本文為CDA數(shù)據(jù)分析研究院原創(chuàng)作品,轉(zhuǎn)載需授權

1.為什么選擇Python進行數(shù)據(jù)分析？

Python是一門動態(tài)的、面向?qū)ο蟮哪_本語言，同時也是一門簡約，通俗易懂的編程語言。Python入門簡單，代碼可讀性強，一段好的Python代碼，閱讀起來像是在讀一篇外語文章。Python這種特性稱為“偽代碼”，它可以使你只關心完成什么樣的工作任務，而不是糾結(jié)于Python的語法。

另外，Python是開源的，它擁有非常多優(yōu)秀的庫，可以用于數(shù)據(jù)分析及其他領域。更重要的是，Python與最受歡迎的開源大數(shù)據(jù)平臺Hadoop具有很好的兼容性。因此，學習Python對于有志于向大數(shù)據(jù)分析崗位發(fā)展的數(shù)據(jù)分析師來說，是一件非常節(jié)省學習成本的事。

Python的眾多優(yōu)點讓它成為最受歡迎的程序設計語言之一，國內(nèi)外許多公司也已經(jīng)在使用Python，例YouTube，Google，阿里云等等。

2.編程基礎

要學習如何用Python進行數(shù)據(jù)分析， CDA數(shù)據(jù)分析師建議第一步是要了解一些Python的編程基礎，知道Python的數(shù)據(jù)結(jié)構，什么是向量、列表、數(shù)組、字典等等；了解Python的各種函數(shù)及模塊。下圖整理了這一階段要掌握的知識點：

3.數(shù)據(jù)分析流程

Python是數(shù)據(jù)分析利器，掌握了Python的編程基礎后，就可以逐漸進入數(shù)據(jù)分析的奇妙世界。CDA數(shù)據(jù)分析師認為一個完整的數(shù)據(jù)分析項目大致可分為以下五個流程：

1)數(shù)據(jù)獲取

一般有數(shù)據(jù)分析師崗位需求的公司都會有自己的數(shù)據(jù)庫，數(shù)據(jù)分析師可以通過SQL查詢語句來獲取數(shù)據(jù)庫中想要數(shù)據(jù)。Python已經(jīng)具有連接sql server、mysql、orcale等主流數(shù)據(jù)庫的接口包，比如pymssql、pymysql、cx_Oracle等。

而獲取外部數(shù)據(jù)主要有兩種獲取方式，一種是獲取國內(nèi)一些網(wǎng)站上公開的數(shù)據(jù)資料，例如國家統(tǒng)計局；一種是通過編寫爬蟲代碼自動爬取數(shù)據(jù)。如果希望使用Python爬蟲來獲取數(shù)據(jù)，我們可以使用以下Python工具：

Requests-主要用于爬取數(shù)據(jù)時發(fā)出請求操作。

BeautifulSoup-用于爬取數(shù)據(jù)時讀取XML和HTML類型的數(shù)據(jù)，解析為對象進而處理。

Scapy-一個處理交互式數(shù)據(jù)的包，可以解碼大部分網(wǎng)絡協(xié)議的數(shù)據(jù)包。

2)數(shù)據(jù)存儲

對于數(shù)據(jù)量不大的項目，可以使用excel來進行存儲和處理，但對于數(shù)據(jù)量過萬的項目，使用數(shù)據(jù)庫來存儲與管理會更高效便捷。

3)數(shù)據(jù)預處理

數(shù)據(jù)預處理也稱數(shù)據(jù)清洗。大多數(shù)情況下，我們拿到手的數(shù)據(jù)是格式不一致，存在異常值、缺失值等問題的，而不同項目數(shù)據(jù)預處理步驟的方法也不一樣。CDA數(shù)據(jù)分析師認為數(shù)據(jù)分析有80%的工作都在處理數(shù)據(jù)。如果選擇Python作為數(shù)據(jù)清洗的工具的話，我們可以使用Numpy和Pandas這兩個工具庫：

Numpy - 用于Python中的科學計算。它非常適用于與線性代數(shù)，傅里葉變換和隨機數(shù)相關的運算。它可以很好地處理多維數(shù)據(jù)，并兼容各種數(shù)據(jù)庫。

Pandas –Pandas是基于Numpy擴展而來的，可以提供一系列函數(shù)來處理數(shù)據(jù)結(jié)構和運算，如時間序列等。

4)建模與分析

這一階段首先要清楚數(shù)據(jù)的結(jié)構，結(jié)合項目需求來選取模型。

常見的數(shù)據(jù)挖掘模型有：

在這一階段，Python也具有很好的工具庫支持我們的建模工作：

scikit-learn-適用Python實現(xiàn)的機器學習算法庫。scikit-learn可以實現(xiàn)數(shù)據(jù)預處理、分類、回歸、降維、模型選擇等常用的機器學習算法。

Tensorflow-適用于深度學習且數(shù)據(jù)處理需求不高的項目。這類項目往往數(shù)據(jù)量較大，且最終需要的精度更高。

5)可視化分析

數(shù)據(jù)分析最后一步是撰寫數(shù)據(jù)分析報告，這也是數(shù)據(jù)可視化的一個過程。在數(shù)據(jù)可視化方面，Python目前主流的可視化工具有：

Matplotlib-主要用于二維繪圖，它能讓使用者很輕松地將數(shù)據(jù)圖形化，并且提供多樣化的輸出格式。

Seaborn-是基于matplotlib產(chǎn)生的一個模塊，專攻于統(tǒng)計可視化，可以和Pandas進行無縫鏈接。

按照這個流程，每個階段所涉及的知識點可以細分如下：

從上圖我們也可以得知，在整個數(shù)據(jù)分析流程，無論是數(shù)據(jù)提取、數(shù)據(jù)預處理、數(shù)據(jù)建模和分析，還是數(shù)據(jù)可視化，Python目前已經(jīng)可以很好地支持我們的數(shù)據(jù)分析工作。