数据科学Python基础

翻译 | AI科技大本营

参与 | 王珂凝

审校 | reason_W

【AI科技大本营导读】Python的强大和灵活相信已经毋庸置疑了。那么数据科学中，我们又需要掌握哪些基础知识点才能满足使用需求呢？本文是国外一名数据科学博主的文章，文章不仅对Python中和数据科学有关的概念进行了解释，还配上了相应的示例代码和练习题目，非常适合想要入门数据科学的朋友。

▌Python中常见的数据类型

Python中有很多种数据类型。常见的数据类型有浮点型（float），整型（int），字符串型（str），布尔型（bool），列表（list）。

浮点型－用于定义实数。

整型－用于定义整数。

字符串型－用于定义文本。可以使用单引号（'value'）、双引号（"value"）或三引号（"""value"""）定义字符串，其中使用三引号定义的字符串可以出现在多行上，新行中的字符串也包含在变量的值中。这些字符串都可以用在函数文档中。

布尔型－用于定义真值，对数据执行过滤操作。

列表－用于存储变量值的集合。

我们可以使用函数type（variable_name）来检查特定变量的数据类型。Python中运算符产生的结果会随着数据变量类型的变化而变化，每种运算符内部实现的方法都不同。

▌Python Lists

list是一个基本的序列类型，我们可以使用list存储一组包含任何数据类型的值，list虽然并不常用，但一个list可以包含各种数据类型。我们可以用“［］”创建：

fruits=["pineapple","apple","lemon","strawberry","orange","kiwi"]

list中的子集

我们可以使用索引从列表中获取元素。Python的列表索引从0开始，因此，列表中第一个元素的索引值为0。我们也可以使用负索引访问列表中的元素，若列表中最后一个元素的索引为-1，那么其前一个元素的索引为-2，依此类推。我们也可以用“list slicing” 获取这个list的子list：sliceable[start_index:end_index:step]

start_index是子list的开始索引，该索引指向的元素会是所得到的子list的第0个元素。

end_index是子list的结束索引，该索引指向的元素不会被包含在子list中。end_index的默认值是列表长度。step为步长值，代表索引每次增加的值，默认值为1。如果step为负，则end_index默认值为-列表长度-1。如果不设置step，则返回结果将是从start_index开始至list末尾的所有元素。

示例代码：

fruits = ["pineapple","apple","lemon","strawberry","orange","kiwi"]

fruits[1]# apple

fruits[]#"pineapple"

fruits[-1]#"kiwi"

fruits[5]#"kiwi"

fruits[-3]#"strawberry"

# List slicing

fruits[::]# ["pineapple","apple","lemon","strawberry","orange","kiwi"]

fruits[:2]# ["pineapple","apple"]

fruits[-2:-1]# ["orange"]

fruits[3:]# ["strawberry","orange","kiwi"]

fruits[:4]# ["pineapple","apple","lemon","strawberry"]

fruits[:]# ["pineapple","apple","lemon","strawberry","orange","kiwi"]

fruits[::-1]# ["kiwi","orange","strawberry","lemon","apple","pineapple"]

fruits[::-2]# ["kiwi","strawberry","apple"]

fruits[::2]# ["pineapple","lemon","orange"]

# Understanding some default values

fruits[:6:1]# the same result as the result from fruits[::]

fruits[-1:-7:-1]# the same result as the result from fruits[::-1]

list的具体操作

添加元素：我们可以使用附加方法或“＋”号运算符把元素添加到list中。在Python中，如果对两个list使用“＋”运算符，则将产生一个新的list，它会包含这两个list中所有的元素。

将元素转变为list类型：我们可以使用前面在索引和list slicing部分提到的“［］”把元素转变成list类型。

删除元素：我们可以使用remove（value）从list中进行元素删除操作。该方法将删除list中value处的第一个元素。

示例代码：

# Add values to a list

fruits.append("peach")

fruits# ["pineapple","apple","lemon","strawberry","orange","kiwi","peach"]

fruits = fruits + ["fig","melon"]

fruits# ["pineapple","apple","lemon","strawberry","orange","kiwi","peach","fig","melon"]

# Change values from a list

fruits[:2] = ["grape","mango"]

fruits# ["grape","mango","lemon","strawberry","orange","kiwi","peach","fig","melon"]

# Delete values from a list

fruits.remove("mango")

fruits# ["grape","lemon","strawberry","orange","kiwi","peach","fig","melon"]

了解Python中list在计算机中的工作机制也很有必要。当我们创建一个新的列表my_list时，这个list将被存储在计算机内存中，list的地址存储在my_list变量中。变量my_list并不包含列表中的元素，只是一个对列表的引用。如果我们用“＝”复制一个列表，如：my_list_copy = my_list，那么我们在my_list_copy变量中复制的是其引用而不是列表中的值。如果想要复制列表中真实的值，则可使用list(my_list) 或slicing [:]。

示例代码：

numbers = [10, 42, 28, 420]

numbers_copy = numbers

numbers_copy[2] = 100

numbers# [10, 42, 100, 420]

numbers_copy# [10, 42, 100, 420]

ratings = [4.5, 5.0, 3.5, 4.75, 4.00]

ratings_copy = ratings[:]

ratings_copy[0] = 2.0

ratings# [4.5, 5.0, 3.5, 4.75, 4.0]

ratings_copy# [2.0, 5.0, 3.5, 4.75, 4.0]

characters = ["A","B","C"]

characters_copy = list(characters)

characters_copy[-1] ="D"

characters# ["A", "B", "C"]

characters_copy# ["A", "B", "D"]

▌函数

函数是用来解决特定任务的一段可重用代码，我们可以使用def关键字来编写函数：

示例代码：

defis_prime(n):

ifn

returnFalse

elifn

returnTrue

elifn %2==orn %3==:

returnFalse

current_number =5

whilecurrent_number * current_number

ifn % current_number ==orn % (current_number +2) ==:

returnFalse

current_number = current_number +6

returnTrue

当然，Python中也有很多内置函数，如max(iterable [, key]), min(iterable [, key]), type(object), round(number[, ndigits])等。在很多情况下，当我们需要用到函数来解决特定任务时，可以通过查找内置函数或使用一个Python包来解决。

大部分函数都需要一些输入并返回输出，这些函数都有参数，Python将函数的输入和参数进行匹配，“［］”内的参数则是可选的。

我们可以使用函数help([object]) 或？function_name来查看所有函数的帮助文档。如果你是在Jupyter Notebook中使用help([object])函数的话，帮助文档将会在当前的单元格中显示，？function_name则会在分页器中显示帮助文档。

▌方法

我们已经知道Python中的字符串型，浮点型，整型和布尔型等，每个数据结构都是一个对象。而函数则是根据对象类型用于特定对象的方法，因此，每个对象都有一个特定的类型和一组对应于该类型的函数。

示例代码：

# String methods

text ="Data Science"

text.upper()# "DATA SCIENCE"

text.lower()# "data science"

text.capitalize()# "Data science"

# Lists methods

numbers = [1, 4, 0, 2, 9, 9, 10]

numbers.reverse()

numbers# [10, 9, 9, 2, 0, 4, 1]

numbers.sort()

numbers# [0, 1, 2, 4, 9, 9, 10]

不同类型的对象可以对应相同名称的函数，根据不同的对象类型，函数会有对应的不同的行为。

示例代码：

numbers = [10, 30, 55, 40, 8, 30]

text ="Data Science"

numbers.index(8)# 4

text.index("a")# 1

numbers.count(30)# 2

text.count("i")# 1

请注意！有些函数可以改变调用它们的对象，如：被list类型调用的append()函数。

▌Packages

一个模块是指一个包含Python定义和语句的文件。模块指定了解决特定问题的函数、方法和新的Python类型。

而软件包（package）则是目录中模块的集合。Python中有很多现成的软件包，它们覆盖了很多方面的问题，如：“NumPy”，“matplotlib”，“seaborn”和 “scikit-learn”都是非常著名的数据科学软件包。

NumPy用于高效的处理数组。

Matplotlib和seaborn是用于数据可视化的流行库。

scikit-learn是一个强大的机器学习库。

Python中默认有些软件包是预设的，但是也有很多Python中没有但是我们需要用到的软件包。如果我们想使用这些软件包，就必须先确认这个包已经安装过，或者使用pip命令（Python中预设的一个的软件包管理工具）进行安装。

当然我们也可以使用“Anaconda“。

Anaconda发行版是一个免费且易于安装的软件包管理器，环境管理器和Python发行版本，内置了1000多个免费社区支持的开源软件包。

如果你不想自己费事安装一些软件包的话，可以使用“Anaconda”，在这个发行版中内置了很多有用的软件包。

Import语句

一旦安装了所需要的软件包，就可以将它们导入我们的Python文件中。我们可以从中导入整个软件包、子模块或特定的函数。另外，我们还可以给软件包添加一个别名。导入语句的方式如下：

简单的导入语句：

importnumpy

numbers = numpy.array([3,4,20,15,7,19,])

使用别名导入语句：

import numpy as np# np is an alias for the numpy package

numbers = np.array([3, 4, 20, 15, 7, 19, 0])# works fine

numbers = numpy.array([3, 4, 20, 15, 7, 19, 0])# NameError: name 'numpy' is not defined

从具有别名的包中导入子模块：

#importthe"pyplot"submodule from the"matplotlib"packagewith alias"plt"

importmatplotlib.pyplotasplt

从包中只导入一个函数：

from numpy import array

numbers = array([3, 4, 20, 15, 7, 19, 0])# works fine

numbers = numpy.array([3, 4, 20, 15, 7, 19, 0])# NameError: name 'numpy' is not defined

type(numbers)# numpy.ndarray

我们还可以使用from numpy import * 语句来进行导入，其中，*表示将该模块中所有的东西都导入到本文件中。该导入语句会在当前命名空间内创建一个面向所有用numpy模块定义的公共对象的引用。换句话说，我们可以使用numpy中所有的可用函数，并且只使用其名称而不需要带前缀。例如：你现在使用NumPy的绝对值函数可以直接这样用：absolute()，而不是：numpy.absolute()。

但是我不建议你这样使用，因为：

如果你将一些模块中所有的函数都导入到文件中，那么当前的命名空间将会有太多的函数。以至于要是有人查看你的代码，很容易搞不清哪个函数对应哪个包。

如果两个模块中的某个函数名称相同，那么第二个导入的模块将会覆盖第一个模块中相应的函数。

▌NumPy

Numpy是Python用于科学计算的一个基础软件包，它运行速度很快且易于使用。这个包帮助我们对元素进行逐元素的计算。

在Python中，常规的list不会逐元素进行计算。虽然也可以使用，但是list运行速度很慢，我们需要编写更多的代码才能达到自己想要的结果。在大多数情况下，Numpy是一个更好的选择。

与在Python中常规的list不同，Numpy数组中的元素只能有一个类型。如果将不同类型的数组传递给np.array()，则可以使用参数dtype表示不同的类型。若没有给出这个参数，那么数组类型将是保存对象所需的最小类型。

Numpy数组-类型转换：

np.array([False,42,"Data Science"])# array(["False", "42", "Data Science"], dtype="

np.array([False,42], dtype = int)# array([ 0, 42])

np.array([False,42,53.99], dtype = float)# array([ 0. , 42. , 53.99])

# Invalid converting

np.array([False,42,"Data Science"], dtype = float)# could not convert string to float: 'Data Science'

Numpy数组有自己的属性和方法。还记得前面我们提到Python运算符在不同的数据类型上会有不同的表现吗？Numpy中，运算符的表现就是逐元素运算。

Numpy数组上的运算符：

np.array([37,48,50]) +1# array([38, 49, 51])

np.array([20,30,40]) *2# array([40, 60, 80])

np.array([42,10,60]) /2# array([ 21., 5., 30.])

np.array([1,2,3]) * np.array([10,20,30])# array([10, 40, 90])

np.array([1,2,3]) - np.array([10,20,30])# array([ -9, -18, -27])

Numpy数组的数据类型为：nump.ndarry，ndarray代表着n维数组。上述例子中使用的是一维数组，我们也可以创建2，3，4或更多维数组。我们也可以独立于数组的维度来获取数组的子集。下面将以2维数组为例，获取2维数组子集：

numbers = np.array([

[1, 2, 3],

[4, 5, 6],

[7, 8, 9],

[10, 11, 12]

])

numbers[2,1]# 8

numbers[-1,]# 10

numbers[]# array([1, 2, 3])

numbers[:,]# array([ 1, 4, 7, 10])

numbers[:3,2]# array([3, 6, 9])

numbers[1:3,1:3]# array([[5, 6],[8, 9]])

如果想查看数组的维度和每个维度有多少个元素，则可以使用shape属性。对于2维数组来说，第一个元素表示行数，第二个元素表示列数。

基本的统计操作

np.mean() –会返回数组内元素的算术平均值（元素的总和除以元素的长度）。

np.median() –会返回数组内元素的中位数（数组排完序后计算得到的中位数，如果数组长度为偶数，则返回数组两个中间值的平均值）

np.corrcoef() -返回相关系数矩阵。用于查看数据集中两个（数组长度相同的）变量之间是否存在相关性。

np.std() -返回标准差。

使用Numpy进行一些基本的统计操作：

learning_hours = [1, 2, 6, 4, 10]

grades = [3, 4, 6, 5, 6]

np.mean(learning_hours) # 4.6

np.median(learning_hours) # 4.0

np.std(learning_hours) # 3.2

np.corrcoef(learning_hours, grades) # [[ 1. 0.88964891][0.88964891 1.]]

从上面这个例子中我们可以看出，learning_hours和grades之间有很高的相关性。

另外，也可以发现：

learning_hours的平均值是4.6。

learning_hours的中间值是4.0。

learning_hours的标准差是3.2。

Numpy中的一些基本的函数在Python的列表中也存在，如 np.sort() 和np.sum() 。但是需要注意的是，Numpy在数组中会强制执行单一类型，这会加快程序的计算速度。

▌练习

我准备了一些练习如下，如子集，元素操作和一些基本统计操作。

获取list的子集

获取2维Numpy数组子集

Numpy元素操作

Numpy的基本统计操作