小白学 Python 数据分析（1）：数据分析基础

各位同窗好，小编接下来为你们分享一些有关 Python 数据分析方面的内容，但愿你们可以喜欢。

人工植入广告：

PS：小编最近两天偷了点懒，很久没有发原创了，最近是在 CSDN 开通了一个付费专栏，用来发布去年写的没有出版的书稿，感兴趣的同窗能够去看下（已经上传了一部分，第一章设置为了试读章节），主要是讲 SpringCloud 微服务方面的一些内容，总体排版下来若是是印在实体书上应该会超过 400 页，也算是一本比较厚的书，固然小编这个专栏的价格并不贵，只要 9.9 ，总体是没有通过审校的，可能错别字会比较多，固然，就这个价格，还要啥自行车呢。

数据分析是什么？

我们言归正传哈，在全部事情的以前，先了解一件事情，什么是数据分析？

有问题固然是先百度啊，这还用问！

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的做用。数据分析是为了提取有用信息和造成结论而对数据加以详细研究和归纳总结的过程。

数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操做成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。

百度的这个释义看着有点没讲人话，小编来简单的总结汇总下：

数据分析这个东西有一个很重要的点是：大量数据 这个划重点了啊，要考的。

至于多大的数据叫大量数据，其实这个也没有一个准确的定义，能够认为 1MB 的数据是大量数据，也能够认为 1GB 的数据是大量数据，也能够认为 1PB 的数据是大量数据，可是无论怎么说，这个数据量必定要大，不能是几十条几百条的数据，这种数量级的数据一眼看到底。

接下来是第二个点：数学，对的，没看错，是数学，尤为是统计学，当咱们拥有了大量的数据之后，使用数学的方式对数据进行必定程度的处理，接下来结合具体的业务分析数据，达到最终咱们所须要的目的，好比对一些业务进行监控、提升企业的经营效率、优化企业的管理结构等等。

在没有计算机的年代，大量的数据即便有数学的支持，进行大数据分析也是一件很难的事情，多的不说，各位同窗先思考一下，若是不借助计算器，若是有 1百万 个数据，须要简单的画一个折线图，人工处理须要多长时间。

因此百度百科最后一句话是数据分析是数学和计算机科学的相结合的产物。

就业前景

到这里确定不少同窗会问，数据分析这个职业的工做好很差找哇，这个职业天天主要是作什么呢？

关于这个问题，其实最好解决，直接上招聘网站看下相关的招聘信息和对这个岗位的要求就行了。

小编简单查了下 51Job 的上海地区的数据分析师的招聘信息，突然发现一件事儿，感受可能要砸不少培训机构的饭碗了，好像并无大量的数据分析师的岗位要求掌握 Python 这个技能树啊。

简单看几个 JD ：

公司信息小编抹掉了，从招聘信息中看到，好像数据分析和 Python 并没与什么实际的联系啊，对了，确实没有什么确切的关系，只能说是在处理大数据的是时候，如今使用 Python 比较方便，若是数据量没那么大的话，使用 Excel 同样能处理的。

若是学这个是为了找一份数据分析的工做，如今能够出门左转了，小编郑重声明，看了小编的文章是真的找不到一份数据分析的工做的。

若是是抱着技多不压身的目的，作一点提早的只是储备，那么能够接着往下看了。

为何须要数据分析？

在聊这个问题以前，咱们先看几个经典的大数据分析的案例：

1. 啤酒与尿布

全球零售业巨头沃尔玛在对消费者购物行为分析时发现，男性顾客在购买婴儿尿片时，经常会顺便搭配几瓶啤酒来犒劳本身，因而尝试推出了将啤酒和尿布摆在一块儿的促销手段。没想到这个举措竟然使尿布和啤酒的销量都大幅增长了。现在，“啤酒＋尿布”的数据分析成果早已成了大数据技术应用的经典案例，被人津津乐道。

2. Google成功预测冬季流感

2009年，Google经过分析5000万条美国人最频繁检索的词汇，将之和美国疾病中心在2003年到2008年间季节性流感传播时期的数据进行比较，并创建一个特定的数学模型。最终google成功预测了2009冬季流感的传播甚至能够具体到特定的地区和州。

数据分析能够把隐藏在大量数据背后的信息提炼出来，总结出来数据的内在规律。

数据分析这种方式逐步在取代企业中之前的那种拍脑壳的决策方式，所以愈来愈多的企业开始重视数据分析，这里从数据分析的招聘岗位上也能够看到。

工具

上面说了这么多数据分析的背景，其实只是想大体让各位同窗了解下什么是个数据分析，不想看直接跳过也没啥关系。

关于数据分析的工具这个就是一个仁者见仁智者见智的事情了，工具实在是太多了，从 Excel 到各类各样的数据， SQL 语句， R 语言以及咱们计划在将来介绍的 Python 。

具体工具的选择更可能是看使用场景，若是在数据量不大的状况下，若是你正好对 Excel 的使用比较熟悉，那么 Excel 就是最优解，这个毋庸置疑。

若是数据量已经很是大了，存储在各类各样的结构化数据库中，那么 SQL 语言就是不可或缺的工具，在若是数据量已经很是大了，存储在大数据集群上，那么使用 R 语言或者 Python 或许是一个不错的选择。

在 Python 中，有三个工具包被称为数据分析三剑客： Pandas 、 Numpy 、 Matplotlib 。

Pandas

官网：pandas.pydata.org/

中文网：www.pypandas.cn/

Pandas 是什么？

Pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。

利器之一 DataFrame：

DataFrame是Pandas中的一个表格型的数据结构，包含有一组有序的列，每列能够是不一样的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，能够被看作是由Series组成的字典。

利器之一 Series：

它是一种相似于一维数组的对象，是由一组数据(各类NumPy数据类型)以及一组与之相关的数据标签(即索引)组成。仅由一组数据也可产生简单的Series对象。

Numpy

官网：numpy.org/

中文网：www.numpy.org.cn/

Numpy 是什么？

NumPy是使用Python进行科学计算的基础软件包。除其余外，它包括：

• 功能强大的N维数组对象。
• 精密广播功能函数。
• 集成 C/C+和Fortran 代码的工具。
• 强大的线性代数、傅立叶变换和随机数功能。

利器之一 Ndarray：

NumPy 最重要的一个特色是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每一个元素在内存中都有相同存储大小的区域。

利器之一 切片和索引：

ndarray对象的内容能够经过索引或切片来访问和修改，与 Python 中 list 的切片操做同样。ndarray 数组能够基于 0 - n 的下标进行索引，切片对象能够经过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。

Matplotlib

官网：www.matplotlib.org/

中文网：www.matplotlib.org.cn/

Matplotlib 是什么？

Matplotlib 是一个 Python 的 2D 绘图库，它以各类硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。

Matplotlib 能帮你？

绘制线图、散点图、等高线图、条形图、柱状图、3D 图形、、甚至是图形动画等等。

由于小编是要分享 Python 相关的内容，那么固然接下来的文章将会围绕上面这三个工具展开，咱们会详细的聊聊这个 Python 数据分析三剑客的使用方式。

若是个人文章对您有帮助，请扫码关注下做者的公众号：获取最新干货推送：）