专栏首页Corley的开发笔记Python数据分析实战(1)数据分析概述

Python数据分析实战(1)数据分析概述

一、入门数据分析

1.大数据时代的基本面

大数据产业发展现状: 现在数据已经呈现出了爆炸式的增长,每一分钟可能就会有:

  • 13000+个iPhone应用下载
  • Twitter上发布98000+新微博
  • 发出1.68亿+条Email
  • 淘宝双十一10680+个新订单
  • 12306出票1840+张

在大数据时代,出现了三大变革:

  • 从随机样本到全量数据
  • 从精确性到混杂性
  • 从因果关系到相关关系

举一个典型的例子: 男士到超市买尿布会顺带买一些啤酒,通过大数据分析出的结果促使超市在尿布的货架附近放一些啤酒,从而增大销量,买尿布与买啤酒之间没有因果关系,但是存在着某种相关关系。

国内大数据应用状况如下(来自CSDN):

可以看到,应用已经具有一定规模,但是还有很大的发展空间。

人才方面的需求主要包括:

  • 数据分析师
    • 统计分析
    • 预测分析
    • 流程优化
  • 大数据工程师
    • 平台开发
    • 应用开发
    • 技术支撑
  • 数据架构师
    • 业务理解
    • 应用部署
    • 架构设计

之所以要学习数据分析,是因为数据正变得越来越常见和廉价,分析可以为数据提供稀缺且附带额外价值的服务。

2.数据分析师职业前景

数据分析师需要解决的问题:

  • 预估需求、分配产能 在大数据时代,更需要解读数据的能力。 Q:烤箱的产能有限,该选择生产哪些种类的面包? A:列出最受欢迎的几种面包,优先生产明星商品。 关键是找出明星商品,这需要统计出面包的总营业额,再算出每种面包占总营业额的相对比例,优先生产能囊括七成营业额的产品组合。这会用到统计的次数分配表和直方图,此种分析法也称为ABC分析法,如下:
  • 评估行销方案成效 统计并不是分析数据就好了,从分析的结果推测该如何影响顾客的行为,并且将之拟定为具体的商业计划,并据此行动才是关键。 Q:想在网上销售面包,哪一种广告比较有效? A:写出两种文案,分别广告一段时间看看成效如何。 要比较广告成效,最好的方法是用统计的随机对照实验,让两种广告随机出现,一段时间后,观察哪种广告的效果比较好,再大范围运用效果比较好的广告。
  • 产品品管 发现结果以及形成结果的原因之间的关系非常重要。 Q:怎么从面包判断,面包师傅有没有偷工减料? A:抽查几个面包,秤秤看重量差距有没有过大。 你需要先知道面包的平均重量,再对面包进行抽样,看看面包的重量是否呈现常态分布的钟形曲线?若是偏离曲线,就可能暗示面包品管有问题。如下:

一名好的数据分析师是一个好的产品规划者和行业的领跑者; 在IT企业,优秀的数据分析师很有希望成为公司的高层。

数据分析师的工作流程如下:

数据分析师的三大任务:

  • 分析历史
  • 预测未来
  • 优化选择

数据分析师要求的8项技能:

  • 统计学
    • 统计检验、P值、分布、估计
  • 基本工具
    • Python
    • SQL
  • 多变量微积分和线性代数
  • 数据整理
  • 数据可视化
  • 软件工程
  • 机器学习
  • 数据科学家的思维
    • 数据驱动
    • 问题解决

数据分析师要求的三大能力:

  • 统计学基础和分析工具应用
  • 计算机编码能力
  • 特定应用领域或行业的知识

典型的数据分析师的成长历程:

3.成为数据分析师之路

成为数据分析师的自我修养:

  • 敏感
  • 探究
  • 细致
  • 务实

数据分析师需要具备的技能如下:

  • 熟悉Excel数据处理
  • 数据敏感度较强
  • 熟悉公司业务和行业知识
  • 掌握数据分析方法
    • 基本分析方法
      • 对比分析法
      • 分组分析法
      • 交叉分析法
      • 结构分析法
      • 漏斗图分析法
      • 综合评价分析法
      • 因素分析法
      • 矩阵关联分析
    • 高级分析方法
      • 相关分析法
      • 回归分析法
      • 聚类分析法
      • 判别分析法
      • 主成分分析法
      • 因子分析法
      • 对应分析法
      • 时间序列

在不同行业数据分析从业人员的工作内容和职责:

  • 从事数据分析的工作
    • 学做日报
    • 日销、库存类的表
    • 产品销售预测
    • 库存计算和预警
    • 流量分析相关表
    • 复盘
  • 数据分析挖掘工作人员
    • 给产品优化提供数据支持
    • 验证产品改进效果
    • 为高层提供邮件和报表
  • 互联网+分析
    • KPI指标监控
    • 各种周期性报表
    • 针对某一业务问题做分析报告
    • 针对业务进行线下建模和分析

数据分析很重要的学科基础是数学,但是数学不好也没有关系,可以用Python来帮助学习: Python不仅是一门编程语言,而且是数据挖掘机器学习等技术的基础,方便建立自动化的工作流; Python入门不难,它对数学要求并不是太高,重要的是需要知道如何用语言表达一个算法逻辑; Python有很多封装好的工具库和命令,我要做的是用哪些数学方法解决一个问题,并构建出来。

要想快速入门Python数据分析,就要使用好Python相关的工具包: (1)Python最大的特点是拥有一个巨大而活跃的科学计算社区,采用python进行科学计算的趋势也越来越明显。 (2)由于Python有不断改良的库,使其成为数据处理任务的一大代替方案,结合其在通用编程方面的强大实力,完全可以只是用Python这一种语言去构建以数据为中心的应用程序,其中:

  • 常用数据分析库
    • Numpy
    • Scipy
    • Pandas
    • matplotlib
  • 常用高级数据分析库
    • nltk
    • igraph
    • scikit-learn

(3)作为一个科学计算平台,Python的成功源于能够轻松的集成C、C++以及Fortran代码。

数据分析的准备工作:

  • 了解数据
  • 数据清洗与初步分析
  • 绘图与可视化
  • 数据聚合与分组处理
  • 数据挖掘

数据分析与数据挖掘的常用算法:

  • 线性回归
  • 时间序列分析
  • 分类算法
  • 聚类算法
  • 降维算法

学习和从事数据分析工作的方法为:

  • 勤思考
  • 多动手
  • 多总结

二、Python的安装与环境配置

1.Python版本

Python分为3.X和2.X两个大版本。 Python的3.0版本,常被称为Python 3000,或简称Py3k。相对于Python的早期版本,这是一个较大的升级。 为了不带入过多的累赘,Python 3.X在设计的时候没有考虑向下相容,许多针对早期Python版本设计的程式都无法在Python 3.X上正常执行。 大多数第三方库都正在努力地相容Python 3.X版本。

2.不同系统安装Python

(1)Unix & Linux系统

  • 访问http://www.python.org/download/
  • 选择适用于Unix/Linux的源码压缩包。
  • 下载及解压压缩包。
  • 如果你需要自定义一些选项修改Modules/Setup
  • 执行 ./configure 脚本
  • make
  • make install

(2)Window系统

  • 访问http://www.python.org/download/
  • 在下载列表中选择Window平台安装包 由于官网下载很缓慢,因此可以加入可以点击

963624318 进群获取资料。

  • 下载后,双击下载包,进入Python安装向导,安装非常简单,只需要使用默认的设置一直点击 "下一步"直到安装完成即可。

(3)Mac系统 自带python 2.7,可以执行brew install python安装新版本。

3.环境变量配置

Windows系统需要配置环境变量。

如果在安装Python时没有选择添加环境变量,则需要手动添加,需要将安装Python的路径XXX\PythonXXXXXX\PythonXXX\Scripts添加到环境变量,有两种方式:

  • 命令行添加 CMD中分别执行path=%path%;XXX\PythonXXXpath=%path%;XXX\PythonXXX\Scripts即可。
  • 在系统设置中添加 右键计算机 → 属性 → 高级系统设置 → 系统属性 → 环境变量 → 双击path → 添加XXX\PythonXXXXXX\PythonXXX\Scripts安装路径,如下:

最后依次点击确认退出即可。

4.安装pip

pip是Python中的包安装和管理工具,在安装Python时可以选择安装pip,在Python 2 >=2.7.9或Python 3 >=3.4中自带。

如果没有安装pip,可以通过命令安装:

  • Linux或者Mac pip install -U pip
  • Windows(cmd输入) python -m pip install -U pip

5.集成开发环境选择

Python有很多编辑器,包括PyCharm等,这里选择PyCharm: PyCharm是由JetBrains打造的一款Python IDE,支Mac OS、Windows、Linux系统。 包含调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制等功能。

可以在https://www.jetbrains.com/pycharm/download/选择合适的版本进行下载安装即可。

三、Anaconda的介绍与安装

1.Anaconda是什么

Anaconda 是一个可用于科学计算的 Python 发行版,支持 Linux、Mac、Windows系统,内置了常用的科学计算包。 它解决了官方 Python 的两大痛点: (1)提供了包管理功能,Windows 平台安装第三方包经常失败的场景得以解决; (2)提供环境管理的功能,功能类似 Virtualenv,解决了多版本Python并存、切换的问题 。

2.下载和安装Anaconda

直接在官网https://www.anaconda.com/products/individual下载安装包,选择下载 Python3.8 的安装包个人版,下载完成后直接安装,需要注意,在点击过程中会出现添加环境变量的提示,需要勾选,如下:

最后依次点击下一步、安装完成后,点击Win键(Windows系统下)可以看到最近添加或应用列表A下如图:

此时可点击Anaconda Navigator,如下所示:

可以看到环境为Python 3.8.3,Anaconda创建的基础环境名为base,也是默认环境,也可以看到默认安装的库。

再打开Anaconda命令行工具Anaconda Powershell Prompt,输入python -V,也打印Python 3.8.3

还可以通过命令创建新的conda环境,如conda create --name py27 python=2.7执行后即创建了一个名为py27的Python版本为2.7的conda环境。

激活环境执行命令conda activate py27,停用使用命令conda deactivate

可以在命令行中执行conda list查看已经安装的库,如下:

# packages in environment at E:\Anaconda3:
#
# Name                    Version                   Build  Channel
_ipyw_jlab_nb_ext_conf    0.1.0                    py38_0
alabaster                 0.7.12                     py_0
anaconda                  2020.07                  py38_0
anaconda-client           1.7.2                    py38_0
anaconda-navigator        1.9.12                   py38_0
...
zlib                      1.2.11               h62dcd97_4
zope                      1.0                      py38_1
zope.event                4.4                      py38_0
zope.interface            4.7.1            py38he774522_0
zstd                      1.4.5                ha9fde0e_0

3.conda工具的介绍和包管理

conda是Anaconda下用于包管理和环境管理的工具,功能上类似pip和vitualenv的组合,conda的环境管理与virtualenv是基本上是类似的操作。 安装成功后conda会默认加入到环境变量中,因此可直接在命令行窗口运行conda命令。

常见的conda命令和含义如下:

命令含义

conda命令

conda –h

查看帮助

基于python3.6版本创建名为python36的环境

conda create --name python36 python=3.6

激活此环境

activate python36(Windows)、source activate python36(linux/mac)

查看python版本

python -V

退出当前环境

deaotivate python36

删除环境

conda remove -n py27 --all

查看所有安装的环境

conda info -e

conda的包管理常见命令如下:

包管理命令意义

包管理命令

安装matplotlib

conda install matplotlib

查看已安装的包

conda list

包更新

conda update matplotlib

删除包

conda remove matplotlib

在conda中,anything is a package一切皆是包,conda本身可以看作是一个包,python环境可以看作是一个包,anaconda也可以看作是一个包,因此除了普通的第三方包支持更新之外,这3个包也支持如下命令:

操作

命令

更新conda本身

conda update conda

更新anaconda应用

conda update anaconda

更新python,假设当前python环境是3.8.1,而最新版本是3.8.2,那么就会升级到3.8.2

conda update python

四、Jupyter Notebook

1.Jupyter Notebook基本介绍

Jupyter Notebook(此前被称为IPython notebook)是一个交互式笔记本,支持运行40多种编程语言。

在开始使用notebook之前,需要先安装该库: (1)在命令行中执行pip install jupyter来安装; (2)安装Anaconda后自带Jupyter Notebook。

在命令行中执行jupyter notebook,就会在当前目录下启动Jupyter服务并使用默认浏览器打开页面,还可以复制链接在其他浏览器中打开,如下:

可以看到,notebook界面由以下部分组成: (1)notebook的名称; (2)主工具栏,提供了保存、导出、重载notebook,以及重启内核等选项; (3)notebook主要区域,包含了notebook的内容编辑区。

2.Jupyter Notebook的使用

在jupyter页面下方的主要区域,由被称为单元格的部分组成。每个 notebook 由多个单元格构成, 而每个单元格又可以有不同的用途。 上图中看到的是一个代码单元格(code cell),以[ ]开头,在这种类型的单 元格中,可以输入任意代码并执行。例如,输入1 + 2并按下Shift + Enter。单元格中的代码就会被计算,光标也会被移动到一个新的单元格中。

如果想新建一个notebook,只需要点击New,选择希望启动的notebook类型即可。

简单使用示意如下:

可以看到,notebook可以修改之前的单元格,对其重新计算,这样就可以更新整个文档了。如果你不想重新运行整个脚本,只想用不同的参数测试某个程式的话,这个特性显得尤其强大。 不过,也可以重新计算整个notebook,只要点击Cell -> Run all即可。

再测试标题和其他代码如下:

可以看到,在顶部添加了一个notebook的标题,还可以执行for循环等语句。

3.Jupyter中使用Python

Jupyter测试Python变量和数据类型如下:

测试Python函数如下:

测试Python模块如下:

可以看到,在执行出错时,也会抛出异常。

测试数据读写如下:

数据读写很重要,因为进行数据分析时必须先读取数据,进行数据处理后也要进行保存。

4.数据交互案例

加载csv数据,处理数据,保存到MongoDB数据库

有csv文件shopproducts.csv和userratings.csv,分别是商品数据和用户评分数据,如下:

现在通过Python将其读取出来,并将指定的字段保存到MongoDB中,需要在Anaconda中执行命令conda install pymongo安装pymongo。

Python代码如下:

import pymongo


class Product:
    def __init__(self,productId:int ,name, imageUrl, categories, tags):
        self.productId = productId
        self.name = name
        self.imageUrl = imageUrl
        self.categories = categories
        self.tags = tags

    def __str__(self) -> str:
        return self.productId +'^' + self.name +'^' + self.imageUrl +'^' + self.categories +'^' + self.tags


class Rating:
    def __init__(self, userId:int, productId:int, score:float, timestamp:int):
        self.userId = userId
        self.productId = productId
        self.score = score
        self.timestamp = timestamp

    def __str__(self) -> str:
        return self.userId +'^' + self.productId +'^' + self.score +'^' + self.timestamp


if __name__ == '__main__':
    myclient = pymongo.MongoClient("mongodb://127.0.0.1:27017/")
    mydb = myclient["goods-users"]
    # val attr = item.split("\\^")
    # // 转换成Product
    # Product(attr(0).toInt, attr(1).trim, attr(4).trim, attr(5).trim, attr(6).trim)

    shopproducts = mydb['shopproducts']
    with open('shopproducts.csv', 'r',encoding='UTF-8') as f:
        item = f.readline()
        while item:
            attr = item.split('^')
            product = Product(int(attr[0]), attr[1].strip(), attr[4].strip(), attr[5].strip(), attr[6].strip())
            shopproducts.insert_one(product.__dict__)
            # print(product)
            # print(json.dumps(obj=product.__dict__,ensure_ascii=False))
            item = f.readline()

    # val attr = item.split(",")
    # Rating(attr(0).toInt, attr(1).toInt, attr(2).toDouble, attr(3).toInt)
    userratings = mydb['userratings']
    with open('userratings.csv', 'r',encoding='UTF-8') as f:
        item = f.readline()
        while item:
            attr = item.split(',')
            rating = Rating(int(attr[0]), int(attr[1].strip()), float(attr[2].strip()), int(attr[3].strip()))
            userratings.insert_one(rating.__dict__)
            # print(rating)
            item = f.readline()

在启动MongoDB服务后,运行Python代码,运行完成后,再通过Robo 3T查看数据库如下:

显然,保存数据成功。

使用Jupyter处理商铺数据

待处理的数据是商铺数据,如下:

包括名称、评论数、价格、地址、评分列表等,其中评论数、价格和评分均不规则、需要进行数据清洗。

Jupyter中处理如下:

可以看到,最后得到了经过清洗后的规则数据。

完整Python代码如下:

# 数据读取

f = open('商铺数据.csv','r',encoding='utf8')
for i in f.readlines()[1:15]:
    print(i.split(',')) 

# 创建comment、price、commentlist清洗函数
def fcomment(s):
    if '条' in s:
        return int(s.split(' ')[0])
    else:
        return '缺失数据'
# comment清洗函数:用空格分段,选取结果list的第一个为点评数,并且转化为整型

def fprice(s):
    if '¥' in s:
        return float(s.split('¥')[-1])
    else:
        return  '缺失数据'
# price清洗函数:用¥分段,选取结果list的最后一个为人均价格,并且转化为浮点型

def fcommentl(s):
    if ' ' in s:
        quality = float(s.split('                                ')[0][2:])
        environment = float(s.split('                                ')[1][2:])
        service = float(s.split('                                ')[2][2:-1])
        return [quality,environment,service]
    else:
        return  '缺失数据'
# commentlist清洗函数:用空格分段,分别清洗出质量、环境及服务数据,并转化为浮点型

# 数据处理清洗
datalist = []  # 创建空列表

f.seek(0)
n = 0  # 创建计数变量
for i in f.readlines():
    data = i.split(',')
    #print(data)
    classify = data[0]             # 提取分类
    name = data[1]                 # 提取店铺名称
    comment_count = fcomment(data[2])   # 提取评论数量
    star = data[3]                 # 提取星级
    price = fprice(data[4])           # 提取人均
    address = data[5]                  # 提取地址
    quality = fcommentl(data[6])[0]          # 提取质量评分
    env = fcommentl(data[6])[1]          # 提取环境评分
    service = fcommentl(data[6])[2]          # 提取服务评分
    if  '缺失数据' not in [comment_count, price, quality]:   # 用于判断是否有数据缺失
        n += 1
        data_re = [['classify',classify],
                  ['name',name],
                  ['comment_count',comment_count],
                  ['star',star],
                  ['price',price],
                  ['address',address],
                  ['quality',quality],
                  ['environment',env],
                  ['service',service]]
        datalist.append(dict(data_re))   #字典生成,并存入列表datalist
        print('成功加载%i条数据' %n)
    else:
        continue
    
print(datalist) 
print('总共加载%i条数据' %n)

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python 快速验证代理IP是否有效

    有时候,我们需要用到代理IP,比如在爬虫的时候,但是得到了IP之后,可能不知道怎么验证这些IP是不是有效的,这时候我们可以使用Python携带该IP来模拟访问某...

    cutercorley
  • 数据库编程 MySQL 常见异常和解决办法

    mysqlslap 可以用于模拟服务器的负载,并输出计时信息。测试时,可以指定并发连接数,可以指定 SQL 语句。如果没有指定 SQL 语句,mysqlslap...

    cutercorley
  • C语言入门系列之6.一维和二维数组

    在程序设计中,为了处理方便,把具有相同类型的若干变量按有序的形式组织起来,这些按序排列的同类数据元素的集合称为数组。 在C语言中,数组属于构造数据类型; 数...

    cutercorley
  • Anaconda:安装或更新 Python 第三方包

    适用语言:Python, R, Ruby, Lua, Scala, Java, JavaScript, C/C++, FORTRAN。

    Woodson
  • Conda:误解与迷思

    翻译自:https://jakevdp.github.io/blog/2016/08/25/conda-myths-and-misconceptions/ 译者...

    数据科学社区
  • 干货 | 14张高清Python数据科学家(数据分析&机器学习)代码速查表

    来源 | https://www.jianshu.com/u/be48b04ecc3e

    用户2769421
  • 干货 | 14张高清Python数据科学家(数据分析&机器学习)代码速查表

    来源 | https://www.jianshu.com/u/be48b04ecc3e

    用户2769421
  • 干货 | 14张高清Python数据科学家(数据分析&机器学习)代码速查表

    来源 | https://www.jianshu.com/u/be48b04ecc3e

    1480
  • vue项目api接口管理

    默认vue项目中已经使用vue-cli生成,安装axios,基于element-ui开发,axiosconfig目录和api目录是同级,主要记录配置的相关。

    前端博客 : alili.tech
  • 武大学生用Python敲出樱花开放(附源码)

    武大开通了#樱花云直播# ,3月16日-3月25日,每天 10:00-16:00。相约武大官博,每天看不同地点的樱花。

    华章科技

扫码关注云+社区

领取腾讯云代金券