数据分析师最爱的脚本语言--Python，你会了吗？

原创 ZZ数据分析人人都是数据分析师

据各种专业和业余的统计，在机器学习领域，Python语言的热度逐年上升。作为一种计算机程序设计语言，以简洁，易读性被广泛选择。伴随着大数据，深度学习领域的迅速发展，Python作为实现这些方法的友好语言，其拥护者也急剧上升。然而，Python的远远不止于此，编写应用程序，创建游戏，设计算法等等都可以应用其实现。那么，如此强大的编程语言。你是否掌握了呢？

本篇引入为以后的机器学习分享做基础，作为入门级教程，适合久闻Python其名，苦于无法找准门路的同学们。大佬们都说Python语言最简单，为何学习之路仍苦难重重？读过好多书籍，仍无法入门？那是因为对于无基础的同学，一门新的综合性的语言实在过于繁杂。而写书的Boss们长时间在编程界顶层，无法理解最底层的同学们可能在安装这一步都难以通过。对于初学者，往往一个简单的小Bug，足以劝退一颗热忱的心。有范君为了避免这种情况的出现，使入门过程更平滑。让同学们顺顺利利的入门Python。特意亲身试验以下全部过程，确保准确。

作为机器学习系列分享的导引内容，不介绍Python语言的数据类型，语法等基础知识，直接对机器学习三个最基础的包：Numpy，Pandas，Sklearn (Scikit-Learn)进行演示。通过学习演示，模拟编程，项目实践的过程，实现从入门到精通的平滑化过程。同时也加快Python和机器学习主题的融合过程，之前的R语言的分享中，有范君自己的观点就是入门一定要快。

安装教程

对于安装Python，大多数书籍普遍推荐Anaconda组件，这里我们也不例外。主要是这个组件对于初学者比较友好，主动的安装了大量的依赖包。同时十分方便查找帮助教程。如何安装呢？官网奉上：https://www.anaconda.com/。下载过程：Download -> 下滑后选择对应操作系统 -> Download(64/32位)。

但是官网安装一般是最新的版本，这里有一个问题就是，Python一些相关的包并没有更新，可能不支持最新的版本。所以，这里建议下载一个教新的版本就好。那么奉上历史版本Anaconda的下载地址（清华源）：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/。选择Anaconda3-5.0.1即可。下载完成，进入安装过程，过程只有下图地方需要注意一下，以下图中两个勾选框都要选中，你要问不选中会怎样，只能说后果自负哦。

安装完成，打开Spyder编辑器或者Jupyter Notebook，什么，找不到？喏，看下图。

打开的Spyder编辑器如下图所示，十分友好，与RStudio布局十分相似。当然，你可以修改字体，布局相关设置。在工具栏的Tools -> preferences中设置即可。关于Jupyter Notebook不多介绍，与Spyder不同风格，各有优势，选用就可以了。到了这一步，那么恭喜你，安装成功，如果在这之前出现了问题，可以在下面留言，接下来我们进行正题，Pyhton之中三大数据科学包的使用。

Numpy

为什么学习Numpy？相对于Python内置的列表，对于高维数据的储存和处理提供了更友好的表现和实现形式。

利用Numpy创建所需数组

在处理实际机器学习问题的时候，数据是我们处理的核心对象。于Python中引入数据，无外乎有两种形式，从外部文件中读入数据，或者构建一些数据。那么在构建数据的时候，Numpy显得格外强大！

# -*- coding: utf-8 -*-

## numpy 
import numpy as np

# 创建一个numpy数组
array_items = np.array([1,4,5])
print(array_items)

# 生成有规律的数据
# 注意生成数组的统一形式，参数为数组的维度和内容

print("生成均为0的数组:",'\n',np.zeros(10,dtype = int))

print("生成均为1的数组:",'\n',np.ones((3,5),dtype = float))

print("生成为指定数字的数组:",'\n',np.full((3,5),3.14))

print("生成0~20之间，间隔为2的数组:",'\n',np.arange(0,20,2))

print("生成10个0~20之间，均匀间隔的数组:",'\n',np.linspace(0,20,10))

print("生成均匀分布的数组:",'\n',np.random.random((3,3)))

print("生成正态分布的数组:",'\n',np.random.normal(0,1,(3,3)))

print("生成随机整数的数组:",'\n',np.random.randint(0,10,(3,3)))

print("生成单位阵:",'\n',np.eye(3))

*****Result of Print*****
生成均为0的数组: 
 [0 0 0 0 0 0 0 0 0 0]
生成均为1的数组: 
 [[ 1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.]]
生成为指定数字的数组: 
 [[ 3.14  3.14  3.14  3.14  3.14]
 [ 3.14  3.14  3.14  3.14  3.14]
 [ 3.14  3.14  3.14  3.14  3.14]]
生成0~20之间，间隔为2的数组: 
 [ 0  2  4  6  8 10 12 14 16 18]
生成10个0~20之间，均匀间隔的数组: 
 [  0.           2.22222222   4.44444444   6.66666667   8.88888889
  11.11111111  13.33333333  15.55555556  17.77777778  20.        ]
生成均匀分布的数组: 
 [[ 0.98877834  0.18669815  0.04938441]
 [ 0.55236765  0.77685265  0.37389794]
 [ 0.03420347  0.53582416  0.64340042]]
生成正态分布的数组: 
 [[ 0.87811807 -0.24126201  0.33558333]
 [ 0.52183808 -0.81386997  0.19239122]
 [-0.87644177 -0.29260062 -0.19571332]]
生成随机整数的数组: 
 [[3 3 7]
 [9 1 4]
 [9 9 4]]
生成单位阵: 
 [[ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]]

利用Numpy操作数组

对于得到的数组，为了满足我们的控制欲望，显然我们最希望的是可以对它们进行随心所欲的操作。包括显示任意位置的数字，顺序、逆序显示，使两个数组横着拼、竖着拼等等。

## 生成三个测试数组
np.random.seed(1234) # 随机种子，可复现结果
ExampleArray1 = np.random.random((2,2))
ExampleArray2 = np.random.normal(0,1,(2,2))
ExampleArray3 = np.random.randint(0,10,5)

# 索引指定位置数据
print("ExampleArray1:",'\n',ExampleArray1)
print("行逆序显示:",'\n',ExampleArray1[::-1,:])
print("列逆序显示:",'\n',ExampleArray1[:,::-1])
print("完全逆序显示:",'\n',ExampleArray1[::-1,::-1])
print("索引[0,0]位置数据:",'\n',ExampleArray1[0,0])
print("索引第一列数据:",'\n',ExampleArray1[:,0])
print("索引第一行数据:",'\n',ExampleArray1[0,:])

print("ExampleArray2:",'\n',ExampleArray2)
print("行拼接:",'\n',np.concatenate([ExampleArray1,ExampleArray2],
                                 axis = 0))
print("列拼接:",'\n',np.concatenate([ExampleArray1,ExampleArray2],
                                 axis = 1))

print("ExampleArray3:",'\n',ExampleArray3)
print("顺序排序:",'\n',np.sort(ExampleArray3))
print("逆序排序:",'\n',np.sort(ExampleArray3)[::-1])

*****Result of Print*****
ExampleArray1: 
 [[ 0.19151945  0.62210877]
 [ 0.43772774  0.78535858]]
行逆序显示: 
 [[ 0.43772774  0.78535858]
 [ 0.19151945  0.62210877]]
列逆序显示: 
 [[ 0.62210877  0.19151945]
 [ 0.78535858  0.43772774]]
完全逆序显示: 
 [[ 0.78535858  0.43772774]
 [ 0.62210877  0.19151945]]
索引[0,0]位置数据: 
 0.191519450379
索引第一列数据: 
 [ 0.19151945  0.43772774]
索引第一行数据: 
 [ 0.19151945  0.62210877]
ExampleArray2: 
 [[-0.72058873  0.88716294]
 [ 0.85958841 -0.6365235 ]]
行拼接: 
 [[ 0.19151945  0.62210877]
 [ 0.43772774  0.78535858]
 [-0.72058873  0.88716294]
 [ 0.85958841 -0.6365235 ]]
列拼接: 
 [[ 0.19151945  0.62210877 -0.72058873  0.88716294]
 [ 0.43772774  0.78535858  0.85958841 -0.6365235 ]]
ExampleArray3: 
 [6 8 0 5 0]
顺序排序: 
 [0 0 5 6 8]
逆序排序: 
 [8 6 5 0 0]

利用Numpy进行通用函数计算

Numpy里面封装了许多常用的数值计算的函数，可以很方便进行一些基础计算。

# 数组计算
np.random.seed(1111) # 随机种子，可复现结果
ExampleArray4 = np.random.randint(0,10,5)
print("ExampleArray4:",'\n',ExampleArray4)

print("指数运算:",'\n',np.exp(ExampleArray4))
print("对数运算:",'\n',np.log(ExampleArray4))
print("求和运算:",'\n',np.sum(ExampleArray4))
print("求积运算:",'\n',np.multiply.reduce(ExampleArray4))
print("累加运算:",'\n',np.add.accumulate(ExampleArray4))
print("累积百分比:",'\n',np.add.accumulate(ExampleArray4)/np.sum(ExampleArray4))
print("取最大运算:",'\n',np.max(ExampleArray4))

*****Result of Print*****
ExampleArray4: 
 [7 5 1 2 4]
指数运算: 
 [ 1096.63315843   148.4131591      2.71828183     7.3890561     54.59815003]
对数运算: 
 [ 1.94591015  1.60943791  0.          0.69314718  1.38629436]
求和运算: 
 19
求积运算: 
 280
累加运算: 
 [ 7 12 13 15 19]
累积百分比: 
 [ 0.36842105  0.63157895  0.68421053  0.78947368  1.]
取最大运算: 
 7

Pandas

Numpy在实际数据操作过程中给我们提供了很多方便，但是大多数情况下，我们需要从外部文件中获取原数据，虽然存取数据的方式有很多，但是Pandas包绝对是你不容错过的一款。另外，Pandas包的强大远不止于此，其高效的DataFrame数据结构，具有行列标签的数组，是重多从事数据科学人员的最舒适的结构。

利用Pandas存取数据

# -*- coding: utf-8 -*-

import pandas as pd
import os

print("当前工作目录:",os.getcwd())
## 注意，如果默认路径非code文件夹，需要运行下面语句改为code文件夹路径，具体路径参考个人下载的路径，
## 例如将文件下载在D盘，那么将"path/to/code"换为"D:/A_TechnologyScience/python/code"
## os.chdir("path/to/code")
ExampleDataPath = "../data/Example.csv"
## 从csv文件读取数据
ExampleData = pd.read_csv(ExampleDataPath,encoding = 'gbk')
print("数据类型:",'\n',type(ExampleData))
print("数据维度:",'\n',ExampleData.shape)
print("显示前5行数据:",'\n',ExampleData.head())

## DataFrame保持为csv文件
ExampleSavePath = "../data/ExampleSave.csv"
ExampleData.to_csv(ExampleSavePath,index = False)

利用Padans操作数据

## 操作数据
## 索引：loc iloc
## loc:显式索引，使用行列名来索引数据
## iloc:隐式索引，使用行列的序号索引数据
print("显式索引:",'\n',ExampleData.loc[0:2,["学历","男生"]])
print("隐式索引:",'\n',ExampleData.iloc[0:2,0:2])

## 注意到它们之间的区别，显式索引的0:2指行名为0，1，2，所以输出三行隐式索引的0：2指行的序号0：2，python内置的机## 制一般是取前舍后，即0：2，取0，1，舍掉2，最后显示前两行。

## DataFrame扩展
ExampleData['睡眠时间'] = [8,7,6,5,4]
print("添加一列:",'\n',ExampleData.head())
ExampleData = ExampleData.append({"学历":"幼儿园","男生":5 ,"女生":7,"睡眠时间":10},ignore_index=True)
print("添加一行:",'\n',ExampleData.head(6))

## 数据统计数据分析
print("统计指标:",'\n',ExampleData.describe())

*****Result of Print*****
显式索引: 
     学历  男生
0  小学生  10
1  中学生  20
2  大学生  25
隐式索引: 
     学历  男生
0  小学生  10
1  中学生  20
添加一列: 
     学历  男生  女生  睡眠时间
0  小学生  10  15     8
1  中学生  20  27     7
2  大学生  25  35     6
3  研究生  37  21     5
4  博士生  16  20     4
添加一行: 
     学历  男生  女生  睡眠时间
0  小学生  10  15     8
1  中学生  20  27     7
2  大学生  25  35     6
3  研究生  37  21     5
4  博士生  16  20     4
5  幼儿园   5   7    10
统计指标: 
               男生         女生       睡眠时间
count   6.000000   6.000000   6.000000
mean   18.833333  20.833333   6.666667
std    11.373947   9.641922   2.160247
min     5.000000   7.000000   4.000000
25%    11.500000  16.250000   5.250000
50%    18.000000  20.500000   6.500000
75%    23.750000  25.500000   7.750000
max    37.000000  35.000000  10.000000

Pandas内置的功能远远不止于这些，例如其数据清洗，数据透视表，Groupby函数，Merge拼接函数等等。作为入门指南，先简单介绍到这里。

Sklearn

Sklearn是Python内实现机器学习算法的模块。以其干净，统一，高效的特性被广泛使用。由于篇幅的原因，我们在后续的实践中，逐渐掌握这个模块。

总结

做一篇Python数据分析的完整教程需要耗费的心血远远超出作者的预期，本篇旨在提供一片入门级的教程，希望缩减后的内容可以被读者更容易接收和理解，通过试着运行本篇代码，降低对Python的陌生感。更进一步的介绍将在后续的内容上呈上。另外本篇内容结合作者实践和主要参考书籍《Python数据科学手册 Jake,VanderPlas著陶俊杰，陈小莉译》，如有兴趣，可移步原书籍，系统学习。本文相关代码和数据详见：https://github.com/ncepumas/A_TechnologyScience/tree/master/python。

关注我们

长按二维码