利用Python进行数据分析 基础系列随笔汇总

一共 15 篇随笔，主要是为了记录数据分析过程中的一些小 demo，分享给其他需要的网友，更为了方便以后自己查看，15 篇随笔，每篇内容基本都是以一句说明加一段代码的方式， 保持简单小巧，看起来也清晰 ，一共可以划分为三个大部分：

第一部分简单介绍数据分析，以一个小例子简单说明了什么是数据分析和 IPython 工具；

第二部分是 NumPy 的基础使用，NumPy 是 Python 包，提供科学计算功能，主要是 ndarray 数组对象；

第三部分是 pandas 的基础使用，主要是 Series 和 DataFrame 对象，这两个对象提供了处理结构化数据相关的数据结构和函数，pandas 的矢量操作对数组来说很方便，可以很轻松地完成很多对数据的处理，比如数据清洗、转换与合并。

第一部分 简单介绍

(1) 简单介绍

(2) 尝试处理一份JSON数据并生成条形图

(3) 使用IPython提高开发效率

第一部分 NumPy基础

(4) NumPy基础: ndarray简单介绍

(5) NumPy基础: ndarray索引和切片

(6) NumPy基础: 矢量计算

第一部分 pandas基础

(7) pandas基础: Series和DataFrame的简单介绍

(8) pandas基础: Series和DataFrame的基本操作

(9) pandas基础: 汇总统计和计算

(10) pandas基础: 处理缺失数据

(11) pandas基础: 层次化索引

(12) pandas基础: 数据合并

(13) pandas基础: 数据重塑/轴向旋转

(14) pandas基础: 数据转换

(15) pandas基础: 字符串操作

其实数据分析不仅仅只有这些，还有其它几个大的方面还没有涉及，比如数据的读取存储和数据的可视化，不过我打算先去学习下数据挖掘的知识，再回过头来继续学习数据分析的知识，我觉得这样更更适合我，所以接下来我会继续记录分享一些数据采集方面的知识，对这方面感兴趣的朋友欢迎关注本博客，也欢迎大家添加评论进行讨论。

时间： 2024-10-15 11:38:17

利用Python进行数据分析 基础系列随笔汇总的相关文章

利用 Python 进行数据分析（五）NumPy 基础：ndarray 索引和切片

概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为array[index1:index2],意思是从index1索引位置开始,到index2索引(不包括index2)位置结束的一段数组.例如: 当把一个值赋值为一个切片时,该值会作用于此数组片段里每一个元素,例如: 二维数组 二维数组的索引 当以一维数组的索引方式访问一个二维数组的时候,获取的元素不在

利用 Python 进行数据分析（四）NumPy 基础：ndarray 简单介绍

一.NumPy 是什么 NumPy 是 Python 科学计算的基础包,它专为进行严格的数字处理而产生.在之前的随笔里已有更加详细的介绍,这里不再赘述. 利用 Python 进行数据分析(一)简单介绍 二.ndarray 是什么 ndarray 是一个多维的数组对象,具有矢量算术运算能力和复杂的广播能力,并具有执行速度快和节省空间的特点. ndarray 的一个特点是同构:即其中所有元素的类型必须相同. 三.ndarray 的创建 array() 函数 最简单的方法, 使用 NumPy 提供的

利用 Python 进行数据分析（九）pandas 汇总统计和计算

pandas 对象拥有一些常用的数学和统计方法.   例如,sum() 方法,进行列小计: sum() 方法传入 axis=1 指定为横向汇总,即行小计: idxmax() 获取最大值对应的索引: 还有一种汇总是累计型的,cumsum(),比较它和 sum() 的区别: unique() 方法用于返回数据里的唯一值: value_counts() 方法用于统计各值出现的频率: isin() 方法用于判断成员资格: 安装步骤已经在首篇随笔里写过了,这里不在赘述.利用 Python 进行数据分析(一

利用Python进行数据分析_Pandas_汇总和计算描述统计

申明:本系列文章是自己在学习<利用Python进行数据分析>这本书的过程中,为了方便后期自己巩固知识而整理. 原文地址:https://www.cnblogs.com/zhouwp/p/8485462.html

《利用Python进行数据分析》之pandas的时间序列基础

本章以<利用python进行数据分析>的第10章:时间序列 为基础,整理了pandas 库中时间序列相关用法. 时间序列数据的意义取决于具体的应用场景,主要有以下几种: 时间戳(timestamp) 固定时期(period) 时间间隔(interval) 实验或过程时间 pandas提供了一组标准的时间序列处理工具和算法,可以轻松的对时间序列进行切片.聚合,对定期/不定期的时间序列进行重采样等. 这些工具大部分对金融和经济数据尤为有用,同时也可以用来分析服务器和日志数据. 1.日期和时间数据类

《利用Python进行数据分析&#183;第2版》第四章 Numpy基础：数组和矢量计算

<利用Python进行数据分析·第2版>第四章 Numpy基础:数组和矢量计算 numpy高效处理大数组的数据原因: numpy是在一个连续的内存块中存储数据,独立于其他python内置对象.其C语言编写的算法库可以操作内存而不必进行其他工作.比起内置序列,使用的内存更少(即时间更快,空间更少) numpy可以在整个数组上执行复杂的计算,而不需要借助python的for循环 4.0 前提知识 数据:结构化的数据代指所有的通用数据,如表格型,多维数组,关键列,时间序列等 相关包:numpy pa

利用Python进行数据分析（一）简单介绍

一.处理数据的基本内容 数据分析 是指对数据进行控制.处理.整理.分析的过程. 在这里,“数据”是指结构化的数据,例如:记录.多维数组.Excel 里的数据.关系型数据库中的数据.数据表等. 二.说说 Python 这门语言 Python 是现在最受欢迎的动态编程语言之一(还有 Perl.Ruby 等).近些年非常流行用 Python 建站,比如流行的 Python Web 框架 Django. Python 这类语言被称为脚本语言,因为它们可以编写简短粗糙的小程序,即脚本.不过这好像在说 Py

利用python进行数据分析——（一）库的学习

总结一下自己对python常用包:Numpy,Pandas,Matplotlib,Scipy,Scikit-learn 一. Numpy: 标准安装的Python中用列表(list)保存一组值,可以用来当作数组使用,不过由于列表的元素可以是任何对象,因此列表中所保存的是对象的指 针.这样为了保存一个简单的[1,2,3],需要有3个指针和三个整数对象.对于数值运算来说这种结构显然比较浪费内存和CPU计算时间. 此外Python还提供了一个array模块,array对象和列表不同,它直接保存数值,和

利用 Python 进行数据分析（三）使用 IPython 提高开发效率

一.IPython 简介 IPython 是一个交互式的 Python 解释器,而且它更加高效. 它和大多传统工作模式(编辑 -> 编译 -> 运行)不同的是, 它采用的工作模式是:执行 -> 探索 ,而大部分和数据分析相关的代码都含有探索式操作(比如试误法和迭代法),所以 IPython 能大大提高编码效率. IPython 发展到现在,它不仅仅只是一个加强版的 Python shell 了, 它集成了 GUI 控制台,这可以让你直接进行绘图操作:它还有一个基于 Web 的交互式笔记本