這篇文章介紹了8個使用Python進行數(shù)據(jù)分析的方法，不僅能夠提升運行效率，還能夠使代碼更加“優(yōu)美”。

1

一行代碼定義List

定義某種列表時，寫For 循環(huán)過于麻煩，幸運的是，Python有一種內(nèi)置的方法可以在一行代碼中解決這個問題。下面是使用For循環(huán)創(chuàng)建列表和用一行代碼創(chuàng)建列表的對比。

x = [1,2,3,4]
out = []
for item in x:
  out.append(item**2)
print(out)

[1, 4, 9, 16]

# vs.

x = [1,2,3,4]
out = [item**2 for item in x]
print(out)

[1, 4, 9, 16]

2

?Lambda表達式

厭倦了定義用不了幾次的函數(shù)？Lambda表達式是你的救星！Lambda表達式用于在Python中創(chuàng)建小型，一次性和匿名函數(shù)對象， 它能替你創(chuàng)建一個函數(shù)。

lambda表達式的基本語法是：

lambda arguments: expression

注意！只要有一個lambda表達式，就可以完成常規(guī)函數(shù)可以執(zhí)行的任何操作。?

你可以從下面的例子中，感受lambda表達式的強大功能：

double = lambda x: x * 2
print(double(5))

10

3

Map和Filter

一旦掌握了lambda表達式，學習將它們與Map和Filter函數(shù)配合使用，可以實現(xiàn)更為強大的功能。具體來說，map通過對列表中每個元素執(zhí)行某種操作并將其轉(zhuǎn)換為新列表。?

在本例中，它遍歷每個元素并乘以2，構(gòu)成新列表。?（注意！list()函數(shù)只是將輸出轉(zhuǎn)換為列表類型）

# Map
seq = [1, 2, 3, 4, 5]
result = list(map(lambda var: var*2, seq))
print(result)

[2, 4, 6, 8, 10]

Filter函數(shù)接受一個列表和一條規(guī)則，就像map一樣，但它通過比較每個元素和布爾過濾規(guī)則來返回原始列表的一個子集。

# Filter
seq = [1, 2, 3, 4, 5]
result = list(filter(lambda x: x > 2, seq))
print(result)

[3, 4, 5]

4

Arange和Linspace

Arange返回給定步長的等差列表。它的三個參數(shù)start、stop、step分別表示起始值，結(jié)束值和步長，?請注意！stop點是一個“截止”值，因此它不會包含在數(shù)組輸出中。

# np.arange(start, stop, step)
np.arange(3, 7, 2)

array([3, 5])

Linspace和Arrange非常相似，但略有不同。?Linspace以指定數(shù)目均勻分割區(qū)間，所以給定區(qū)間start和end，以及等分分割點數(shù)目num，linspace將返回一個NumPy數(shù)組。?

這對繪圖時數(shù)據(jù)可視化和聲明坐標軸特別有用。

# np.linspace(start, stop, num)
np.linspace(2.0, 3.0, num=5)

array([ 2.0, ?2.25, ?2.5, ?2.75, 3.0]

5

Axis代表什么？

在Pandas中，刪除一列或在NumPy矩陣中求和值時，可能會遇到Axis。我們用刪除一列（行）的例子：

df.drop('Column A', axis=1)
df.drop('Row A', axis=0)

如果你想處理列，將Axis設置為1，如果你想要處理行，將其設置為0。但為什么呢？?回想一下Pandas中的shape。

df.shape
(# of Rows, # of Columns)

從Pandas DataFrame中調(diào)用shape屬性返回一個元組，第一個值代表行數(shù)，第二個值代表列數(shù)。

如果你想在Python中對其進行索引，則行數(shù)下標為0，列數(shù)下標為1，這很像我們?nèi)绾温暶鬏S值。

6

Concat，Merge和Join

如果您熟悉SQL，那么這些概念對你來說可能會更容易。?無論如何，這些函數(shù)本質(zhì)上就是以特定方式組合DataFrame的方式。?在哪個時間跟蹤哪一個最適合使用可能很困難，所以讓我們回顧一下。

Concat允許用戶在表格下面或旁邊追加一個或多個DataFrame（取決于您如何定義軸）。

Merge將多個DataFrame合并指定主鍵（Key）相同的行。

Join，和Merge一樣，合并了兩個DataFrame。但它不按某個指定的主鍵合并，而是根據(jù)相同的列名或行名合并。

7

Pandas Apply

Apply是為Pandas Series而設計的。如果你不太熟悉Series，可以將它想成類似Numpy的數(shù)組。

Apply將一個函數(shù)應用于指定軸上的每一個元素。使用Apply，可以將DataFrame列（是一個Series）的值進行格式設置和操作，不用循環(huán)，非常有用！

df = pd.DataFrame([[4, 9],] * 3, columns=['A', 'B'])
 df
   A  B
0 ?4 ?9
1 ?4 ?9
2 ?4 ?9

df.apply(np.sqrt)
     A    B
0 ?2.0 ?3.0
1 ?2.0 ?3.0
2 ?2.0 ?3.0

df.apply(np.sum, axis=0)
A    12
B    27

df.apply(np.sum, axis=1)
0 ? ?13
1 ? ?13
2 ? ?13

8

Pivot Tables

如果您熟悉Microsoft Excel，那么你也許聽說過數(shù)據(jù)透視表。?

Pandas內(nèi)置的pivot_table函數(shù)以DataFrame的形式創(chuàng)建電子表格樣式的數(shù)據(jù)透視表,，它可以幫助我們快速查看某幾列的數(shù)據(jù)。?

下面是幾個例子：

非常智能地將數(shù)據(jù)按照“Manager”分了組：

pd.pivot_table(df, index=["Manager", "Rep"])

或者也可以篩選屬性值

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])

希望上面的這些描述能夠讓你發(fā)現(xiàn)Python一些好用的函數(shù)和概念。