己去敲代码和百度弥补，最后在实际的数据分析工作中，完成数据处理、展示的部分即可开展你的各种分析（比如通过不同的分组拆解指标，可视化找出下降的波动等）

读者福利：知道你对Python感兴趣，便准备了这套python学习资料

对于0基础小白入门：

如果你是零基础小白，想快速入门Python是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以找到适合自己的学习方案

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、机器学习等习教程。带你从零基础系统性的学好Python！

👉Python学习路线汇总👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（全套教程文末领取哈）

👉Python必备开发工具👈

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉Python学习视频600合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉实战案例👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉100道Python练习题👈

检查学习结果。

👉面试刷题👈

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！