数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的?

最近，Analysis with Programming加入了Planet Python。我这里来分享一下如何通过Python来开始数据分析。具体内容如下：

数据导入

导入本地的或者web端的CSV文件；

数据变换；

数据统计描述；

假设检验

单样本t检验；

可视化；

创建自定义函数。

数据导入

• 1

  这是很关键的一步，为了后续的分析我们首先需要导入数据。通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。在Python中，我们的操作如下：

  import pandas as pd

  # Reading data locally

  df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')

  # Reading data from web

  data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"

  df = pd.read_csv(data_url)

  为了读取本地CSV文件，我们需要pandas这个数据分析库中的相应模块。其中的read_csv函数能够读取本地和web数据。

  END

数据变换

• 1

  既然在工作空间有了数据，接下来就是数据变换。统计学家和科学家们通常会在这一步移除分析中的非必要数据。我们先看看数据（下图）

  对R语言程序员来说，上述操作等价于通过print(head(df))来打印数据的前6行，以及通过print(tail(df))来打印数据的后6行。当然Python中，默认打印是5行，而R则是6行。因此R的代码head(df, n = 10)，在Python中就是df.head(n = 10)，打印数据尾部也是同样道理

  

  请点击输入图片描述

• 2

  在R语言中，数据列和行的名字通过colnames和rownames来分别进行提取。在Python中，我们则使用columns和index属性来提取，如下：

  # Extracting column names

  print df.columns

  # OUTPUT

  Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')

  # Extracting row names or the index

  print df.index

  # OUTPUT

  Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')

• 3

  数据转置使用T方法，

  # Transpose data

  print df.T

  # OUTPUT

  0      1     2      3     4      5     6      7     8      9   

  Abra      1243   4158  1787  17152  1266   5576   927  21540  1039   5424   

  Apayao    2934   9235  1922  14501  2385   7452  1099  17038  1382  10588   

  Benguet    148   4287  1955   3536  2530    771  2796   2463  2592   1064   

  Ifugao    3300   8063  1074  19607  3315  13134  5134  14226  6842  13828   

  Kalinga  10553  35257  4544  31687  8520  28252  3106  36238  4973  40140   

  ...       69     70     71     72     73     74     75     76     77  

  Abra     ...    12763   2470  59094   6209  13316   2505  60303   6311  13345   

  Apayao   ...    37625  19532  35126   6335  38613  20878  40065   6756  38902   

  Benguet  ...     2354   4045   5987   3530   2585   3519   7062   3561   2583   

  Ifugao   ...     9838  17125  18940  15560   7746  19737  19422  15910  11096   

  Kalinga  ...    65782  15279  52437  24385  66148  16513  61808  23349  68663   

  78  

  Abra      2623  

  Apayao   18264  

  Benguet   3745  

  Ifugao   16787  

  Kalinga  16900  

  Other transformations such as sort can be done using sort attribute. Now let's extract a specific column. In Python, we do it using either iloc or ix attributes, but ix is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

• 4

  其他变换，例如排序就是用sort属性。现在我们提取特定的某列数据。Python中，可以使用iloc或者ix属性。但是我更喜欢用ix，因为它更稳定一些。假设我们需数据第一列的前5行，我们有：

  print df.ix[:, 0].head()   

  # OUTPUT 0     1243 1     4158 2     1787 3    17152 4     1266 Name: Abra, dtype: int64

• 5

  顺便提一下，Python的索引是从0开始而非1。为了取出从11到20行的前3列数据，我们有

  print df.ix[10:20, 0:3]

  # OUTPUT

  Abra  Apayao  Benguet

  10    981    1311     2560

  11  27366   15093     3039

  12   1100    1701     2382

  13   7212   11001     1088

  14   1048    1427     2847

  15  25679   15661     2942

  16   1055    2191     2119

  17   5437    6461      734

  18   1029    1183     2302

  19  23710   12222     2598

  20   1091    2343     2654

  上述命令相当于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

• 6

  为了舍弃数据中的列，这里是列1(Apayao)和列2(Benguet)，我们使用drop属性，如下：

  print df.drop(df.columns[[1, 2]], axis = 1).head()

  # OUTPUT

  Abra  Ifugao  Kalinga

  0   1243    3300    10553

  1   4158    8063    35257

  2   1787    1074     4544

  3  17152   19607    31687

  4   1266    3315     8520

  axis 参数告诉函数到底舍弃列还是行。如果axis等于0，那么就舍弃行。

  END

统计描述

• 1

  下一步就是通过describe属性，对数据的统计特性进行描述：

  print df.describe()

  # OUTPUT

  Abra        Apayao      Benguet        Ifugao       Kalinga

  count     79.000000     79.000000    79.000000     79.000000     79.000000

  mean   12874.379747  16860.645570  3237.392405  12414.620253  30446.417722

  std    16746.466945  15448.153794  1588.536429   5034.282019  22245.707692

  min      927.000000    401.000000   148.000000   1074.000000   2346.000000

  25%     1524.000000   3435.500000  2328.000000   8205.000000   8601.500000

  50%     5790.000000  10588.000000  3202.000000  13044.000000  24494.000000

  75%    13330.500000  33289.000000  3918.500000  16099.500000  52510.500000

  max    60303.000000  54625.000000  8813.000000  21031.000000  68663.000000

  END

假设检验

• 1

  Python有一个很好的统计推断包。那就是scipy里面的stats。ttest_1samp实现了单样本t检验。因此，如果我们想检验数据Abra列的稻谷产量均值，通过零假设，这里我们假定总体稻谷产量均值为15000，我们有：

  from scipy import stats as ss

  # Perform one sample t-test using 1500 as the true mean

  print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)

  # OUTPUT

  (-1.1281738488299586, 0.26270472069109496)

  返回下述值组成的元祖：

  t : 浮点或数组类型t统计量

  prob : 浮点或数组类型two-tailed p-value 双侧概率值

• 2

  通过上面的输出，看到p值是0.267远大于α等于0.05，因此没有充分的证据说平均稻谷产量不是150000。将这个检验应用到所有的变量，同样假设均值为15000，我们有：

  print ss.ttest_1samp(a = df, popmean = 15000)

  # OUTPUT

  (array([ -1.12817385,   1.07053437, -65.81425599,  -4.564575  ,   6.17156198]),

  array([  2.62704721e-01,   2.87680340e-01,   4.15643528e-70,

  1.83764399e-05,   2.82461897e-08]))

  第一个数组是t统计量，第二个数组则是相应的p值

  END

可视化

• 1

  Python中有许多可视化模块，最流行的当属matpalotlib库。稍加提及，我们也可选择bokeh和seaborn模块。之前的博文中，我已经说明了matplotlib库中的盒须图模块功能。

  

  请点击输入图片描述

• 2

  # Import the module for plotting

  import matplotlib.pyplot as plt

  plt.show(df.plot(kind = 'box'))

  现在，我们可以用pandas模块中集成R的ggplot主题来美化图表。要使用ggplot，我们只需要在上述代码中多加一行，

  import matplotlib.pyplot as plt

  pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2

  df.plot(kind = 'box')

• 3

  这样我们就得到如下图表：

  

  请点击输入图片描述

• 4

  比matplotlib.pyplot主题简洁太多。但是在本文中，我更愿意引入seaborn模块，该模块是一个统计数据可视化库。因此我们有：

  # Import the seaborn library

  import seaborn as sns

  # Do the boxplot

  plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))

  

  请点击输入图片描述

• 5

  多性感的盒式图，继续往下看。

  

  请点击输入图片描述

• 6

  plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))

  

  请点击输入图片描述

• 7

  plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))

  

  请点击输入图片描述

• 8

  with sns.axes_style("white"):

  plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))

  

  请点击输入图片描述

• 9

  plt.show(sns.lmplot("Benguet", "Ifugao", df))

  END

创建自定义函数

• 在Python中，我们使用def函数来实现一个自定义函数。例如，如果我们要定义一个两数相加的函数，如下即可：

  def add_2int(x, y):

  return x + y

  print add_2int(2, 2)

  # OUTPUT

  4

• 顺便说一下，Python中的缩进是很重要的。通过缩进来定义函数作用域，就像在R语言中使用大括号{…}一样。这有一个我们之前博文的例子：

  产生10个正态分布样本，其中和

  基于95%的置信度，计算和 ;

  重复100次; 然后

  计算出置信区间包含真实均值的百分比

  Python中，程序如下：

  import numpy as np

  import scipy.stats as ss

  def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

  m = np.zeros((rep, 4))

  for i in range(rep):

  norm = np.random.normal(loc = mu, scale = sigma, size = n)

  xbar = np.mean(norm)

  low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  if (mu > low) & (mu < up):

  rem = 1

  else:

  rem = 0

  m[i, :] = [xbar, low, up, rem]

  inside = np.sum(m[:, 3])

  per = inside / rep

  desc = "There are " + str(inside) + " confidence intervals that contain " 

  "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

  return {"Matrix": m, "Decision": desc}

• 上述代码读起来很简单，但是循环的时候就很慢了。下面针对上述代码进行了改进，这多亏了 Python专家

  import numpy as np

  import scipy.stats as ss

  def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

  scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

  norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

  xbar = norm.mean(1)

  low = xbar - scaled_crit

  up = xbar + scaled_crit

  rem = (mu > low) & (mu < up)

  m = np.c_[xbar, low, up, rem]

  inside = np.sum(m[:, 3])

  per = inside / rep

  desc = "There are " + str(inside) + " confidence intervals that contain " 

  "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

  return {"Matrix": m, "Decision": desc}

大数据！大数据！其实是离不开数据二字，但是总体来讲，自己之前对数据的认知是不太够的，更多是在关注技术的提升上。换句话讲，自己是在做技术，这些技术处理的是数据，而不能算是自己是在做数据的。大规模数据的处理是一个非常大的课题，但是这一点更偏向于是搞技术的。

与数据分析相关的Python库很多，比如Numpy、pandas、matplotlib、scipy等，数据分析的操作包括数据的导入和导出、数据筛选、数据描述、数据处理、统计分析、可视化等等。接下来我们看一下如何利用Python完成数据的分析。
生成数据表
常见的生成方法有两种，第一种是导入外部数据，第二种是直接写入数据，Python支持从多种类型的数据导入。在开始使用Python进行数据导入前需要先导入pandas库，为了方便起见，我们也同时导入Numpy库。代码是最简模式，里面有很多可选参数设置，例如列名称、索引列、数据格式等等。
检查数据表
Python中使用shape函数来查看数据表的维度，也就是行数和列数。你可以使用info函数查看数据表的整体信息，使用dtypes函数来返回数据格式。Isnull是Python中检验空值的函数，你可以对整个数据表进行检查，也可以单独对某一列进行空值检查，返回的结果是逻辑值，包含空值返回True，不包含则返回False。使用unique函数查看唯一值，使用Values函数用来查看数据表中的数值。
数据表清洗
Python中处理空值的方法比较灵活，可以使用Dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充。Python中dtype是查看数据格式的函数，与之对应的是astype函数，用来更改数据格式，Rename是更改列名称的函数，drop_duplicates函数删除重复值，replace函数实现数据替换。
数据预处理
数据预处理是对清洗完的数据进行整理以便后期的统计和分析工作，主要包括数据表的合并、排序、数值分列、数据分组及标记等工作。在Python中可以使用merge函数对两个数据表进行合并，合并的方式为inner，此外还有left、right和outer方式。使用ort_values函数和sort_index函数完成排序，使用where函数完成数据分组，使用split函数实现分列。
数据提取
主要是使用三个函数：loc、iloc和ix，其中loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。除了按标签和位置提起数据以外，还可以按具体的条件进行数据，比如使用loc和isin两个函数配合使用，按指定条件对数据进行提取。
数据筛选汇总
Python中使用loc函数配合筛选条件来完成筛选功能，配合sum和 count函数还能实现excel中sumif和countif函数的功能。Python中使用的主要函数是groupby和pivot_table。groupby是进行分类汇总的函数，使用方法很简单，制定要分组的列名称就可以，也可以同时制定多个列名称，groupby 按列名称出现的顺序进行分组。