【Python】数据分析9个优雅小技巧（测试代码+保姆级api例程）合集

数据分析9个优雅小技巧（测试代码+保姆级api例程），让你的代码更加python，代码优雅简洁。
有打包好的py文件下载使用，可以拿来即用，当做教学小案例使用。
多种用法只是简单介绍核心基础的功能。
CSDN资源打包下载地址：

https://download.csdn.net/download/u011027547/75277529

欢迎关注 『Python』 系列，持续更新中
欢迎关注 『Python』 系列，持续更新中

行内List循环

假设y=x**3+1 下面是一般性求得列表y的通常做法

x = [1,2,3,4]
y = []
for item in x:
    y.append(item**3+1)
print(y)#[2, 9, 28, 65]

行内List循环API说明：

list=[参数1**3+1 for 参数1 in 参数]

• 参数1 参数2可迭代对象的一个子项
• 参数2 参数2是可迭代对象

行内List循环例程

简洁的行内for循环列表写法

x = [1,2,3,4]
y = [item**3+1 for item in x]
print(y)#[2, 9, 28, 65]

---

Lambda表达式

Lambda表达式用于在Python中创建小型，一次性或是匿名函数对象。

Lambda表达式API说明：

def_name=lambda arguments: expression

• def_name Lambda函数的名字
• arguments Lambda函数的参数
• expression Lambda函数的函数体

Lambda表达式例程

下图就一行Lambda定义了一个def_y用于计算y=x*2

def_y = lambda x: x * 2
print(def_y(1011))#2022

---

map函数映射

map()是 Python 内置的高阶函数，它接收一个函数 f 和一个 list，并通过把函数 f 依次作用在 list 的每个元素上，得到一个新的 list 并返回。

map函数映射API说明：

y=list(map(lambda var: var+1, x))
y=list(map(参数1, 参数2))

• 参数1 映射的规则函数
• 参数2 需要映射的对象
• 返回的是map类型的数据，通常需要再转化成list等其他格式，所以在最外面加上了list()

不加上转化成list，得到的是map对象

x = [1, 2, 3, 4, 5]
y = map(lambda var: var+1, x)
print(y)#<map object at 0x000002BEFFD8CE80> 

map函数映射例程

结合Lambda使用map大大简化代码。x当中的子项进行lambda定义的函数运算，得到一个list——只用一行代码实现。讲究！

x = [1, 2, 3, 4, 5]
y = list(map(lambda var: var+1, x))
print(y)#[2, 3, 4, 5, 6]

---

Filter函数筛选

filter函数可以筛选一个筛选函数和一个序列，将筛选函数依次作用于每一个筛选序列的元素，返回符合要求的筛选值。

Filter函数筛选API说明：

y = list(filter(lambda i: i % 2 ==1, x))
y = list(filter(参数1, 参数2))

• 参数1 筛选的规则函数
• 参数2 需要筛选的对象
• 返回的是Filter类型的数据，通常需要再转化成list等其他格式，所以在最外面加上了list()

Filter函数筛选例程

根据lambda 指定的规则，我们筛选了x中的所有奇数

x = [1, 2, 3, 4, 5]
y = list(filter(lambda i: i % 2 ==1, x))
print(y)#[1, 3, 5]

---

Arange给定步长的等差列表

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。

Arange给定步长的等差列表API说明：

y=np.arange(3, 11, 2)
y=np.arange(start, stop, step)

• start 起始值
• stop 结束值 左闭右开原则
• step 步长

Arange给定步长的等差列表例程

左闭右开原则，y=2n+3 ,y<11

import numpy as np
y=np.arange(3, 11, 2)
print(y)#[3 5 7 9] 不包括11

---

Linspace给定区间的等差列表

Linspace和Arrange类似但本质不同。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。

Linspace给定区间的等差列表API说明：

y=np.linspace(1, 100, 100)
y=np.linspace(start, stop, num)

• start 起始值
• stop 结束值 左闭右开原则
• step 划分子项数

Linspace给定区间的等差列表例程

假设我们要1-100，划分100项

import numpy as np
y=np.linspace(1, 100, 100)
print(y)

---

Axis区别行列的属性

Axis表示轴。
轴是用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。

Axis区别行列的属性API说明：

axis=1
axis=0
使用0值表示沿着每一列或行标签\索引值向下执行方法
使用1值表示沿着每一行或者列标签模向执行对应的方法

Axis区别行列的属性例程

按行把每一行的数据求和

import pandas as pd
df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],columns=['A','B','C'],index=['a','b','c'])
print("原始数据")
print(df)
print("按行把每一行的数据求和")
print(df.sum(axis=1))

按列把每一列的数据求和

import pandas as pd
df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],columns=['A','B','C'],index=['a','b','c'])
print("原始数据")
print(df)
print("按列把每一列的数据求和")
print(df.sum(axis=0))

---

Pandas Apply批处理

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。你就把这个想成pd的map映射。

Pandas Apply批处理API说明：

df[‘B’]=df[‘B’].apply(lambda x: x ** 2)
df[‘B’]=参数1.apply(参数2)

• 参数1 需要筛选的对象
• 参数2 筛选的规则函数
• 返回的是Filter类型的数据，通常需要再转化成list等其他格式，所以在最外面加上了list()

Pandas Apply批处理例程

Apply批处理第df[‘B’]列的数据平方

import pandas as pd
import numpy as np
df = pd.DataFrame([[1, 2, 3]] *3,columns=['A','B','C'],index=['a','b','c'])
print("原始数据")
print(df)
#    A  B  C
# a  1  2  3
# b  1  2  3
# c  1  2  3

df['B']=df['B'].apply(lambda x: x ** 2)
print("Apply批处理第df['B']列的数据平方")
print(df)
#    A  B  C
# a  1  4  3
# b  1  4  3
# c  1  4  3

---

Pivot Tables数据透视表

格式化输出需要的内容，便于进行数据分析。

Pivot Tables数据透视表API说明：

pd.pivot_table(df,index=[“A”],values=[‘C’])
pd.pivot_table(df,index=参数1 ,values=参数2)

• 参数1 作为列索引
• 参数2 需要显示的数值
• 返回的是Filter类型的数据，通常需要再转化成list等其他格式，所以在最外面加上了list()

Pivot Tables数据透视表例程

根据lambda 指定的规则，我们筛选了x中的所有奇数

import pandas as pd
df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]],columns=['A','B','C'],index=['a','b','c'])
print("原始数据")
print(df)
print("按照A为索引，数据显示C")
print(pd.pivot_table(df,index=["A"],values=['C']))

---

总结

大家喜欢的话，给个👍，点个关注！继续跟大家分享敲代码过程中遇到的问题！

版权声明：

发现你走远了@mzh原创作品，转载必须标注原文链接

Copyright 2022 mzh

Crated：2022-1-10

欢迎关注 『Python』 系列，持续更新中
欢迎关注 『Python』 系列，持续更新中
【Python安装第三方库一行命令永久提高速度】
【数据分析9个优雅小技巧（测试代码+保姆级api例程）合集】
【行内List循环-数据分析9个优雅小技巧（1）（测试代码+api例程）】
【Lambda表达式-数据分析9个优雅小技巧（2）（测试代码+api例程）】
【map函数映射-数据分析9个优雅小技巧（3）（测试代码+api例程）】
【map函数映射-数据分析9个优雅小技巧（4）（测试代码+api例程）】
【Arange给定步长的等差列表-数据分析9个优雅小技巧（5）（测试代码+api例程）】
【Linspace给定区间的等差列表-数据分析9个优雅小技巧（6）（测试代码+api例程）】
【Axis区别行列的属性-数据分析9个优雅小技巧（7）（测试代码+api例程）】
【Pandas Apply批处理-数据分析9个优雅小技巧（8）（测试代码+api例程）】
【Pivot Tables数据透视表-数据分析9个优雅小技巧（9）（测试代码+api例程）】
【更多内容敬请期待】

---