十個 Python 小技巧，覆蓋了90%的數(shù)據(jù)分析需求！
數(shù)據(jù)分析師日常工作會涉及各種任務(wù)，比如數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析、機器學習模型創(chuàng)建、模型部署。
在本文中，我將分享10個 Python 操作，它們可覆蓋90%的數(shù)據(jù)分析問題。有所收獲點贊、收藏、關(guān)注。
1、閱讀數(shù)據(jù)集
閱讀數(shù)據(jù)是數(shù)據(jù)分析的組成部分，了解如何從不同的文件格式讀取數(shù)據(jù)是數(shù)據(jù)分析師的第一步。下面是如何使用 pandas 讀取包含 Covid-19 數(shù)據(jù)的 csv 文件的示例。
import pandas as pd
# reading the countries_data file along with the location within read_csv function.
countries_df = pd.read_csv('C:/Users/anmol/Desktop/Courses/Python for Data Science/Code/countries_data.csv')
# showing the first 5 rows of the dataframe
countries_df.head()
以下是 countries_df.head() 的輸出，我們可以使用它查看數(shù)據(jù)框的前 5 行：
2、匯總統(tǒng)計
下一步就是通過查看數(shù)據(jù)匯總來了解數(shù)據(jù)，例如 NewConfirmed、TotalConfirmed 等數(shù)字列的計數(shù)、均值、標準偏差、分位數(shù)以及國家代碼等分類列的頻率、最高出現(xiàn)值
countries_df.describe()
使用 describe 函數(shù)，我們可以得到數(shù)據(jù)集連續(xù)變量的摘要，如下所示：
在 describe() 函數(shù)中，我們可以設(shè)置參數(shù)"include = 'all'"來獲取連續(xù)變量和分類變量的摘要
countries_df.describe(include = 'all')
3、數(shù)據(jù)選擇和過濾
分析其實不需要數(shù)據(jù)集的所有行和列，只需要選擇感興趣的列并根據(jù)問題過濾一些行。
例如，我們可以使用以下代碼選擇 Country 和 NewConfirmed 列：
countries_df[['Country','NewConfirmed']]
我們還可以將數(shù)據(jù)過濾Country，使用 loc，我們可以根據(jù)一些值過濾列，如下所示：
countries_df.loc[countries_df['Country'] == 'United States of America']
4、聚合
計數(shù)、總和、均值等數(shù)據(jù)聚合，是數(shù)據(jù)分析最常執(zhí)行的任務(wù)之一。
我們可以使用聚合找到各國的 NewConfimed 病例總數(shù)。使用 groupby 和 agg 函數(shù)執(zhí)行聚合。
countries_df.groupby(['Country']).agg({'NewConfirmed':'sum'})
5、Join
使用 Join 操作將 2 個數(shù)據(jù)集組合成一個數(shù)據(jù)集。
例如：一個數(shù)據(jù)集可能包含不同國家/地區(qū)的 Covid-19 病例數(shù)，另一個數(shù)據(jù)集可能包含不同國家/地區(qū)的緯度和經(jīng)度信息。
現(xiàn)在我們需要結(jié)合這兩個信息，那么我們可以執(zhí)行如下所示的連接操作
countries_lat_lon = pd.read_excel('C:/Users/anmol/Desktop/Courses/Python for Data Science/Code/countries_lat_lon.xlsx')
# joining the 2 dataframe : countries_df and countries_lat_lon
# syntax : pd.merge(left_df, right_df, on = 'on_column', how = 'type_of_join')
joined_df = pd.merge(countries_df, countries_lat_lon, on = 'CountryCode', how = 'inner')
joined_df
6、內(nèi)建函數(shù)
了解數(shù)學內(nèi)建函數(shù)，如 min()、max()、mean()、sum() 等，對于執(zhí)行不同的分析非常有幫助。
我們可以通過調(diào)用它們直接在數(shù)據(jù)幀上應(yīng)用這些函數(shù)，這些函數(shù)可以在列上或在聚合函數(shù)中獨立使用，如下所示：
# finding sum of NewConfirmed cases of all the countries
countries_df['NewConfirmed'].sum()
# Output : 6,631,899
# finding the sum of NewConfirmed cases across different countries
countries_df.groupby(['Country']).agg({'NewConfirmed':'sum'})
# Output
# NewConfirmed
#Country
#Afghanistan 75
#Albania 168
#Algeria 247
#Andorra 0
#Angola 53
7、用戶自定義函數(shù)
我們自己編寫的函數(shù)是用戶自定義函數(shù)。我們可以在需要時通過調(diào)用該函數(shù)來執(zhí)行這些函數(shù)中的代碼。例如，我們可以創(chuàng)建一個函數(shù)來添加 2 個數(shù)字，如下所示：
# User defined function is created using 'def' keyword, followed by function definition - 'addition()'
# and 2 arguments num1 and num2
def addition(num1, num2):
return num1+num2
# calling the function using function name and providing the arguments
print(addition(1,2))
#output : 3
8、Pivot
Pivot 是將一列行內(nèi)的唯一值轉(zhuǎn)換為多個新列，這是很棒的數(shù)據(jù)處理技術(shù)。
在 Covid-19 數(shù)據(jù)集上使用 pivot_table() 函數(shù)，我們可以將國家名稱轉(zhuǎn)換為單獨的新列：
# using pivot_table to convert values within the Country column into individual columns and
# filling the values corresponding to these columns with numeric variable - NewConfimed
pivot_df = pd.pivot_table(countries_df, columns = 'Country', values = 'NewConfirmed')
pivot_df
9、遍歷數(shù)據(jù)框
很多時候需要遍歷數(shù)據(jù)框的索引和行，我們可以使用 iterrows 函數(shù)遍歷數(shù)據(jù)框：
# iterating over the index and row of a dataframe using iterrows() function
for index, row in countries_df.iterrows():
print('Index is ' + str(index))
print('Country is '+ str(row['Country']))
# Output :
# Index is 0
# Country is Afghanistan
# Index is 1
# Country is Albania
# .......
10、字符串操作
很多時候我們處理數(shù)據(jù)集中的字符串列，在這種情況下，了解一些基本的字符串操作很重要。
例如如何將字符串轉(zhuǎn)換為大寫、小寫以及如何找到字符串的長度。
# country column to upper case
countries_df['Country_upper'] = countries_df['Country'].str.upper()
# country column to lower case
countries_df['CountryCode_lower']=countries_df['CountryCode'].str.lower()
# finding length of characters in the country column
countries_df['len'] = countries_df['Country'].str.len()
countries_df.head()
