點擊上方「Python爬蟲與數據挖掘」，進行關注python
回覆「書籍」便可獲贈Python從入門到進階共10本電子書web
這是Python數據分析實戰基礎的第一篇內容，主要是和Pandas來個簡單的邂逅。已經熟練掌握Pandas的同窗，能夠加快手速滑動瀏覽或者直接略過本文。
這段時間和一些作數據分析的同窗閒聊，我發現數據分析技能入門階段存在一個廣泛性的問題，不少憑着興趣入坑的同窗，都可以很快熟悉Python基礎語法，而後不約而同的一頭扎進《利用Python進行數據分析》這本經典之中，硬着頭皮啃完以後，好像本身什麼都會了一點，然而實際操做起來既不知從何操起，又漏洞百出。
至於緣由嘛，理解不夠，實踐不夠是兩條老牌的攔路虎，只能靠本身來克服。還有一個很是有意思且常常被忽視的因素——陷入舉三反一的懵逼狀態。
什麼意思呢？假如我是個旱鴨子，想去學游泳，教練很認真的給我剖析了蛙泳的動做，扶着個人腰讓我在水裏劃拉了5分鐘，接着立刻給我講解了蝶泳，又是劃拉了5分鐘，而後又硬塞給我潛泳的姿式，依然是劃拉5分鐘。最後，教練一會兒把我丟進踩不到底的泳池，給我吶喊助威。
做爲一個還沒入門的旱鴨子，教練傾囊授了我3種游泳技巧，讓我分別實踐了5分鐘。這樣作的結果就是我哪種游泳技巧也沒學會，只學會了喝水。當一個初學者一開始就陷入針對單個問題的多種解決方法，而每一種方法的實踐又淺嘗輒止，在面對具體問題時每每會手忙腳亂。
拿Pandas來講，它的多種構造方式，多種索引方式以及相似效果的多種實現方法，很容易把初學者打入舉三反一的懵逼狀態。因此，儘可能避開這個坑
也
是我
寫
Pandas
基礎系列的初衷，
但願經過
梳理
和精簡知識點
的方式，
給須要的同窗一些啓發。目前暫定整個基礎系列分爲4篇，基礎篇事後即是有趣的實戰篇。
江湖上流傳着這麼一句話——分析不識潘大師（PANDAS），縱是老手也枉然。
Pandas是基於Numpy的專業數據分析工具，能夠靈活高效的處理各類數據集，也是咱們後期分析案例的神器。它提供了兩種類型的數據結構，分別是DataFrame和Series，
咱們能夠簡單粗暴的把DataFrame理解爲Excel裏面的一張表，而Series就是表中的某一列，後面學習和用到的全部Pandas騷操做，都是基於這些表和列進行的操做（關於Pandas和Excel的形象關係，這裏推薦個人好朋友張俊紅寫的《對比EXCEL，輕鬆學習Python數據分析》)。
這裏有一點須要強調，Pandas和Excel、SQL相比，只是調用和處理數據的方式變了，核心都是對源數據進行一系列的處理，在正式處理以前，更重要的是
謀定然後動，明確分析的意義，理清分析思路以後再處理和分析數據
，每每事半功倍。
在Pandas中咱們想要構造下面這一張表應該如何操做呢？
別忘了，第一步必定是先導入咱們的庫——import pandas as pd
構造DataFrame最經常使用的方式是字典+列表，語句很簡單，先是字典外括，而後依次打出每一列標題及其對應的列值（此處必定要用列表），這裏列的順序並不重要：
左邊是jupyter notebook中dataframe的樣子，若是對應到excel中，他就是右邊表格的樣子，經過改變columns,index和values的值來控制數據。
PS,若是咱們在建立時不指定index，系統會自動生成從0開始的索引。
更多時候，咱們是把相關文件數據直接讀進PANDAS中進行操做，這裏介紹兩種很是接近的讀取方式，一種是CSV格式的文件，一種是EXCEL格式（.xlsx和xls後綴）的文件。
engine是使用的分析引擎，讀取csv文件通常指定python避免中文和編碼形成的報錯。
而讀
取Excel文件，則是同樣的味道：
很是easy，其實read_csv和read_excel還有一些參數，好比header、sep、names等，你們能夠作額外瞭解。實踐中數據源的格式通常都是比較規整的，更多狀況是直接讀取。
這裏以咱們的案例數據爲例，迅速熟悉查看N行，數據格式概覽以及基礎統計數據。
不少時候咱們想要對數據內容作一個總覽，用df.head()函數直接能夠查看默認的前5行，與之對應，df.tail()就能夠查看數據尾部的5行數據，這兩個參數內能夠傳入一個數值來控制查看的行數，例如df.head(10)表示查看前10行數據。
df.info()幫助咱們一步摸清各列數據的類型，以及缺失狀況：
從上面直接能夠知道數據集的行列數，數據集的大小，每一列的數據類型，以及有多少條非空數據。
快速計算數值型數據的關鍵統計指標，像平均數、中位數、標準差等等。
咱們原本有5列數據，爲何返回結果只有兩列？
那是由於這個操做只針對數值型的列。
其中count是統計每一列的有多少個非空數值，mean、std、min、max對應的分別是該列的均值、標準差、最小值和最大值，25%、50%、75%對應的則是分位數。
這裏，咱們採用SQL四大法寶的邏輯來簡單梳理針對列的基本處理方式——
增、刪、選、改。
舒適提示：
使用Pandas時，儘可能避免用行或者EXCEL操做單元格的思惟來處理數據，要逐漸養成一種列向思惟，每一列是同宗同源，處理起來是嗖嗖的快。
增長一列，用df['新列名'] = 新列值的形式，在原數據基礎上賦值便可：
咱們用drop函數制定刪除對應的列，axis = 1表示針對列的操做，inplace爲True，則直接在源數據上進行修改，不然源數據會保持原樣。
選取多列呢？
須要用列表來傳遞：
df[['第一列','第二列','第三列'..]]
好事多磨，複雜的針對特定條件和行列的篩選、修改，放在後面結合案例細講，這裏只講一下最簡單的更改：
df['舊列名'] = 某個值或者某列值，就完成了對原列數值的修改。
字符串類型是最經常使用的格式之一了，Pandas中字符串的操做和原生字符串操做幾乎一毛同樣，惟一不一樣的是須要在操做前加上".str"。
小Z舒適提示：
咱們最初用df2.info()查看數據類型時，非數值型的列都返回的是object格式，和str類型深層機制上的區別就不展開了，在常規實際應用中，咱們能夠先理解爲object對應的就是str格式，int64對應的就是int格式，float64對應的就是float格式便可。
在案例數據中，咱們發現來源明細那一列，多是系統導出的歷史遺留問題，每個字符串前面都有一個「-」符號，又醜又無用，因此把他給拿掉：
數值型數據，常見的操做是計算，分爲與單個值的運算，長度相等列的運算。
以案例數據爲例，源數據訪客數咱們是知道的，如今想把全部渠道的訪客都加上10000，怎麼操做呢？
只須要選中訪客數所在列，而後加上10000便可，pandas自動將10000和每一行數值相加，針對單個值的其餘運算（減乘除）也是如此。
列之間的運算語句也很是簡潔。
源數據是包含了訪客數、轉化率和客單價，而實際工做中咱們對每一個渠道貢獻的銷售額更感興趣。
（銷售額 = 訪客數 X 轉化率 X 客單價）
對應操做語句：
df['銷售額'] = df['訪客數'] * df['轉化率'] * df['客單價']
致使報錯的緣由，是數值型數據和非數值型數據相互計算致使的。
PANDAS把帶「%」符號的轉化率識別成字符串類型，咱們須要先拿掉百分號，再將這一列轉化爲浮點型數據：
要注意的是，這樣操做，把9.98%變成了9.98，因此咱們還須要讓支付轉化率除以100，來還原百分數的真實數值：
PANDAS中時間序列相關的水很是深，這裏只對平常中最基礎的時間格式進行講解，對時間序列感興趣的同窗能夠自行查閱相關資料，深刻了解。
以案例數據爲例，咱們這些渠道數據，是在2019年8月2日提取的，後面可能涉及到其餘日期的渠道數據，因此須要加一列時間予以區分，在EXCEL中經常使用的時間格式是'2019-8-3'或者'2019/8/3'，
咱們用PANDAS來實現一下：
在實際業務中，一些時候PANDAS會把文件中日期格式的字段讀取爲字符串格式，這裏咱們先把字符串'2019-8-3'賦值給新增的日期列，而後用to_datetime()函數將字符串類型轉換成時間格式：
轉換成時間格式（這裏是datetime64）以後，咱們能夠用處理時間的思路高效處理這些數據，好比，我如今想知道提取數據這一天離年底還有多少天（'2019-12-31'），
直接作減法（
該函數接受時間格式的字符串序列，也接受單個字符串）：
-
-
-
-
第四步，對數據有了基礎瞭解，就能夠進行簡單的增刪選改了。
-
第五步，在瞭解基礎操做以後，對Pandas中基礎數據類型進行了初步照面。
每一步都是本着小而美（畢竟臭美也算美）和輕量的初心，和你們一塊兒從新認識回顧這些模塊，而後在接下來的案例實踐中檢驗、鞏固、沉澱這些操做與分析思路。
本文完整案例數據，後臺回覆「初識pandas」便可獲取。
後臺回覆「專欄」二字，能夠獲取《數據結構與算法之美》優惠海報，歡迎你們訂閱。less
------------------- End -------------------編輯器
往期精彩文章推薦：函數
歡迎你們點贊，留言，轉發，轉載，感謝你們的相伴與支持工具
想加入Python學習羣請在後臺回覆【入羣】
萬水千山老是情，點個【在看】行不行
/今日留言主題/
請說一下你對pandas庫的見解。
本文分享自微信公衆號 - Python爬蟲與數據挖掘（crawler_python）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。