8个高效Python数据分析的技巧（附完整代码）_python数据分析代码大全

[1, 4, 9, 16]

vs.

x = [1,2,3,4]
out = [item**2 for item in x]
print(out)

[1, 4, 9, 16]

### 02.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

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

### 03.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。 （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]

### 04.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)

np.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)

np.linspace(2.0, 3.0, num=5)

array([ 2.0, 2.25, 2.5, 2.75, 3.0]

### 05.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，第一个值代表行数，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。


### 06.Concat、Merge和Join


如果您熟悉SQL，那么这些概念对你来说可能会更容易。 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最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）。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/7ac86d1d1a2f4d98be4406ccb3af91fd.jpeg)


Merge将多个DataFrame合并指定主键（Key）相同的行。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/886dddb2a5f04828a13ed8c07c46e206.png)


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。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/b16584ea2b0c4886a92ba1864ff2ac2a.png)


### 07.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

### 08.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,，它可以帮助我们快速查看某几列的数据。


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”])

![在这里插入图片描述](https://img-blog.csdnimg.cn/d00bf99cea32436ba0b5b539fc898f05.png)  
 或者也可以筛选属性值：

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

![在这里插入图片描述](https://img-blog.csdnimg.cn/4cbd220d806f440d9395f200c1ad1584.png)  
 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。


**读者福利：知道你对Python感兴趣，便准备了这套python学习资料**



> 
> 👉[[[CSDN大礼包：《python兼职资源&全套学习资料》免费分享]]]( )（**安全链接，放心点击**）
> 
> 
> 


**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！


### 零基础Python学习资源介绍


* ① Python所有方向的学习路线图，清楚各个方向要学什么东西
* ② 600多节Python课程视频，涵盖必备基础、爬虫和数据分析
* ③ 100多个Python实战案例，含50个超大型项目详解，学习不再是只会理论
* ④ 20款主流手游迫解 爬虫手游逆行迫解教程包
* ⑤ 爬虫与反爬虫攻防教程包，含15个大型网站迫解
* ⑥ 爬虫APP逆向实战教程包，含45项绝密技术详解
* ⑦ 超300本Python电子好书，从入门到高阶应有尽有
* ⑧ 华为出品独家Python漫画教程，手机也能学习
* ⑨ 历年互联网企业Python面试真题,复习时非常方便


### 👉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）  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/c7bac92961d743dfa8ce2e4b33f66d12.png)


### 👉Python必备开发工具👈


![在这里插入图片描述](https://img-blog.csdnimg.cn/ec2198fcaf4d4c3e81d8b86badfbd57d.png)