日本综合一区二区|亚洲中文天堂综合|日韩欧美自拍一区|男女精品天堂一区|欧美自拍第6页亚洲成人精品一区|亚洲黄色天堂一区二区成人|超碰91偷拍第一页|日韩av夜夜嗨中文字幕|久久蜜综合视频官网|精美人妻一区二区三区

RELATEED CONSULTING
相關(guān)咨詢
選擇下列產(chǎn)品馬上在線溝通
服務(wù)時間：8:30-17:00
你可能遇到了下面的問題
關(guān)閉右側(cè)工具欄

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案
8個Python高效數(shù)據(jù)分析的技巧

不管是參加Kaggle比賽，還是開發(fā)一個深度學(xué)習(xí)應(yīng)用，***步總是數(shù)據(jù)分析。

網(wǎng)站的建設(shè)創(chuàng)新互聯(lián)專注網(wǎng)站定制,經(jīng)驗豐富,不做模板,主營網(wǎng)站定制開發(fā).小程序定制開發(fā),H5頁面制作!給你煥然一新的設(shè)計體驗!已為成都發(fā)電機租賃等企業(yè)提供專業(yè)服務(wù)。

這篇文章介紹了8個使用Python進(jìn)行數(shù)據(jù)分析的方法，不僅能夠提升運行效率，還能夠使代碼更加“優(yōu)美”。

一行代碼定義List

定義某種列表時，寫For 循環(huán)過于麻煩，幸運的是，Python有一種內(nèi)置的方法可以在一行代碼中解決這個問題。

下面是使用For循環(huán)創(chuàng)建列表和用一行代碼創(chuàng)建列表的對比。 

 
 
 
 
    
  
  
  
  
  1. x = [1,2,3,4]  
    2. 
  
  
  
  
  2. out = []  
    3. 
  
  
  
  
  3. for item in x:  
    4. 
  
  
  
  
  4.   out.append(item**2)  
    5. 
  
  
  
  
  5. print(out)  
    6. 
  
  
  
  
  6. [1, 4, 9, 16]  
    7. 
  
  
  
  
  7.  
    8. 
  
  
  
  
  8. # vs.  
    9. 
  
  
  
  
  9.  
    10. 
  
  
  
  
  10. x = [1,2,3,4]  
    11. 
  
  
  
  
  11. out = [item**2 for item in x]  
    12. 
  
  
  
  
  12. print(out)  
    13. 
  
  
  
  
  13. [1, 4, 9, 16] 
    14.

 Lambda表達(dá)式

厭倦了定義用不了幾次的函數(shù)？ Lambda表達(dá)式是你的救星！

Lambda表達(dá)式用于在Python中創(chuàng)建小型，一次性和匿名函數(shù)對象， 它能替你創(chuàng)建一個函數(shù)。

lambda表達(dá)式的基本語法是：

lambda arguments: expression

注意！只要有一個lambda表達(dá)式，就可以完成常規(guī)函數(shù)可以執(zhí)行的任何操作。 

你可以從下面的例子中，感受lambda表達(dá)式的強大功能： 

 
 
 
 
    
  
  
  
  
  1. double = lambda x: x * 2  
    2. 
  
  
  
  
  2. print(double(5))  
    3. 
  
  
  
  
  3. 10 
    4.

Map和Filter

一旦掌握了lambda表達(dá)式，學(xué)習(xí)將它們與Map和Filter函數(shù)配合使用，可以實現(xiàn)更為強大的功能。

具體來說，map通過對列表中每個元素執(zhí)行某種操作并將其轉(zhuǎn)換為新列表。 

在本例中，它遍歷每個元素并乘以2，構(gòu)成新列表。 （注意！list()函數(shù)只是將輸出轉(zhuǎn)換為列表類型） 

 
 
 
 
    
  
  
  
  
  1. # Map  
    2. 
  
  
  
  
  2. seq = [1, 2, 3, 4, 5]  
    3. 
  
  
  
  
  3. result = list(map(lambda var: var*2, seq))  
    4. 
  
  
  
  
  4. print(result)  
    5. 
  
  
  
  
  5. [2, 4, 6, 8, 10] 
    6.

Filter函數(shù)接受一個列表和一條規(guī)則，就像map一樣，但它通過比較每個元素和布爾過濾規(guī)則來返回原始列表的一個子集。 

 
 
 
 
    
  
  
  
  
  1. # Filter  
    2. 
  
  
  
  
  2. seq = [1, 2, 3, 4, 5]  
    3. 
  
  
  
  
  3. result = list(filter(lambda x: x > 2, seq))  
    4. 
  
  
  
  
  4. print(result)  
    5. 
  
  
  
  
  5. [3, 4, 5] 
    6.

Arange和Linspace

Arange返回給定步長的等差列表。

 它的三個參數(shù)start、stop、step分別表示起始值，結(jié)束值和步長， 請注意！stop點是一個“截止”值，因此它不會包含在數(shù)組輸出中。 

 
 
 
 
    
  
  
  
  
  1. # np.arange(start, stop, step)  
    2. 
  
  
  
  
  2. np.arange(3, 7, 2)  
    3. 
  
  
  
  
  3. array([3, 5]) 
    4.

Linspace和Arrange非常相似，但略有不同。

Linspace以指定數(shù)目均勻分割區(qū)間，所以給定區(qū)間start和end，以及等分分割點數(shù)目num，linspace將返回一個NumPy數(shù)組。 

這對繪圖時數(shù)據(jù)可視化和聲明坐標(biāo)軸特別有用。 

 
 
 
 
    
  
  
  
  
  1. # np.linspace(start, stop, num)  
    2. 
  
  
  
  
  2. np.linspace(2.0, 3.0, num=5)  
    3. 
  
  
  
  
  3. array([ 2.0,  2.25,  2.5,  2.75, 3.0] 
    4.

Axis代表什么？

在Pandas中，刪除一列或在NumPy矩陣中求和值時，可能會遇到Axis。

 我們用刪除一列（行）的例子： 

 
 
 
 
    
  
  
  
  
  1. df.drop('Column A', axis=1)  
    2. 
  
  
  
  
  2. df.drop('Row A', axis=0) 
    3.

如果你想處理列，將Axis設(shè)置為1，如果你想要處理行，將其設(shè)置為0。

但為什么呢？ 

回想一下Pandas中的shape。 

 
 
 
 
    
  
  
  
  
  1. df.shape  
    2. 
  
  
  
  
  2. (# of Rows, # of Columns) 
    3.

從Pandas DataFrame中調(diào)用shape屬性返回一個元組，***個值代表行數(shù)，第二個值代表列數(shù)。

如果你想在Python中對其進(jìn)行索引，則行數(shù)下標(biāo)為0，列數(shù)下標(biāo)為1，這很像我們?nèi)绾温暶鬏S值。

Concat，Merge和Join

如果您熟悉SQL，那么這些概念對您來說可能會更容易。 

無論如何，這些函數(shù)本質(zhì)上就是以特定方式組合DataFrame的方式。 

在哪個時間跟蹤哪一個最適合使用可能很困難，所以讓我們回顧一下。

Concat允許用戶在表格下面或旁邊追加一個或多個DataFrame（取決于您如何定義軸）。

Merge將多個DataFrame合并指定主鍵（Key）相同的行。

Join，和Merge一樣，合并了兩個DataFrame。

 但它不按某個指定的主鍵合并，而是根據(jù)相同的列名或行名合并。

Pandas Apply

Apply是為Pandas Series而設(shè)計的。

如果你不太熟悉Series，可以將它想成類似Numpy的數(shù)組。

Apply將一個函數(shù)應(yīng)用于指定軸上的每一個元素。

使用Apply，可以將DataFrame列（是一個Series）的值進(jìn)行格式設(shè)置和操作，不用循環(huán)，非常有用！ 

 
 
 
 
    
  
  
  
  
  1. df = pd.DataFrame([[4, 9],] * 3, columns=['A', 'B'])  
    2. 
  
  
  
  
  2.  df  
    3. 
  
  
  
  
  3.    A  B  
    4. 
  
  
  
  
  4. 0  4  9  
    5. 
  
  
  
  
  5. 1  4  9  
    6. 
  
  
  
  
  6. 2  4  9  
    7. 
  
  
  
  
  7.  
    8. 
  
  
  
  
  8. df.apply(np.sqrt)  
    9. 
  
  
  
  
  9.      A    B  
    10. 
  
  
  
  
  10. 0  2.0  3.0  
    11. 
  
  
  
  
  11. 1  2.0  3.0  
    12. 
  
  
  
  
  12. 2  2.0  3.0  
    13. 
  
  
  
  
  13.  
    14. 
  
  
  
  
  14.  df.apply(np.sum, axis=0)  
    15. 
  
  
  
  
  15. A    12  
    16. 
  
  
  
  
  16. B    27  
    17. 
  
  
  
  
  17.  
    18. 
  
  
  
  
  18. df.apply(np.sum, axis=1)  
    19. 
  
  
  
  
  19. 0    13  
    20. 
  
  
  
  
  20. 1    13  
    21. 
  
  
  
  
  21. 2    13 
    22.

Pivot Tables

如果您熟悉Microsoft Excel，那么你也許聽說過數(shù)據(jù)透視表。 

Pandas內(nèi)置的pivot_table函數(shù)以DataFrame的形式創(chuàng)建電子表格樣式的數(shù)據(jù)透視表,，它可以幫助我們快速查看某幾列的數(shù)據(jù)。 

下面是幾個例子：

非常智能地將數(shù)據(jù)按照“Manager”分了組： 

 
 
 
 
    
  
  
  
  
  1. pd.pivot_table(df, index=["Manager", "Rep"]) 
    2.

 

或者也可以篩選屬性值 

 
 
 
 
    
  
  
  
  
  1. pd.pivot_table(df,index=["Manager","Rep"],values=["Price"]) 
    2.

 

總結(jié) 

希望上面的這些描述能夠讓你發(fā)現(xiàn)Python一些好用的函數(shù)和概念。


文章標(biāo)題：8個Python高效數(shù)據(jù)分析的技巧
URL標(biāo)題：http://www.dlmjj.cn/article/cdhgpgg.html