數(shù)據(jù)從業(yè)者有許多工具可用于分割數(shù)據(jù)。有些人使用 Excel，有些人使用SQL，有些人使用Python。對(duì)于某些任務(wù)，使用 Python 的優(yōu)點(diǎn)是顯而易見的。以更快的速度處理更大的數(shù)據(jù)集。使用基于 Python 構(gòu)建的開源機(jī)器學(xué)習(xí)庫(kù)。你可以輕松導(dǎo)入和導(dǎo)出不同格式的數(shù)據(jù)。

由于其多功能性，Python 可以成為任何數(shù)據(jù)分析師工具箱的重要組成部分。但是，這很難開始。大多數(shù)數(shù)據(jù)分析師可能熟悉 SQL 或 Excel。本篇是涉及幫助你將技能和技術(shù)從 EXcel 和 SQL 轉(zhuǎn)移到 Python。

首先，讓我們來(lái)設(shè)置 Python。最簡(jiǎn)單的方法就是使用 Jupyter Notebook 和 Anaconda。這個(gè)可視化界面將允許你插入 Python 代碼并立即查看輸出。這也將使你輕松跟隨本教程的其余部分。

我強(qiáng)烈推薦使用 Anaconda，但這個(gè)初學(xué)者指南也將幫助你安裝 Python——盡管這將使本篇文章更加難以接受。

我們從基礎(chǔ)開始：打開一個(gè)數(shù)據(jù)集。

01 導(dǎo)入數(shù)據(jù)

你可以導(dǎo)入.sql 數(shù)據(jù)庫(kù)并用 SQL 查詢中處理它們。在Excel中，你可以雙擊一個(gè)文件，然后在電子表格模式下開始處理它。在 Python 中，有更多復(fù)雜的特性，得益于能夠處理許多不同類型的文件格式和數(shù)據(jù)源的。

使用一個(gè)數(shù)據(jù)處理庫(kù) Pandas，你可以使用 read 方法導(dǎo)入各種文件格式。使用這個(gè)方法所能導(dǎo)入完整的文件格式清單是在 Pandas 文檔中。你可以導(dǎo)入從 CSV 和 Excel 文件到 HTML 文件中的所有內(nèi)容！

使用 Python 的最大優(yōu)點(diǎn)之一是能夠從網(wǎng)絡(luò)的巨大范圍中獲取數(shù)據(jù)的能力，而不是只能訪問手動(dòng)下載的文件。在 Python 的requests 庫(kù)可以幫助你分類不同的網(wǎng)站，并從它們獲取數(shù)據(jù)，而 BeautifulSoup 庫(kù)可以幫助你處理和過(guò)濾數(shù)據(jù)，那么你將精確得到你所需要的。如果你要去這條路線，請(qǐng)小心使用權(quán)問題。

在這個(gè)例子中，我們將獲取許多國(guó)家人均 GDP（一個(gè)技術(shù)術(shù)語(yǔ)，意思是一個(gè)國(guó)家的人均收入）的維基百科表格，并在 Python 中使用 Pandas 庫(kù)對(duì)數(shù)據(jù)進(jìn)行排序。

首先，導(dǎo)入我們需要的庫(kù)。

需要 Pandas 庫(kù)處理我們的數(shù)據(jù)。需要 numpy 庫(kù)來(lái)執(zhí)行數(shù)值的操作和轉(zhuǎn)換。我們需要 requests 庫(kù)來(lái)從網(wǎng)站獲取 HTML 數(shù)據(jù)。需要 BeautifulSoup 來(lái)處理這些數(shù)據(jù)。最后，需要 Python（re）的正則表達(dá)式庫(kù)來(lái)更改在處理數(shù)據(jù)時(shí)將出現(xiàn)的某些字符串。

在 Python 中,不需要知道很多關(guān)于正則表達(dá)式的知識(shí)，但它們是一個(gè)強(qiáng)大的工具，可用于匹配和替換某些字符串或子字符串。如果你想了解更多，請(qǐng)參考以下內(nèi)容。

02 信任這個(gè)網(wǎng)站的一些代碼

這是一個(gè)更具技術(shù)性的解釋，詳細(xì)說(shuō)明如何使用 Python 代碼來(lái)獲取 HTML 表格。

你可以將上面的代碼復(fù)制粘貼到你自己的 Anaconda 中，如果你用一些 Python 代碼運(yùn)行，可以迭代它！

下面是代碼的輸出，如果你不修改它，就是所謂的字典。

你會(huì)注意到逗號(hào)分隔起來(lái)的括號(hào)的 key-value 列表。每個(gè)括號(hào)內(nèi)的列表都代表了我們 dataframe 中的一行，每列都以 key 表示：我們正在處理一個(gè)國(guó)家的排名，人均 GDP（以美元表示）及其名稱（用「國(guó)家」）。

有關(guān)數(shù)據(jù)結(jié)構(gòu)，如列表和詞典，如何在 Python 中的運(yùn)行的更多信息，本篇將有所幫助。

幸運(yùn)的是，為了將數(shù)據(jù)移動(dòng)到 Pandas dataframe 中，我們不需要理解這些數(shù)據(jù)，這是將數(shù)據(jù)聚合到 SQL 表或 Excel 電子表格的類似方式。使用一行代碼，我們已經(jīng)將這些數(shù)據(jù)分配并保存到 Pandas dataframe 中 —— 事實(shí)證明是這種情況，字典是要轉(zhuǎn)換為 dataframe 的完美數(shù)據(jù)格式。

通過(guò)這個(gè)簡(jiǎn)單的 Python 賦值給變量 gdp，我們現(xiàn)在有了一個(gè) dataframe，可以在我們編寫 gdp 的時(shí)候打開和瀏覽。我們可以為該詞添加 Python 方法，以創(chuàng)建其中的數(shù)據(jù)的策略視圖。作為我們剛剛在 Python 中使用等號(hào)和賦值的一點(diǎn)深入了解，很有幫助。

03 快速查看數(shù)據(jù)

現(xiàn)在，如果要快速查看我們所做的工作，我們可以使用 head() 方法，它與 Excel 中的選擇幾行或SQL中的 LIMIT 方法非常相似。輕松地使用它來(lái)快速查看數(shù)據(jù)集，而無(wú)需加載整個(gè)數(shù)據(jù)集！如果要查看特定數(shù)量的行，還可以在 head() 方法中插入行數(shù)。

我們得到的輸出是人均 GDP 數(shù)據(jù)集的前五行（head 方法的默認(rèn)值），我們可以看到它們整齊地排列成三列以及索引列。請(qǐng)注意，Python 索引從0開始，而不是1，這樣，如果要調(diào)用 dataframe 中的第一個(gè)值，則使用0而不是1！你可以通過(guò)在圓括號(hào)內(nèi)添加你選擇的數(shù)字來(lái)更改顯示的行數(shù)。試試看！

04 重命名列

有一件你在 Python 中很快意識(shí)到的事是，具有某些特殊字符（例如$）的名稱處理可能變得非常麻煩。我們將要重命名某些列，在 Excel 中，可以通過(guò)單擊列名稱并鍵入新名稱，在SQL中，你可以執(zhí)行 ALTER TABLE 語(yǔ)句或使用 SQL Server 中的 sp_rename。

在 Pandas 中，這樣做的方式是rename 方法。

在實(shí)現(xiàn)上述方法時(shí)，我們將使用列標(biāo)題 「gdp_per_capita」 替換列標(biāo)題「US $」。一個(gè)快速的 .head() 方法調(diào)用確認(rèn)已經(jīng)更改。

05 刪除列

有一些數(shù)據(jù)損壞！如果你查看 Rank 列，你會(huì)注意到散亂的隨機(jī)破折號(hào)。這不是很好，由于實(shí)際的數(shù)字順序被破壞，這使得 Rank 列無(wú)用，特別是使用 Pandas 默認(rèn)提供的編號(hào)索引。

幸運(yùn)的是，使用內(nèi)置的 Python 方法：del，刪除列變得很容易。

現(xiàn)在，通過(guò)另外調(diào)用 head 方法，我們可以確認(rèn) dataframe 不再包含 rank 列。

06 在列中轉(zhuǎn)換數(shù)據(jù)類型

有時(shí)，給定的數(shù)據(jù)類型很難使用。這個(gè)方便的教程將分解 Python 中不同數(shù)據(jù)類型之間的差異，以便你需要復(fù)習(xí)。

在 Excel 中，你可以右鍵單擊并找到將列數(shù)據(jù)轉(zhuǎn)換為不同類型的數(shù)據(jù)的方法。你可以復(fù)制一組由公式呈現(xiàn)的單元格，并將其粘貼為值，你可以使用格式選項(xiàng)快速切換數(shù)字，日期和字符串。

有時(shí)候，在 Python 中切換一種數(shù)據(jù)類型為其他數(shù)據(jù)類型并不容易，但當(dāng)然有可能。

我們首先在 Python 中使用 re 庫(kù)。我們將使用正則表達(dá)式來(lái)替換 gdp_per_capita 列中的逗號(hào)，以便我們可以更容易地使用該列。

re.sub 方法本質(zhì)上是使用空格替換逗號(hào)。以下詳細(xì)介紹了 re庫(kù) 的各個(gè)方法。

現(xiàn)在我們已經(jīng)刪除了逗號(hào)，我們可以輕易地將列轉(zhuǎn)換為數(shù)字。

現(xiàn)在我們可以計(jì)算這列的平均值。

我們可以看到，人均 GDP 的平均值約為13037.27美元，如果這列被判斷為字符串（不能執(zhí)行算術(shù)運(yùn)算），我們就無(wú)法做到這一點(diǎn)?，F(xiàn)在，可以對(duì)我們以前不能做的人均 GDP 列進(jìn)行各種計(jì)算，包括通過(guò)不同的值過(guò)濾列，并確定列的百分位數(shù)值。

07 選擇/過(guò)濾數(shù)據(jù)

任何數(shù)據(jù)分析師的基本需求是將大型數(shù)據(jù)集分割成有價(jià)值的結(jié)果。為了做到這一點(diǎn)，你必須檢查一部分?jǐn)?shù)據(jù)：這對(duì)選擇和過(guò)濾數(shù)據(jù)是非常有幫助的。在 SQL 中，這是通過(guò)混合使用 SELECT 和不同的其他函數(shù)實(shí)現(xiàn)的，而在 Excel 中，可以通過(guò)拖放數(shù)據(jù)和執(zhí)行過(guò)濾器來(lái)實(shí)現(xiàn)。

你可以使用 Pandas 庫(kù)不同的方法或查詢快速過(guò)濾。

作為一個(gè)快速的代表，只顯示人均 GDP 高于 5 萬(wàn)美元的國(guó)家。

這是這樣做到的：

我們?yōu)橐粋€(gè)新的 dataframe 分配一個(gè)布爾索引的過(guò)濾器，這個(gè)方法基本上就是說(shuō)「創(chuàng)建一個(gè)人均 GDP 超過(guò) 50000 的新 dataframe」。現(xiàn)在我們可以顯示gdp50000。

有12個(gè)國(guó)家的 GDP 超過(guò) 50000！

選擇屬于以 s 開頭的國(guó)家的行。

現(xiàn)在可以顯示一個(gè)新 dataframe，其中只包含以 s 開頭的國(guó)家。使用 len 方法快速檢查（一個(gè)用于計(jì)算 dataframe 中的行數(shù)的救星?。┍硎疚覀冇?25 個(gè)國(guó)家符合。

要是我們想把這兩個(gè)過(guò)濾條件連在一起呢？

這里是連接過(guò)濾的方法。在多個(gè)過(guò)濾條件之前，你想要了解它的工作原理。你還需要了解 Python 中的基本操作符。為了這個(gè)練習(xí)的目的，你只需要知道「&」代表 AND，而「|」代表 Python 中的 OR。然而，通過(guò)更深入地了解所有基礎(chǔ)運(yùn)算符，你可以用各種條件輕松地處理的數(shù)據(jù)。

讓我們繼續(xù)工作，并在過(guò)濾選擇以「S」開頭且有大于 50,000 人均 GDP 的國(guó)家。

現(xiàn)在過(guò)濾以「S」開頭 或人均 GDP 超過(guò) 50000 的國(guó)家。

我們正在努力處理 Pandas 中的過(guò)濾視圖。

08 用計(jì)算機(jī)來(lái)處理數(shù)據(jù)

沒有可以幫助計(jì)算不同的結(jié)果的方法，那么 Excel 會(huì)變成什么？

在這種情況下，Pandas 大量依賴于 numpy 庫(kù)和通用 Python 語(yǔ)法將計(jì)算放在一起。對(duì)我們一直在研究的 GDP 數(shù)據(jù)集進(jìn)行一系列簡(jiǎn)單的計(jì)算。例如，計(jì)算人均國(guó)民生產(chǎn)總值超過(guò) 5 萬(wàn)的總和。

這將給你答案為 770046 。使用相同的邏輯，我們可以計(jì)算各種的值 — 完整列表位于左側(cè)菜單欄下的計(jì)算/描述性統(tǒng)計(jì)部分的 Pandas 文檔。

09 數(shù)據(jù)可視化（圖表/圖形）

數(shù)據(jù)可視化是一個(gè)非常強(qiáng)大的工具 – 它允許你以可理解的格式與其他人分享你獲得的見解。畢竟，一張照片值得一千字。SQL 和 Excel 都具有將查詢轉(zhuǎn)換為圖表和圖形的功能。使用 seaborn 和 matplotlib 庫(kù)，你可以使用 Python 執(zhí)行相同操作。

有關(guān)數(shù)據(jù)可視化選項(xiàng)的綜合的教程 – 我最喜歡的是這個(gè) Github readme document （全部在文本中），它解釋了如何在 Seaborn 中構(gòu)建概率分布和各種各樣的圖。這應(yīng)該讓你了解 Python 中數(shù)據(jù)可視化的強(qiáng)大功能。如果你感到不知所措，你可以使用一些解決方案，如Plot.ly，這可能更直觀地掌握。

我們不會(huì)檢查每一個(gè)數(shù)據(jù)可視化選項(xiàng)，只要說(shuō)使用 Python，可以比任何 SQL 提供的功能具有更強(qiáng)大的可視化功能，必須權(quán)衡使用 Python 獲得更多的靈活性，以及在 Excel 中通過(guò)模板生成圖表的簡(jiǎn)易性。

在這種情況下，我們將建立一個(gè)簡(jiǎn)單的直方圖，顯示人均 GDP 超過(guò) 5 萬(wàn)美元的國(guó)家的人均 GDP 分布。

有了這個(gè)強(qiáng)大的直方圖方法 (hist())，我們現(xiàn)在可以生成一個(gè)直方圖，顯示出大部分人均 GDP 在 5 萬(wàn)到 7 萬(wàn)美元之間！

10 分組和連接數(shù)據(jù)

在 Excel 和 SQL 中，諸如 JOIN 方法和數(shù)據(jù)透視表之類的強(qiáng)大工具可以快速匯總數(shù)據(jù)。

Pandas 和 Python 共享了許多從 SQL 和 Excel 被移植的相同方法?？梢栽跀?shù)據(jù)集中對(duì)數(shù)據(jù)進(jìn)行分組，并將不同的數(shù)據(jù)集連接在一起。你可以看看這里的文檔。你會(huì)發(fā)現(xiàn)，由 Pandas 中的merge 方法提供的連接功能與 SQL 通過(guò) join 命令提供的連接功能非常相似，而 Pandas 還為過(guò)去在 Excel 中使用數(shù)據(jù)透視表的人提供了 pivot table 方法。

我們將制定的人均 GDP 的表格與世界銀行的世界發(fā)展指數(shù)清單進(jìn)行簡(jiǎn)單的連接。

首先導(dǎo)入世界發(fā)展指數(shù)的 .csv文件。

使用 .head() 方法快速查看這個(gè)數(shù)據(jù)集中的不同列。

現(xiàn)在我們完成了，我們可以快速看看，添加了幾個(gè)可以操作的列，包括不同年份的數(shù)據(jù)來(lái)源。

現(xiàn)在我們來(lái)合并數(shù)據(jù)：

我們現(xiàn)在可以看到，這個(gè)表格包含了人均 GDP 列和具有不同列的遍及全國(guó)的數(shù)據(jù)。對(duì)于熟悉 SQL join 的用戶，你可以看到我們正在對(duì)原始 dataframe 的 Country 列進(jìn)行內(nèi)部連接。

現(xiàn)在我們有一個(gè)連接表，我們希望將國(guó)家和人均 GDP 按其所在地區(qū)進(jìn)行分組。

我們現(xiàn)在可以使用 Pandas 中的 group 方法排列按區(qū)域分組的數(shù)據(jù)。

要是我們想看到 groupby 總結(jié)的永久觀點(diǎn)怎么辦？Groupby 操作創(chuàng)建一個(gè)可以被操縱的臨時(shí)對(duì)象，但是它們不會(huì)創(chuàng)建一個(gè)永久接口來(lái)為構(gòu)建聚合結(jié)果。為此，我們必須使用 Excel 用戶的舊喜愛：數(shù)據(jù)透視表。幸運(yùn)的是，Pandas 擁有強(qiáng)大的數(shù)據(jù)透視表方法。

你會(huì)看到我們收集了一些不需要的列。幸運(yùn)的是,使用 Pandas 中的 drop 方法，你可以輕松地刪除幾列。

現(xiàn)在我們可以看到，人均 GDP 根據(jù)世界不同地區(qū)而不同。我們有一個(gè)干凈的、包含我們想要的數(shù)據(jù)的表。

這是一個(gè)非常膚淺的分析：你想實(shí)際做一個(gè)加權(quán)平均數(shù)，因?yàn)槊總€(gè)國(guó)家的人均 GDP 不代表一個(gè)群體中每個(gè)國(guó)家的人均 GDP，因?yàn)樵谌后w中的人口不同。

事實(shí)上，你將要重復(fù)我們所有的計(jì)算，包括反映每個(gè)國(guó)家的人口列的方法！看看你是否可以在剛剛啟動(dòng)的 Python notebook 中執(zhí)行此操作。如果你可以弄清楚，你將會(huì)很好地將 SQL 或 Excel 知識(shí)轉(zhuǎn)移到 Python 中。