Python数据分析

Python数据分析知识量：13 - 56 - 232

1.1 为什么选择Python><

强大的类库支持- 1.1.1 -

Python数据分析具体来说就是指：利用Python编程技术，对各种类型的数据进行读取、清洗、分类、计算、存储等操作，来实现数据分析的目的。

经过长久的发展，Python已经得到了一系列优秀的类库的支持，例如：著名的Numpy、Pandas、Matplotlib等。Python也发展成为数据分析及可视化、数据科学、机器学习、人工智能等领域最重要的语言之一，这些都离不开强大类库的支持。

胶水语言- 1.1.2 -

在科学计算方面，有许多早已成熟的程序集合（类库、程序包），这些都是多年积累的宝贵财富，而且经过了无数次迭代优化，性能已经十分优异。但是，这些程序集合许多都是使用C、FORTRAN等语言编写的，它们之间以及与Java等现代编程语言很难协调工作。

Python与以上语言可以很好的进行交互、协同工作。因此，Python成为连接各种类库的胶水语言。

Python的弱点- 1.1.3 -

Python简洁、易学、可扩展且功能强大，但也并非没有缺点，最重要的一项就是运行速度相对不高。因为是解释型语言，在运行速度上是不能与C++、Java等编译型语言相比的。在编程时间更宝贵时可以选择Python；在运行时间更宝贵时就应当果断放弃Python了，选择C语言或许更加明智。好在作为胶水语言，Python可以与各种性格的语言和谐相处，运行效率低也就不是其致命缺陷了。

Python数据分析

1.背景知识

1.1 为什么选择Python

1.2 重要的模块

2.NumPy数组

2.1 ndarray多维数组

2.2 创建普通数组

2.3 创建特殊数组

2.4 创建随机数组

2.5 数组的属性

2.6 选取一维数据

2.7 选取多维数组

2.8 数据预处理

2.9 数组重塑

2.10 数组合并

2.11 数据分析函数

3.pandas基础

3.1 Series数据结构

3.2 DataFrame数据结构

4.获取数据

4.1 导入Excel数据

4.2 导入csv文件

4.3 导入txt文件

4.4 导入sql文件

5.预处理数据

5.1 熟悉数据

5.2 处理缺失值

5.3 处理重复值

5.4 处理异常值

5.5 类型转换

5.6 设置索引

6.选择数据

6.1 选择列

6.2 选择行

6.3 选择行列

7.操作数据

7.1 数据替换

7.2 数据排序

7.3 数据排名

7.4 数据删除

7.5 数据计数

7.6 数据查找

7.7 数据切分

7.8 操作行列

7.9 高级数据操作

8.数据计算

8.1 算术运算

8.2 比较运算

8.3 汇总计算

9.分组与透视

9.1 数据分组

9.2 数据透视表

10.表的拼接

10.1 横向拼接

10.2 纵向拼接

11.时间序列

11.1 获取当前时刻

11.2 指定日期时间格式

11.3 时间格式转换

11.4 时间索引

11.5 时间计算

12.保存文件

12.1 保存为Excel文件

12.2 保存为CSV文件

13.数据可视化

13.1 画布和坐标系

13.2 常用图表类型

13.3 设置坐标轴

13.4 设置图表格式

13.5 绘制复杂图表

1.1 为什么选择Python><

强大的类库支持- 1.1.1 -

胶水语言- 1.1.2 -

Python的弱点- 1.1.3 -