不管是參加Kaggle比賽，還是開發(fā)一個深度學(xué)習(xí)應(yīng)用，***步總是數(shù)據(jù)分析。

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”。

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] 

 Lambda表達(dá)式

厭倦了定義用不了幾次的函數(shù)？ Lambda表達(dá)式是你的救星！

Lambda表達(dá)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(dá)式的基本語法是：

lambda arguments: expression

注意！只要有一個lambda表達(dá)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(dá)式的強大功能： 

double = lambda x: x * 2  
print(double(5))  
10 

Map和Filter

一旦掌握了lambda表達(dá)式，學(xué)習(xí)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] 

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(biāo)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] 

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(shè)置為1，如果你想要處理行，將其設(shè)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，***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(biāo)為0，列數(shù)下標(biāo)為1，這很像我們?nèi)绾温暶鬏S值。

Concat，Merge和Join

如果您熟悉SQL，那么這些概念對您來說可能會更容易。 

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。

Pandas Apply

Apply是為Pandas Series而設(shè)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(yīng)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(shè)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 

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"]) 

 

總結(jié) 

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。