《Django REST framework 入门到精通》视频课程上线了,全网稀缺资源,深度源码剖析,进阶高手之路!点击链接查看详情

Python数据分析

阅读: 27831     评论:6

19年最新Python数据分析视频教程:点此查看


本教程的核心内容是利用Python语言操作、处理、清洗、可视化数据,对数据进行基本的分析。虽然以分析为名,但专注于Python的编程、主要类库、工具,而不是分析的方法论。更进一步的数据挖掘、机器学习,将在下一步的教程里体现。


在数据分析和处理领域,毫无疑问,Python是主流语言,其原因在于:

  • Python语法简单,代码量少
  • Numpy、Scipy、Pandas和Matplotlib的科学计算生态圈过于强大
  • Ipython和Jupyter notebook的交互式环境
  • 容易整合C/C++/FORTRAN代码,使用过往的存量代码
  • 从代码走向工程很快捷

下面是Python数据分析和处理任务中重要的库与工具:

1. Numpy

官网:http://www.numpy.org/

image.png-4.5kB

Numpy库是Python数值计算的基石。它提供了多种数据结构、算法以及大部分涉及Python数值计算所需的接口。主要包括以下内容:

  • 快速、高效的多维数组对象ndarray
  • 基于元素的数组计算或者数组间的数学操作函数
  • 用于读写硬盘中基于数组的数据集的工具
  • 线性代数操作、傅里叶变换以及随机数生成
  • 成熟的C语言API,拓展代码

2. Scipy

官网:https://www.scipy.org/

image.png-6.2kB

这个库是Python科学计算领域内针对不同标准问题域的包集合,主要包括以下内容:

  • integrate:数值积分例程和微分方程求解器
  • linalg:线性代数例程和基于numpy.linalg的矩阵分解
  • optimize:函数优化器和求根算法
  • signal:信号处理工具
  • sparse:稀疏矩阵与稀疏线性系统求解器
  • special:SPECFUN的包装其
  • stats:标准的连续和离散概率分布

Scipy与Numpy一起为很多传统科学计算应用提供了一个合理、完整、成熟的科学计算基础。

3. Pandas

官网: http://pandas.pydata.org/

image.png-6.3kB

Pandas提供了高级数据结构和函数,使得利用结构化、表格化数据的工作快速、简单、有表现力。Pandas将表格和关系型数据库的灵活数据操作能力与Numpy的高性能数组计算的理解相结合。提供复杂的索引函数,使得数据的重组、切块、切片、聚合、子集选择更为简单。Pandas是数据分析和处理工作中,实际使用占比最多的工具,使用频率最高,也是本教程的主要介绍内容。

4. matplotlib

官网:https://matplotlib.org/

image.png-10.1kB

matplotlib是最流行的用于制图以及其它数据可视化的Python库。在基于Python的数据可视化工作中,这个库是行业默认选择,虽然也有其它可视化库,但matplotlib依然是使用最为广泛,并且与生态系统的其它库良好整合。

此工具是本教材主要介绍内容之一,实际上,学会了这个工具,其它可视化库,甚至Matlab绘图,基本套路都是类似的,可以一通百通。

5. Jupyter notebook

官网:https://jupyter.org/

image.png-5.1kB

基于Python的交互式编程环境有IPython、IPython notebook以及Jupyter notebook。但如果对于数据分析、处理、机器学习等相关工作,我强烈推荐基于web的Jupyter notebook。

这个代码测试、开发、编辑、文字工具,真的是谁用谁知道,并且也是本教程的主要内容之一,吐血推荐!

6. scikit-learn

官网:https://scikit-learn.org/stable/

image.png-7.1kB

如果说基于Python的机器学习,那么首推必须是scikit-learn库,属于必学工具!它主要包括以下子模块:

  • 分类:SVM、最近邻、随机森林、逻辑回归等
  • 回归:Lasso、岭回归等
  • 聚类:k-means、谱聚类等
  • 降维:PCA、特征选择、矩阵分解等
  • 模型选择:网格搜索、交叉验证、指标矩阵等
  • 预处理:特征提取、正态化
  • 其它有用的工具和数据集

机器学习是非常庞大和复杂的一门学科,本教程不准备讲述,而是放在下一步。


 前面没有了.... Anaconda发行版 

评论总数: 6


点击登录后方可评论

user_image

test



user_image

学习学习



user_image

感谢作者



user_image

有时间好好学习一下本教程。



user_image

博主新年发布了新教程!厉害!感谢!支持!宣传!



user_image

不错,很好的教程,已购买视频,支持