1.為什么選擇Python進(jìn)行數(shù)據(jù)分析？

Python是一門動(dòng)態(tài)的、面向?qū)ο蟮哪_本語(yǔ)言，同時(shí)也是一門簡(jiǎn)約，通俗易懂的編程語(yǔ)言。Python入門簡(jiǎn)單，代碼可讀性強(qiáng)，一段好的Python代碼，閱讀起來(lái)像是在讀一篇外語(yǔ)文章。Python這種特性稱為“偽代碼”，它可以使你只關(guān)心完成什么樣的工作任務(wù)，而不是糾結(jié)于Python的語(yǔ)法。

另外，Python是開(kāi)源的，它擁有非常多優(yōu)秀的庫(kù)，可以用于數(shù)據(jù)分析及其他領(lǐng)域。更重要的是，Python與最受歡迎的開(kāi)源大數(shù)據(jù)平臺(tái)Hadoop具有很好的兼容性。因此，學(xué)習(xí)Python對(duì)于有志于向大數(shù)據(jù)分析崗位發(fā)展的數(shù)據(jù)分析師來(lái)說(shuō)，是一件非常節(jié)省學(xué)習(xí)成本的事。

Python的眾多優(yōu)點(diǎn)讓它成為最受歡迎的程序設(shè)計(jì)語(yǔ)言之一，國(guó)內(nèi)外許多公司也已經(jīng)在使用Python，例YouTube，Google，阿里云等等。

2.編程基礎(chǔ)

要學(xué)習(xí)如何用Python進(jìn)行數(shù)據(jù)分析， CDA數(shù)據(jù)分析師建議第一步是要了解一些Python的編程基礎(chǔ)，知道Python的數(shù)據(jù)結(jié)構(gòu)，什么是向量、列表、數(shù)組、字典等等；了解Python的各種函數(shù)及模塊。下圖整理了這一階段要掌握的知識(shí)點(diǎn)：

3.數(shù)據(jù)分析流程

Python是數(shù)據(jù)分析利器，掌握了Python的編程基礎(chǔ)后，就可以逐漸進(jìn)入數(shù)據(jù)分析的奇妙世界。CDA數(shù)據(jù)分析師認(rèn)為一個(gè)完整的數(shù)據(jù)分析項(xiàng)目大致可分為以下五個(gè)流程：

1)數(shù)據(jù)獲取

一般有數(shù)據(jù)分析師崗位需求的公司都會(huì)有自己的數(shù)據(jù)庫(kù)，數(shù)據(jù)分析師可以通過(guò)SQL查詢語(yǔ)句來(lái)獲取數(shù)據(jù)庫(kù)中想要數(shù)據(jù)。Python已經(jīng)具有連接sql server、mysql、orcale等主流數(shù)據(jù)庫(kù)的接口包，比如pymssql、pymysql、cx_Oracle等。

而獲取外部數(shù)據(jù)主要有兩種獲取方式，一種是獲取國(guó)內(nèi)一些網(wǎng)站上公開(kāi)的數(shù)據(jù)資料，例如國(guó)家統(tǒng)計(jì)局；一種是通過(guò)編寫爬蟲代碼自動(dòng)爬取數(shù)據(jù)。如果希望使用Python爬蟲來(lái)獲取數(shù)據(jù)，我們可以使用以下Python工具：

Requests-主要用于爬取數(shù)據(jù)時(shí)發(fā)出請(qǐng)求操作。

BeautifulSoup-用于爬取數(shù)據(jù)時(shí)讀取XML和HTML類型的數(shù)據(jù)，解析為對(duì)象進(jìn)而處理。

Scapy-一個(gè)處理交互式數(shù)據(jù)的包，可以解碼大部分網(wǎng)絡(luò)協(xié)議的數(shù)據(jù)包

2)數(shù)據(jù)存儲(chǔ)

對(duì)于數(shù)據(jù)量不大的項(xiàng)目，可以使用excel來(lái)進(jìn)行存儲(chǔ)和處理，但對(duì)于數(shù)據(jù)量過(guò)萬(wàn)的項(xiàng)目，使用數(shù)據(jù)庫(kù)來(lái)存儲(chǔ)與管理會(huì)更高效便捷。

3)數(shù)據(jù)預(yù)處理

進(jìn)群：960410445 即可獲取書十套PDF！

數(shù)據(jù)預(yù)處理也稱數(shù)據(jù)清洗。大多數(shù)情況下，我們拿到手的數(shù)據(jù)是格式不一致，存在異常值、缺失值等問(wèn)題的，而不同項(xiàng)目數(shù)據(jù)預(yù)處理步驟的方法也不一樣。CDA數(shù)據(jù)分析師認(rèn)為數(shù)據(jù)分析有80%的工作都在處理數(shù)據(jù)。如果選擇Python作為數(shù)據(jù)清洗的工具的話，我們可以使用Numpy和Pandas這兩個(gè)工具庫(kù)：

Numpy - 用于Python中的科學(xué)計(jì)算。它非常適用于與線性代數(shù)，傅里葉變換和隨機(jī)數(shù)相關(guān)的運(yùn)算。它可以很好地處理多維數(shù)據(jù)，并兼容各種數(shù)據(jù)庫(kù)。

Pandas –Pandas是基于Numpy擴(kuò)展而來(lái)的，可以提供一系列函數(shù)來(lái)處理數(shù)據(jù)結(jié)構(gòu)和運(yùn)算，如時(shí)間序列等。

4)建模與分析

這一階段首先要清楚數(shù)據(jù)的結(jié)構(gòu)，結(jié)合項(xiàng)目需求來(lái)選取模型。

常見(jiàn)的數(shù)據(jù)挖掘模型有：

在這一階段，Python也具有很好的工具庫(kù)支持我們的建模工作：

scikit-learn-適用Python實(shí)現(xiàn)的機(jī)器學(xué)習(xí)算法庫(kù)。scikit-learn可以實(shí)現(xiàn)數(shù)據(jù)預(yù)處理、分類、回歸、降維、模型選擇等常用的機(jī)器學(xué)習(xí)算法。

Tensorflow-適用于深度學(xué)習(xí)且數(shù)據(jù)處理需求不高的項(xiàng)目。這類項(xiàng)目往往數(shù)據(jù)量較大，且最終需要的精度更高。

5)可視化分析

數(shù)據(jù)分析最后一步是撰寫數(shù)據(jù)分析報(bào)告，這也是數(shù)據(jù)可視化的一個(gè)過(guò)程。在數(shù)據(jù)可視化方面，Python目前主流的可視化工具有：

Matplotlib-主要用于二維繪圖，它能讓使用者很輕松地將數(shù)據(jù)圖形化，并且提供多樣化的輸出格式。

Seaborn-是基于matplotlib產(chǎn)生的一個(gè)模塊，專攻于統(tǒng)計(jì)可視化，可以和Pandas進(jìn)行無(wú)縫鏈接。

按照這個(gè)流程，每個(gè)階段所涉及的知識(shí)點(diǎn)可以細(xì)分如下：

從上圖我們也可以得知，在整個(gè)數(shù)據(jù)分析流程，無(wú)論是數(shù)據(jù)提取、數(shù)據(jù)預(yù)處理、數(shù)據(jù)建模和分析，還是數(shù)據(jù)可視化，Python目前已經(jīng)可以很好地支持我們的數(shù)據(jù)分析工作。