第一章：Python数据分析前的基础铺垫

本节概要

- 数据类型

- 数据结构

- 数据的常用操作方法

---

数据类型

基础铺垫

定义

• 我们搞数据时，首先要告诉Python我们的数据类型是什么
  • 数值型：直接写一个数字即可
  • 逻辑型：True,False(首字母大写)
  • 字符型：单引号、双引号、三引号

赋值

• 用等号给变量贴标签

变量－赋值的对象是变量

• 命名规则
• 命名规则

逻辑型（Logical）

布尔值：只有两种取值（0和1，True和False）

运算规则：

运算符	注释	规则
&	与	一个为假，结果为假
｜	或	一个为真，结果为真
not	非	非真为假，非假为真

数值型（Numeric）

实数

运算规则

• 加、减、乘、除

字符型（Character）

如何定义字符串-单引号、双引号、三引号

---

数据结构

引言：为什么要将数据类型？

前面的逻辑型、数值型、字符型都是针对一个数据来讲的；

我们要研究现实问题时，数据往往是以集合的形式出现的

如何理解？

有关联的数据维度集合

• 数据结构是一个理论性很强的知识点，但是这里我们不要纠结过多的原理，因为它真的很简单，可以这样理解，我们工作中大多EXCEL和SQL中有行和列的数据表格，都可以看作是数据结构的集合

• 学python数据分析的朋友，一定要有SQL基础，我建议学Mysql，理由很简单，facebook、淘宝、京东、微博全都是用的mysql

Pandas中的两种数据结构

Series(系列)

定义

系列是用于存储一行或者一列的数据，以及与之相关的索引的集合

index	姓名
0	数据分析－jacky
1	李嘉诚
2	扎克伯格

• 系列可以理解为Excel表格一列的数据，只是这一列是没有列名的，因为它只有一列，不需要列名。

• 索引，类同于数据库，我们可以通过索引（index）对用的值，访问到数组（姓名）的值。

• 在Pandas 中，默认索引都是从0开始的。

如何定义一个系列？

• 从pandas包中导入Series对象

from pandas import Series

• 得到系列对象：使用Series对象的构造函数，把一个数组作为参数传入

x=Series(['a',True,1])

操作

增

• 往一个定义好的数据中增加数据

• 系列的append方法，只能增加系列，不能增加单个值

特别注意：

n=Series(['9'])#要加引号；
x.append(n)＃只会返回到一个新的序列，并不会返回到变量x
x=x.append(n)#特别关键的一步，这样才真正的给x变量增加了数据

删

x.drop(0)#根据索引删除
x.drop(x.index[3])#根据位置删除
x['9'!=x.values]#使用保留的方法，把不是要删除的数据保留下来

查

'9'in x.values #判断9这个值是否存在
x[0:2]  #切片
x[[1,2,0]]#这个比较重要，定位获取，用于随机抽样

DataFrame(数据框)

定义

数据框是用来存储多行或多列的数据集合

index	age	name
0	19	Mr.liu
1	30	Jacky
2	42	Andy

• 可以理解为Excel中的表格

如何定义一个系列？

• 首先生成一个数据框，导入pandas中的数据框类

from pandas import DataFrame

• 使用DataFrame对象的构造函数，输入一个字典来构造数据框，这个数据框的写法，就是以列名作为Key,列数据以数组的方式在后面输入即可。

df=DataFrame(
    data={
    'age':[19,30,42],
    'name':['Mr.liu','Jacky','Andy']
    },
    index=['0','1','2']
)

• 做自定义索引与系统是形同的

操作

增

• 通过loc属性

df.loc[len(df)]=[100,'zhuyuanlu']#增加行
df['newColumn']=[111,222,333]

删

• drop属性，根据axis轴参数，来确定是删除行，还是删除列，axis=0是行，axis=1是列

df.drop('firs',axis=0) #删除行
df.drop('age',axis=1) #删除列

改

• 修改列名，查看columns属性，对columns属性重新赋值

• 修改行索引，index属性

查

对于数据分析来说，增删改查，一定是查最重要

df['age'] #按列访问，访问一列
df[['age','name']]#按列访问，访问多列
df[0:1] #按行访问，切片
df.loc[['firs','seco']]＃按行索引
df.iloc[1:2,1:2]＃按行列号访问
df.at['their','age']

---

向量化（数组）运算

pandas是以系列和数据框为基本运算对象，讲到这，有朋友会问了，jacky,我记得你讲python基础时说过，list 容器也有“类似于”pandas或numpy中数组的功能，那为什么我们还要学panda和numpy呢？

拿numpy举例来说，numpy中基本的运算对象为数组，numpy数组在数值运算方面的效率要远远，远远优于Python提供的list容易，并且使用numpy可以在代码中省区很多的循环语句，因此其代码比等价的Python代码更为简洁。

更重要的，或说更加实操的区别是：两者的输出结果在形式上会有明显的区别，numpysum()函数的输出不包含逗号，但是list容器一定是包含括号的，这点在数据可视化时会有明显的不同。

代码中尽可能避免显式for循环

过早的优化是魔鬼

向量化运算非常优美和高效，所以我们尽量使用向量化计算

---

基础课程回顾：

range函数用法

• range函数的参数：

#第一个参数是for循环变量开始的值，第二个是参数是上限，但不含它，也就是循环停止的数据
for i in range(12,16):
    print(i)

• 以上代码显示：12 13 14 15

＃range()函数也可以有第三个参数。前两个参数分别是起始值和终止值，第三个参数是“步长”。步长是每次迭代后循环变量增加的值。
for i range(0,10,2):
    print(i)

• 以上代码显示：0 2 4 6 8

---

用range函数生成的等差数列只能是整数，用 for 循环才能将它输出来，只能用于遍历

接下来我们用numpy包中arrange方法，该方法生成的就是一个数组对象，而且可以使用小数进行生成。

四则运算

函数

• 使用numpy的乘方函数power,3次方

比较运算

矩阵运算

是一种特殊的向量运算，它的运算规则可以结合线性代数看一下

numpy.dot(r,r.T)
sum(r*r)

数据框的向量化运算

#生成一个随机数的数据框
from pandas import DataFrame
df=DataFrame({
    'data1':numpy.random.randn(5),
    'data2':numpy.random.randn(5)
})
＃找出每一列的最小值
df.apply(min)

• 按列最小值进行遍历，默认axis=0

#找出每行最小值
df.apply(min,axis=1)