项目实践总结怎么写python数据分析基础—，高薪程序员必会

import pandas as pd

从指定工作簿中读取要进行相关性分析的数据

df = pd.read_excel(‘相关性分析.xlsx’, index_col = ‘代理商编号’)

result = df.corr() # 计算任意两个变量之间的相关系数

print(result) # 输出计算出的相关系数

运行结果：

2、求单个变量和其他变量间的相关性

实例代码：

import pandas as pd

df = pd.read_excel(‘相关性分析.xlsx’, index_col = ‘代理商编号’)

result = df.corr()[‘年销售额（万元）’] # 计算年销售额与其他变量之间的皮尔逊系数

print(result)

运行结果：

八、使用方差分析对比数据的差异

---

1、使用方差分析对比数据的差异

数据展示：

实例代码：

import pandas as pd

from statsmodels.formula.api import ols

from statsmodels.stats.anova import anova_lm

import xlwings as xw

df = pd.read_excel(‘方差分析.xlsx’) # 读取指定工作簿中的数据

df = df[[‘A型号’,‘B型号’,‘C型号’,‘D型号’,‘E型号’]] # 选取’A型号’,‘B型号’,‘C型号’,‘D型号’,'E型号’列的数据用于数据分析

df_melt = df.melt() # 将列名转换为列数据，重构DataFrame

df_melt.columns = [‘Treat’, ‘Value’] # 重命名列

df_describe = pd.DataFrame() # 创建一个空DataFrame用于汇总数据

df_describe[‘A型号’] = df[‘A型号’].describe() # 计算“A型号”轮胎的刹车距离的平均值、最大值和最小值等

df_describe[‘B型号’] = df[‘B型号’].describe() # 计算“B型号”轮胎的刹车距离的平均值、最大值和最小值等

df_describe[‘C型号’] = df[‘C型号’].describe() # 计算“C型号”轮胎的刹车距离的平均值、最大值和最小值等

df_describe[‘D型号’] = df[‘D型号’].describe() # 计算“D型号”轮胎的刹车距离的平均值、最大值和最小值等

df_describe[‘E型号’] = df[‘E型号’].describe() # 计算“E型号”轮胎的刹车距离的平均值、最大值和最小值等

model = ols(‘Value~C(Treat)’, data = df_melt).fit() # 对样本数据进行最小二乘线性拟合计算

anova_table = anova_lm(model, typ = 3) # 对样本数据进行方差分析

app = xw.App(visible = False) # 启动Excel程序

workbook = app.books.open(‘方差分析.xlsx’) # 打开要写入分析结果的工作簿

worksheet = workbook.sheets[‘单因素方差分析’] # 选中工作表“单因素方差分析”

worksheet.range(‘H2’).value = df_describe.T # 将计算出的平均值】最大值和最小值等数据转置行列并写入工作表

worksheet.range(‘H14’).value = ‘方差分析’ # 在工作表中写入“方差分析”文本

worksheet.range(‘H15’).value = anova_table # 将方差分析的结果写入工作表

workbook.save() # 保存工作簿

workbook.close() # 关闭工作簿

app.quit() # 退出Excel程序

运行结果：

2、绘制箱形图识别异常值

实例代码：

import pandas as pd

import matplotlib.pyplot as plt

import xlwings as xw

df = pd.read_excel(‘方差分析.xlsx’)

df = df[[‘A型号’, ‘B型号’, ‘C型号’, ‘D型号’, ‘E型号’]]

figure = plt.figure() # 创建绘图窗口

plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 解决中文乱码问题

df.boxplot(grid = False) # 绘制箱体图并删除网格线

plt.show()

app = xw.App(visible = False)

workbook = app.books.open(‘方差分析.xlsx’)

worksheet = workbook.sheets[‘单因素方差分析’]

worksheet.pictures.add(figure, name = ‘图片1’, update = True, left = 500, top = 10) # 将绘制的箱体图插入工作表

workbook.save(‘箱形图.xlsx’)

workbook.close()

app.quit()

运行结果：（图中用圆圈标识的数据点是异常值）

九、使用描述统计和直方图制定目标

---

1、使用描述统计和直方图制定目标

数据展示：

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

一个人可以走的很快，但一群人才能走的更远。如果你从事以下工作或对以下感兴趣，欢迎戳这里加入程序员的圈子，让我们一起学习成长！

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算

让我们一起学习成长！**](https://bbs.csdn.net/forums/4304bb5a486d4c3ab8389e65ecb71ac0)

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算