python数据分析的工具包有哪些_数据分析必备‘工具包’

随着数据量越来越大，依赖于数据决策的场景越来越多，使用工具对于数据进行分析，越来越成为一个职场人必备的一项技能。那么如果要更自如的进行数据分析，就必须掌握几个数据分析常用的工具。俗话说的好：工欲善其事必先利其器。那么数据分析常备的工具是啥呢？神器组合：xmind + sql+power bi +excel。我自己在实际工作中也是屡试不爽的。

01 工具包

工具都是有自己的适用场景的，知道什么场景下用什么样的工具，可以最大程度的提高自己的效率。各个工具的使用场景和顺序：

02 微软的商业智能'利器'

有些人可能对于POWER BI比较陌生，参考我之前的一篇文章来个科普贴。我自己是从2018年工作中接触到POWER BI，自那以后也是比较痴迷于它。-POWER BI与excel处理逻辑相似，由于它是微软公司做的商业智能软件。-从excel演变而来，计算表达式与excel的函数表达式很像，区别是POWER BI的函数直接作用于一列或者一张表。-学习成本比SQL和Python都要简单，基本上能应付绝大部分数据分析场景。-本身使用是免费的。

03 POWER BI的优势

下面以一个案例来讲下POWER BI使用及优势。Kaggle上的一个零售数据集：某英国在线零售商8个月订单数据，订单表，产品维度表(是我随意打标签的创造的一个)：stockcode: 产品code,invoiceNo:订单号，invoicedate:下单日期，unitprice：单价，quantity:数量，customerid:顾客id；我们从数据分析项目的流程来简单讲下优势(操作步骤见下图演示)：- 数据清洗整理(多数据源导入，清理模板，数据量大时候，速度快，数据基本空值情况)可以从多数据源导入数据，本案例导入了csv和excel文件两种(1&2);然后在power query进可以看到列中的空值与错误值情况(3)，用行了清洗，去除空值和负值，这些清理操作会被保留下来(4)，下次更新数据源，不用再操作一遍。

- 数据模型建立 - 建立关系 + 表+ 计算列 + 度量值 + 计算应用(计算销售额)POWER BI有个比较重要的功能就是数据模型，这个概念是数据仓库中有的，接地气点说就是搭建数据报表模板。我们将两张表(5)通过stockcode这个子段建立了关系(6-vlookup),然后生成新的计算列‘销售额’(7)，计算每个产品的价格，最后用度量衡聚合SUM函数计算来销售总额(8)。

- 我们用分析常用的视角来可视化探索这个零售的数据。描述看各个国家的体量情况(9&10，采用地图视角);用分解树细分定位国家的主要构成品类(11&12);看各个品类的趋势情况(13&14)最后通过切片可以筛选任意国家的趋势情况(15&16)。

- 固定化成模板 -可以直接连接数据库。POWER BI还有强大的功能可以直接连接数据库，然后可以根据已经制作好的模板，处理数据呈现想看的结果，以及建立动态仪表盘等等功能。如果有兴趣入门的话，可以继续关注我的公众号，后续会对POWER BI进行分析专题分享；

欢迎关注公众号'数据氧气'，回复【软件安装包】，即可获得文中的数据集以及POWER BI安装包和POWER BI文件。