最全攻略：数据分析师必备Python编程基础知识

导读：本文主要介绍使用Python进行数据分析时必备的编程基础知识，主要涉及Python的基本数据类型、数据结构、程序控制、读写数据等内容。

Python编写代码时，是以缩进作为代码块的标识，而不是使用花括号等字符，这与其它语言有较大差别。这种方式显示的代码可读性更高，通常使用四个空格或一个tab作缩进，如果是Python编程的新手，要注意这一点。

作者：常国珍、赵仁乾、张秋剑

本文摘编自《Python数据科学：技术详解与商业实践》，如需转载请联系大数据（ID：hzdashuju）

01 Python的基本数据类型

Python的基本数据类型包括几种，如下表：

▲表3-1 Python基础数据类型

下面一一进行详述。

1. 字符串(str)

Python中，单引号、双引号、三引号包围的都是字符串，如下所示：

此外，Python中的字符串也支持一些格式化输出，例如换行符“\n”和制表符“\t”:

当然，有时候为避免混淆，也会使用转义字符“\”，用于转义“\”后一位的字符为原始输出。

此外还可以通过在引号前加r来表示原始输出：

Python中字符串支持加运算表示字符串拼接：

2. 浮点数和整数（float，int）

Python可以处理任意大小的整数，当然包括负整数，在程序中的表示方法和数学上的写法一模一样。

Python支持数值的四则运算，如下所示：

Python可以处理双精度浮点数，可以满足绝大部分数据分析的需求，要精确空值数字精度，还可以使用numpy扩展库。

此外，可以使用内置函数进行数值类型转换，例如转换数值字符为数值：

3. 布尔值 （Bool：True/False）

Python布尔值一般通过逻辑判断产生，只有两个可能结果:True/False

整型、浮点型的“0”和复数0+0j也可以表示False，其余整型、浮点型、复数数值都被判断为True，如下代码通过逻辑表达式创建bool逻辑值：

当然，Python中提供了逻辑值的运算即“且”、“或”、“非”运算，

布尔逻辑值转换可以使用内置函数bool，除数字0外，其他类型用bool转换结果都为True。

Python中对象类型转换可参考表3-2。

▲表3-2 Python数据类型转换

4. 其他

Python中，还有一些特殊的数据类型，例如无穷值，nan(非数值)，None等。可以通过以下方式创建：

下面是无穷值的一些运算，注意正负无穷相加返回nan(not a number)，表示非数值

非数值nan在Python中与任何数值的运算结果都会产生nan，nan甚至不等于自身。如下所示。nan可用于表示缺失值。

此外，python中提供了None来表示空，其仅仅支持判断运算，如下所示

02 Python的基本数据结构

Python的基本数据类型包括以下几种，这些数据类型表示了自身在Python中的存储形式。在Python中可以输入type（对象）查看数据类型。

1. 列表(list)

1.1 列表简介

列表list是Python内置的一种数据类型，是一种有序的集合，用来存储一连串元素的容器，列表用[]来表示，其中元素的数据类型可不相同。

除了使用“[]”创建列表外，还可以使用list()函数：

可以通过索引对访问或修改列表相应位置的元素，使用索引时，通过”[]”来指定位置。在Python中，索引的起始位置为0，例如取list1的第一个位置的元素：

可以通过”:”符号选取指定序列的位置的元素,例如取第1到第3个位置的元素，注意这种索引取数是前包后不包的(包括0位置，但不包括3位置，即取0，1，2位置的元素)：

此外，Python中的负索引表示倒序位置，例如-1代表list1最后一个位置的元素：

列表支持加法运算，表示两个或多个列表合并为一个列表，如下所示：

1.2 列表的方法

Python中，列表对象内置了一些方法。这里介绍append方法和extend方法，append方法表示在现有列表中添加一个元素，在循环控制语句中，append方法使用较多，以下是示例：

extend方法类似于列表加法运算，表示合并两个列表为一个列表:

2. 元组(tuple)

元组与列表类似，区别在于在列表中，任意元素可以通过索引进行修改。而元组中，元素不可更改，只能读取。下面展示了元组和列表的区别,列表可以进行赋值，而同样的操作应用于元组则报错。

这里通过”()”创建元组，python中，元组类对象一旦定义虽然无法修改，但支持加运算，即合并元组。

元组也支持像列表那样通过索引方式进行访问。

3. 集合(set)

Python中，集合(set)是一组key的集合，其中key不能重复。可以通过列表、字典或字符串等创建集合，或通过“{}”符号进行创建。Python中集合主要有两个功能，一个功能是进行集合操作，另一个功能是消除重复元素。

Python支持数学意义上的集合运算，比如差集、交集、补集、并集等，例如如下集合：

A，B的差集，即集合A的元素去除AB共有的元素：

A，B的并集，即集合A与集合B的全部唯一元素：

A，B的交集，即集合A和集合B共有的元素：

A，B的对称差，即集合A与集合B的全部唯一元素去除集合A与集合B的公共元素：

需要注意集合不支持通过索引访问指定元素。

4. 字典（dict）

Python内置了字典dict，在其他语言中也称为map，使用键-值(key-value)存储，具有极快的查找速度，其格式是用大括号{}括起来key和value用冒号“:”进行对应。例如以下代码创建了一个字典：

字典本身是无序的，可以通过方法keys和values取字典键值对中的键和值，如下所示：

字典支持按照键访问相应值的形式，如下所示：

这里需要注意定义字典时，键不能重复，否则重复的键值会替代原先的键值,如下所示，键’Lily’产生重复，其值被替换。

03 Python的程序控制

程序控制结构是编程语言的核心基础，Python的编程结构有3种，本节将详细地介绍这3种结构。

1. 三种基本的编程结构简介

简单来说，程序结构分为三种：顺承结构、分支结构和循环结构（图3-1）。

▲图3-1程序执行结构

顺承结构的程序特点是依照次序将代码一个一个地执行，并返回相应的结果，这种结构较为简单，易于理解；

分支结构的程序多出了条件判断，即满足某种条件就继续执行，否则跳转到另外的条件上进行执行；

循环结构用于处理可以迭代的对象，这种结构通过循环可迭代的对象，然后对每一个对象执行程序并产生结果。在迭代次数较多的情况下，使用顺承结构往往要写非常长的代码，而循环结构则非常简单。

这些结构中，分支结构往往需要条件判断语句进行控制，比如if、else等，而循环结构则需要循环语句for进行控制，当然分支结构与循环结构完全可以混合，这时就可以通过条件循环语句while进行控制。

下面我们具体看看这几个结构的程序。

2. 顺承结构

2.1 顺承结构

现在创建一个列表a:

需要打印列表a中的所有元素，可以有如下写法，虽然烦琐但完成了任务。这种顺序执行的编程结构就是顺承结构：

2.2 逻辑行与物理行

Python中，代码是逐行提交给解释器进行编译的，这里的一行称为逻辑行，实际代码也确实是一行，那么代码的物理行就只有一行，例如上述print代码，逻辑行和物理行是统一的。

但某些情况下，编写者写入一个逻辑行的代码过长时，可以分拆为多个物理行执行，例如：

可以写为如下方式，符号’\’是换行的标识，此时代码还是一个逻辑行，但有两个物理行。

当多个逻辑行代码过短时：

可以使用分号“;”将多个逻辑行转化为一个物理行执行：

3. 分支结构

分支结构的分支用于进行条件判断，Python中，使用if 、elif、else、冒号与缩进表达。详细语法可见以下示例，下面的语法的判断逻辑为 :

若数值x小于0，令x等于0，若成立则打印信息'Negative changed to zero'；

若第一个条件不成立，判断x是否为0，若成立打印'Zero';

若第一、第二个条件不成立，再判断x是否为1，若成立打印’single’;

若第一、第二、第三个条件都不成立，打印’more’。

以x=-2测试结果：

这里，if，elif，else组成的逻辑是一个完整的逻辑，即程序执行的时，任何条件成立时，会停止后面的条件判断。这里需注意，当多个if存在时的条件判断的结果：若把上述代码中的elif改为if后，程序执行的结果会发生变化，如下所示：

此时，上述程序的中任何if判断结果无论是否成立都会依次执行一遍，所以x=-2会被赋值为0后继续执行，第二个if判断为真，第三个if判断为假时，再跳到else进行执行，此时第三个if和else才是一个完整的逻辑。在写条件判断结构的程序时需要注意。

4. 循环结构

这里介绍Python中的for循环结构和while循环结构，循环语句用于遍历枚举一个可迭代对象的所有取值或其元素，每一个被遍历到的取值或元素执行指定的程序并输出。这里可迭代对象指可以被遍历的对象，比如列表、元组、字典等。

4.1 For循环

下面是一个for循环的例子， i用于指代一个可迭代对象中a中的一个元素，for循环写好条件后以冒号结束，并换行缩进，第二行是针对每次循环执行的语句，这里是打印列表a中的每一个元素。

上述操作也可以通过遍历一个可迭代对象的索引来完成，a列表一共5个元素，range(len(a))表示生成a的索引序列,这里打印索引并打印a向量索引下的取值。

4.2 while循环

while循环一般会设定一个终止条件，条件会随着循环的运行而发生变化，当条件满足时，循环终止。while循环可以通过条件制定循环次数，例如通过计数器来终止掉循环，如下所示，计数器count每循环一次自增1，但count为5时，while条件为假，终止循环。

以下是一个比较特殊的示例，演示如何按照指定条件循环而不考虑循环的次数，例如编写循环，使x不断减少，当x小于0.0001时终止循环，如下所示，循环了570次，最终x取值满足条件，循环终止。

4.3 break、continue、pass

上例中while循环代码中使用了break表示满足条件时终止循环。此外，也可通过continue、pass对循环进行控制。Continue表示继续进行循环，例如如下代码尝试打印10以内能够被3整除的整数，注意continue和break的区别：

使用break：

pass语句一般是为了保持程序的完整性而作为占位符使用，例如以下代码中pass没有任何操作。

4.4 表达式

在Python中，诸如列表、元组、集合、字典都是可迭代对象，Python为这些对象的遍历提供了更加简洁的写法。例如如下列表对象x的遍历，且每个元素取值除以10:

上述[i/10 for i in x]的写法称为列表表达式，这种写法比for循环更加简便。此外对于元组对象、集合对象、字典对象，这种写法依旧适用，最终产生一个列表对象。

此外Python还支持集合表达式与字典表达式用于创建集合、字典，例如如下形式创建集合：

字典表达式可以以如下方式创建：

04 Python的函数与模块

1. Python的函数

函数是用来封装特定功能的实体，可对不同类型和结构的数据进行操作，达到预定目标。像之前的数据类型转换函数入str,float等就属于函数。当然除了python的内置函数与第三方库的函数外，还可以自定义函数从而完成指定任务。

1.1 自定义函数示例

例如自定义求一个列表对象均值的函数avg，sum与len函数是python内置函数，分别表示求和与长度：

运行完毕后，就可以调用该函数进行运算了:

1.2 函数的参数

函数的参数可以分为形式参数与实际参数，形式参数，形式参数作用于函数的内部，其不是一个实际存在的变量，当接受一个具体值时(实际参数)，负责将具体值传递到函数内部进行运算，例如之前定义的函数avg，形式参数为x。

实际参数即具体值，通过形式参数传递到函数内部参与运算并输出结果，刚才的例子中，实际参数为一个列表：

函数参数的传递有两种方式：按位置和按关键字。当函数的形式参数过多时，一般采用按关键字传递的方式，通过形式参数名=实际参数的方式传递参数，如下所示，函数age有四个参数，可以通过指定名称的方式使用，也可按照顺序进行匹配：

函数的参数中，亦可以指定形式参数的默认值，此时该参数称为可选参数，表示使用时可以不定义实际参数，例如如下例子，函数f有两个参数，其中参数L指定了默认值None:

使用该函数时，只需指定a参数的值，该函数返回一个列表对象，若不给定初始列表L，则创建一个列表，再将a加入到列表中:

也可指定可选参数L的取值：

1.3 匿名函数lambda

Python中设定了匿名函数lambda，简化了自定义函数定义的书写形式。使得代码更为简洁。例如通过lambda函数定义一个函数g：

该函数相当于如下自定义函数：

2. Python的模块

为了编写可维护的代码，可以把很多函数分组，分别放到不同的文件里，这样，每个文件包含的代码就相对较少，很多编程语言都采用这种组织代码的方式。在Python中，一个.py文件就称之为一个模块（Module），其内容形式是文本，可以在IDE中或者使用常用的文本编辑器进行编辑。

自定义模块

使用文本编辑器创建一个mod.py文件，其中包含一个函数，如下所示：

使用自定义模块时，将mod.py放置在工作目录下，通过“import 文件名”命令载入：

在使用该模块的函数时，需要加入模块名的信息，如下：

载入模块还有很多方式，如下（注意别名的使用）：

载入第三方库

import命令还可以载入已经下载好的第三方库，使用方式与上面所展示的一致。例如，载入numpy模块：

此时就可以使用Numpy模块中的函数了，例如Numpy中提供的基本统计函数:

Numpy提供了强大的多维数组、向量、稠密矩阵、稀疏矩阵等对象，支持线性代数、傅里叶变换等科学运算，提供了C/C++及Fortron代码的整合工具。

Numpy的执行效率要比Python自带的数据结构要高效的多，在Numpy的基础上，研究者们开发了大量用于统计学习、机器学习等科学计算的框架，基于Numpy的高效率，这些计算框架具备了较好的实用性。可以说， Numpy库极大地推动了Python在数据科学领域的流行。

若不太清楚如何使用Python 中（含第三方包和库）的方法和对象，可以查阅相关文档或使用帮助功能，代码中获取帮助信息的方式有多种，比如如下几种：

05 pandas 读取结构化数据

Numpy中的多维数组、矩阵等对象具备极高的执行效率，但是在商业数据分析中，我们不仅需要一堆数据，还需要了解各行、列的意义，同时会有针对结构化数据的相关计算，这些是Numpy不具备的。为了方便分析，研究者们开发了Pandas用于简化对结构化数据的操作。

Pandas是一个基于Numpy开发的更高级的结构化数据分析工具，提供了Series、DataFrame、Panel等数据结构，可以很方便地对序列、截面数据（二维表）、面板数据进行处理。

DataFrame即是我们常见的二维数据表，包含多个变量（列）和样本（行），通常称为数据框；Series是一个一维结构的序列，会包含指定的索引信息，可以视作是DataFrame中的一列或一行，操作方法与DataFrame十分相似；Panel是包含序列及截面信息的三维结构，通常称为面板数据，通过截取会获得对应的Series和DataFrame。

由于这些对象的常用操作方法是十分相似的，本节读取与保存数据以及后续章节进行的数据操作，都主要使用DataFrame进行演示。

1. 读取数据

1.1 使用Pandas读取文件

Python的Pandas库提供了便捷读取本地结构化数据的方法，这里主要以csv数据为例。pandas.read_csv函数可以实现读取csv数据，读取方式见以下代码，其中'data/sample.csv'表示文件路径:

按照通常的惯例，Pandas会以pd做为别名，pd.read_csv读取指定路径下的文件，然后返回一个DataFrame对象。在命令行中打印DataFrame对象其可读性可能会略差一些，如果在jupyter notebook 中执行的话，则DataFrame的可读性会大幅提升：

▲图3-2 jupyter notebook中的DataFrame展现

打印出来的DataFrame包含了索引（index，第一列），列名（column，第一行）及数据内容（values，除第一行和第一列之外的部分）。

此外，read_csv函数有很多参数可以设置，这里列出常用参数，如表3-3所示。

▲表3-3 pandas.read_csv参数一览

Pandas除了可以直接读取csv、Excel、Json、html等文件生成DataFrame，也可以从列表、元组、字典等数据结构创建DataFrame，

1.2 读取指定行和指定列

使用参数usecol和nrows读取指定的列和前n行，这样可以加快数据读取速度。如下所示，读取原数据的两列、两行:

1.3 使用分块读取

参数chunksize可以指定分块读取的行数，此时返回一个可迭代对象，这里big.csv是一个4500行4列的csv数据，这里设定chunksize=900，分5块读取数据,每块900行，4个变量，如下所示：

可以使用pd.concat函数再读取全部数据。

1.4 缺失值操作

使用na_values参数指定预先定义的缺失值，数据sample.csv中，“小青”的分数有取值为99999的情况，这里令其读取为缺失值，操作如下

1.5 文件编码

读取数据时，常遇到乱码的情况，这里需要先弄清楚原始数据的编码形式是什么，再以指定的编码形式进行读取，例如sample.csv编码为'utf-8'，这里以指定编码(参数encoding)读取。

2. 写出数据

pandas的数据框对象有很多方法，其中方法“to_csv”可以将数据框对象以csv格式写入到本地中。to_csv方法的常见参数见表3-4:

▲表3-4 pandas.to_csv参数一览

例如以以下方式写出，'data/write.csv'表示写出的路径，encoding = 'utf-8'表示以'utf-8'编码方式输出，index=False表示不写出索引列。

关于作者：常国珍，数据科学专家和金融技术专家。北京大学会计学博士，中国大数据产业生态联盟专家委员会委员。

赵仁乾，数据科学家，在电信大数据和机器学习领域有丰富的实践经验。

张秋剑，大数据专家和金融行业技术专家，上海师范大学计算机科学技术硕士。

本文摘编自《Python数据科学：技术详解与商业实践》，经出版方授权发布。