关于Python数据分析，这里有一条高效的学习路径

Crossin先生

发布于 2018-04-17 10:44:35

1.7K0

发布于 2018-04-17 10:44:35

文章被收录于专栏：Crossin的编程教室Crossin的编程教室

广泛被应用的数据分析

谷歌的数据分析可以预测一个地区即将爆发的流感，从而进行针对性的预防；淘宝可以根据你浏览和消费的数据进行分析，为你精准推荐商品；口碑极好的网易云音乐，通过其相似性算法，为不同的人量身定制每日歌单……

数据正在变得越来越常见，小到我们每个人的社交网络、消费信息、运动轨迹……，大到企业的销售、运营数据，产品的生产数据，交通网络数据……

如何从海量数据中获得别人看不见的知识，如何利用数据来武装营销工作、优化产品、用户调研、支撑决策，数据分析可以将数据的价值最大化。

数据分析人才热度也是高居不下，一方面企业的数据量在大规模的增长，对于数据分析的需求与日俱增；另一方面，相比起其他的技术职位，数据分析师的候选者要少得多。

数据源于麦肯锡

那么，小白如何快速获得数据分析的能力呢？知乎上有很多书单，你可能也听过很多学习方法，但尝试过就知道这些跟高效没什么关系。

数据分析师应该具备哪些技能

要明确学习的路径，最有效的方式就是看具体的职业、工作岗位对于技能的具体需求。

我们从拉勾上找了一些最具有代表性的数据分析师职位信息，来看看薪资不菲的数据分析师，到底需要哪些技能。

其实企业对数据分析师的基础技能需求差别不大，可总结如下：

SQL数据库的基本操作，会基本的数据管理
会用Excel/SQL做基本的数据分析和展示
会用脚本语言进行数据分析，Python or R
有获取外部数据的能力，如爬虫
会基本的数据可视化技能，能撰写数据报告
熟悉常用的数据挖掘算法：以回归分析为主

其次是数据分析的流程，一般可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据可视化”这样的步骤来实施一个数据分析项目。按照这个流程，每个部分需要掌握的细分知识点如下：

高效的学习路径是什么？就是数据分析的这个流程。按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。

接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。

- ❶ -

数据获取：公开数据、Python爬虫

外部数据的获取方式主要有以下两种。

第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。给大家推荐一些常用的可以获取数据集的网站：

UCI：加州大学欧文分校开放的经典数据集，被很多数据挖掘实验室采用。

http://archive.ics.uci.edu/ml/datasets.html

国家数据：数据来源于中国国家统计局，包含了我国经济民生等多个方面的数据。

http://data.stats.gov.cn/

CEIC：超过128个国家的经济数据，能精确查找GDP、进出口零售，销售等深度数据。

http://www.ceicdata.com/zh-hans

中国统计信息网：国家统计局官方网站，汇集了国民经济和社会发展统计信息。

http://www.tjcn.org/

优易数据：由国家信息中心发起，国内领先的数据交易平台，很多免费数据。

http://www.youedata.com/

另一种获取外部数据的方式就是爬虫。

比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。

在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数………

以及，如何用 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。如果是初学，建议从 urllib+BeautifulSoup 开始。

掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、使用cookie信息、模拟用户登录、抓包分析、搭建代理池等等，来应对不同网站的反爬虫限制。

常用的的电商网站、问答网站、二手交易网站、婚恋网站、招聘网站等，都可以爬到非常有价值的数据。

- ❷ -

数据存取：SQL语言

在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据，如果你是一个分析师，也至少要懂得SQL的操作，能够查询、提取公司的数据。

SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：

提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2017年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。
数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。
数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

SQL这部分比较简单，主要是掌握一些基本的语句。当然，还是建议你找几个数据集来实际操作一下，哪怕是最基础的查询、提取等。

- ❸ -

数据预处理：Python（pandas）

很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。

比如销售数据，有一些渠道的销售是没有及时录入的，有一些数据是记录重复的。比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。

那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。

对于数据预处理，学会 pandas （Python包）的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：

选择：数据访问（标签、特定值、布尔索引等）
缺失值处理：对缺失数据行进行删除或填充
重复值处理：重复值的判断与删除
异常值处理：清除不必要的空格和极端、异常数据
相关操作：描述性统计、Apply、直方图等
合并：符合各种逻辑关系的合并操作
分组：数据划分、分别执行函数、数据重组
Reshaping：快速生成数据透视表

网上有很多 pandas 的教程，主要是一些函数的应用，也都非常简单，可查 pandas 官方文档。

- ❹ -

概率论及统计学知识

数据整体分布是怎样的？什么是总体和样本？中位数、众数、均值、方差等基本的统计量如何应用？如何在不同的场景中做假设检验？数据分析方法大多源于统计学的概念，所以统计学的知识也是必不可少的。需要掌握的知识点如下：

基本统计量：均值、中位数、众数、百分位数、极值等
其他描述性统计量：偏度、方差、标准差、显著性等
其他统计知识：总体和样本、参数和统计量、ErrorBar
概率分布与假设检验：各种分布、假设检验流程
其他概率论知识：条件概率、贝叶斯等

有了统计学的基本知识，你就可以用这些统计量做基本的分析了。通过可视化的方式来描述数据的指标，其实可以得出很多结论了：比如排名前100的是哪些，平均水平是怎样的，近几年的变化趋势如何……

你可以使用 Seaborn、matplotlib 等（python包）做一些可视化的分析，通过各种可视化统计图，并得出具有指导意义的结果。

- ❺ -

Python 数据分析

如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。但其实真正最有用的那部分信息，只是这些书里很少的一部分。

比如掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。这部分需要掌握的知识点如下：

回归分析：线性回归、逻辑回归
基本的分类算法：决策树、随机森林……
基本的聚类算法：k-means……
特征工程基础：如何用特征选择优化模型
调参方法：如何调节参数优化模型
Python 数据分析包：scipy、numpy、scikit-learn等

在数据分析的这个阶段，重点了解回归分析的方法，大多数的问题可以得以解决，利用描述性的统计分析和回归分析，你完全可以得到一个不错的分析结论。

当然，随着你实践量的增多，可能会遇到一些复杂的问题，你就可能需要去了解一些更高级的算法：分类、聚类。

然后你会知道面对不同类型的问题的时候更适合用哪种算法模型，对于模型的优化，你需要去学习如何通过特征提取、参数调节来提升预测的精度。这就有点数据挖掘和机器学习的味道了，其实一个好的数据分析师，应该算是一个初级的数据挖掘工程师了。

你可以通过 Python 中的 scikit-learn 库来实现数据分析、数据挖掘建模和分析的全过程。

- ❻ -

系统实战与数据思维

到这个时候，你就已经具备了数据分析的基本能力了。但是还要根据不同的案例、不同的业务场景进行实战，练习解决实际问题的能力。

上面提到的公开数据集，可以找一些自己感兴趣的方向的数据，尝试从不同的角度来分析，看看能够得到哪些有价值的结论。

你也可以从生活、工作中去发现一些可用于分析的问题，比如上面说到的电商、招聘、社交等平台等数据中都有着很多可以挖掘的问题。

开始的时候，你可能考虑的问题不是很周全，但随着你经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度，比如Top榜单、平均水平、区域分布、同比环比、相关性分析、未来趋势预测等等。随着经验的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。

零基础学习数据分析，坑确实比较多，总结如下：

1.环境配置，工具安装、环境变量，对小白太不友好；
2.缺少合理的学习路径，上来 Python、HTML 各种学，极其容易放弃；
3.Python有很多包、框架可以选择，不知道哪个更友好；
4.遇到问题找不到解决办法，学习停滞不前；
5.网上的资料非常零散，而且对小白不友好，很多看起来云里雾里；
6.懂得技巧，但面对具体问题无法系统思考和分析；
……………………

正好，DC学院推出的这门系统的数据分析课程，就是按照以上的学习路径。是无数分析师的爬坑经验、以及无数本书的总结，让你少走弯路。60天，足够打败市面上多半所谓的分析师。

这门课已经开课一个月，已经有2000+同学加入。不少同学都取得了从0到1的进步，能够分析大规模数据，完成可视化和趋势预测。下面是几位同学的作业合集分享：

Python中通过RF预测红酒质量

@Echo

从UCI上获取到了一份winequality的数据来作为小练习的数据源，想通过红酒的特征来预测红酒的质量。最后通过随机森林和集成学习的方法，将预测的正确率提升到了90%。

1、首先先进行数据的导入，探索与预处理:

观察到表有问题，实际上这个csv文件通过分号分割，所以导入时需要添加:sep=';'，即可正常读取数据。

2、处理数据是否分布平衡

显然quality为5的数据样本有太多，而quality为3的数据样本又太少，这时候可以考虑过采样，imbalanced-learn可以进行处理。

先用LR回归尝试一下，这里也权当复习，先可以尝试把所有特征都用上，利用交叉检验，看看预测结果如何：

输出结果为0.57可以看到如果直接在原始不平衡数据上把所有特征都用上，使用LR回归几乎对预测这个多分类的quality没有什么帮助，后来再过采样后的数据上也用了LR回归同样准确率很不理想。

以为可能是由于特征的多重共线性导致的，所以有差看一下所有使用的特征的相关性，这个可以利用seaborn快速可视化的实现这一效果，代码如下：

显示如下：可以看到多数变量之间实际上相关系数都在0.4以下，不存在高度相关。

随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。

得到结果是86%，大大超过了Logistics回归的准确率，这种交叉检验的方法是训练集是所有样本都使用了。

使用predict()函数得到上一节训练的随机森林模型在测试集合上的预测结果，然后使用 sklearn.metrics中的相关函数对模型的性能进行评估。

得到的结果如下：

precision recall f1-score support

3 0.99 1.00 0.99 142 4 1.00 1.00 1.00 129 5 0.80 0.81 0.80 150 6 0.77 0.66 0.71 146 7 0.87 0.98 0.92 125 8 0.99 1.00 1.00 126 avg / total 0.90 0.90 0.90 818 [[142 0 0 0 0 0] [ 0 129 0 0 0 0] [ 2 0 121 26 1 0] [ 0 0 31 96 18 1] [ 0 0 0 2 123 0] [ 0 0 0 0 0 126]]

Accuracy: 0.90097799511

准确度在90%左右，由于前面在抽取训练集和测试集时random_state设置为0，我们可以测试多次，会选取到不同的训练集和测试集，测算多个准确度求平均值进行比较，经过测试仍然维持在90%左右。

卡片里面内容可以滑动

爬取豆瓣TOP250电影并分析

@Linda

不知道看什么电影时，就会习惯性的看看豆瓣，但落伍的我直到最近才发现还有个神奇的豆瓣电影Top250榜单！

那么得出的这个排行榜和电影评分及评论人数有怎样的关系？和上映时间关系大不大？哪种类型的电影上榜最多呢？哪些国家、导演、主演最受欢迎？片长多长时间最合适？这次通过爬取豆瓣TOP250电影解开这些秘密。

我们抓取排名、电影名、导演、主演、上映日期、制片国家/地区、类型，评分、评论数量、一句话评价以及电影链接，其中导演和主演分别取一位。完整代码如下：

OK，数据抓取完毕，看一下抓取结果。先来看爬取Top250页面的信息：

数据清洗

数据分布在两个文件中，我们选取 top250_f1.csv 文件中的 num(排名）、 title(电影名)、 init_year(上映时间)、 area（国家/地区）、 genre(类型）、 rating_num(评分)、 comment_num(评价人数)，和 top250_f2.csv 文件中的 language(语言)、 director（导演）、 cast(主演)、 movie_duration(时长)、 tags(标签)这些列进行分析，因此只对这些列中的脏数据做清洗工作。

通过 pd.merge()函数选出的

df_1_cut 和 df_2_cut 两张表，取并集，链接键为num。

共250行，12列，无缺失值，num 和 comment_num 为整型，rating_num 为浮点型，其余为 object 类型。

清洗数据格式、数据分列

粗略看一下，可以发现 genre，language，director，cast，movie_duration，tags列方括号、花括号和英文省略号等无效信息，需要去掉。对于两侧的 [' '] 或 {[' ']} 形式，可以用str分割字符串。

对于 area 列，有些电影由多个国家或地区联合制作，例如《霸王别姬》电影：“中国大陆”和“中国香港”之间用空格隔开，可以用str.split 函数进行分列， apply(pd.Series) 使用到的函数作用在每一行或列。

缺失值检查

没有缺失值。关于 area_c 、 genre_c 、 language_c 、cast_c 、 tags_c 都经过缺失值处理，也不存在缺失值。

用 describe() 函数看一下数值型数据的统计信息：

在“豆瓣电影Top250”榜单中，上映时间最早为1931年，最晚为2016年；评分最低为8.2分，最高9.6分，平均分为8.76分；评论数量最低40150条，最高861343条；电影时长最短为45分钟，最长238分，平均时长121.61分钟，第一四分位书为99.25分钟，看来绝多数电影时长还是大于90分钟的。

总排名、按评分排名、按评价数量排名Top10