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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181220B1GHV300?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券