Python数据分析实战（1）数据分析概述

2020-08-25 09:51:01 浏览数 (1)

一、入门数据分析

1.大数据时代的基本面

大数据产业发展现状： 现在数据已经呈现出了爆炸式的增长，每一分钟可能就会有：

  • 13000 个iPhone应用下载
  • Twitter上发布98000 新微博
  • 发出1.68亿 条Email
  • 淘宝双十一10680 个新订单
  • 12306出票1840 张

在大数据时代，出现了三大变革：

  • 从随机样本到全量数据
  • 从精确性到混杂性
  • 从因果关系到相关关系

举一个典型的例子： 男士到超市买尿布会顺带买一些啤酒，通过大数据分析出的结果促使超市在尿布的货架附近放一些啤酒，从而增大销量，买尿布与买啤酒之间没有因果关系，但是存在着某种相关关系。

国内大数据应用状况如下（来自CSDN）：

可以看到，应用已经具有一定规模，但是还有很大的发展空间。

人才方面的需求主要包括：

  • 数据分析师
    • 统计分析
    • 预测分析
    • 流程优化
  • 大数据工程师
    • 平台开发
    • 应用开发
    • 技术支撑
  • 数据架构师
    • 业务理解
    • 应用部署
    • 架构设计

之所以要学习数据分析，是因为数据正变得越来越常见和廉价，分析可以为数据提供稀缺且附带额外价值的服务。

2.数据分析师职业前景

数据分析师需要解决的问题：

  • 预估需求、分配产能 在大数据时代，更需要解读数据的能力。 Q：烤箱的产能有限，该选择生产哪些种类的面包? A：列出最受欢迎的几种面包，优先生产明星商品。 关键是找出明星商品，这需要统计出面包的总营业额，再算出每种面包占总营业额的相对比例，优先生产能囊括七成营业额的产品组合。这会用到统计的次数分配表和直方图，此种分析法也称为ABC分析法，如下：
  • 评估行销方案成效 统计并不是分析数据就好了，从分析的结果推测该如何影响顾客的行为，并且将之拟定为具体的商业计划，并据此行动才是关键。 Q：想在网上销售面包，哪一种广告比较有效? A：写出两种文案，分别广告一段时间看看成效如何。 要比较广告成效，最好的方法是用统计的随机对照实验，让两种广告随机出现，一段时间后，观察哪种广告的效果比较好，再大范围运用效果比较好的广告。
  • 产品品管 发现结果以及形成结果的原因之间的关系非常重要。 Q：怎么从面包判断，面包师傅有没有偷工减料? A：抽查几个面包，秤秤看重量差距有没有过大。 你需要先知道面包的平均重量，再对面包进行抽样，看看面包的重量是否呈现常态分布的钟形曲线？若是偏离曲线，就可能暗示面包品管有问题。如下：

一名好的数据分析师是一个好的产品规划者和行业的领跑者； 在IT企业，优秀的数据分析师很有希望成为公司的高层。

数据分析师的工作流程如下：

数据分析师的三大任务：

  • 分析历史
  • 预测未来
  • 优化选择

数据分析师要求的8项技能：

  • 统计学
    • 统计检验、P值、分布、估计
  • 基本工具
    • Python
    • SQL
  • 多变量微积分和线性代数
  • 数据整理
  • 数据可视化
  • 软件工程
  • 机器学习
  • 数据科学家的思维
    • 数据驱动
    • 问题解决

数据分析师要求的三大能力：

  • 统计学基础和分析工具应用
  • 计算机编码能力
  • 特定应用领域或行业的知识

典型的数据分析师的成长历程：

3.成为数据分析师之路

成为数据分析师的自我修养：

  • 敏感
  • 探究
  • 细致
  • 务实

数据分析师需要具备的技能如下：

  • 熟悉Excel数据处理
  • 数据敏感度较强
  • 熟悉公司业务和行业知识
  • 掌握数据分析方法
    • 基本分析方法
      • 对比分析法
      • 分组分析法
      • 交叉分析法
      • 结构分析法
      • 漏斗图分析法
      • 综合评价分析法
      • 因素分析法
      • 矩阵关联分析
    • 高级分析方法
      • 相关分析法
      • 回归分析法
      • 聚类分析法
      • 判别分析法
      • 主成分分析法
      • 因子分析法
      • 对应分析法
      • 时间序列

在不同行业数据分析从业人员的工作内容和职责：

  • 从事数据分析的工作
    • 学做日报
    • 日销、库存类的表
    • 产品销售预测
    • 库存计算和预警
    • 流量分析相关表
    • 复盘
  • 数据分析挖掘工作人员
    • 给产品优化提供数据支持
    • 验证产品改进效果
    • 为高层提供邮件和报表
  • 互联网 分析
    • KPI指标监控
    • 各种周期性报表
    • 针对某一业务问题做分析报告
    • 针对业务进行线下建模和分析

数据分析很重要的学科基础是数学，但是数学不好也没有关系，可以用Python来帮助学习： Python不仅是一门编程语言，而且是数据挖掘机器学习等技术的基础，方便建立自动化的工作流； Python入门不难，它对数学要求并不是太高，重要的是需要知道如何用语言表达一个算法逻辑； Python有很多封装好的工具库和命令，我要做的是用哪些数学方法解决一个问题，并构建出来。

要想快速入门Python数据分析，就要使用好Python相关的工具包： （1）Python最大的特点是拥有一个巨大而活跃的科学计算社区，采用python进行科学计算的趋势也越来越明显。 （2）由于Python有不断改良的库，使其成为数据处理任务的一大代替方案，结合其在通用编程方面的强大实力，完全可以只是用Python这一种语言去构建以数据为中心的应用程序，其中：

  • 常用数据分析库
    • Numpy
    • Scipy
    • Pandas
    • matplotlib
  • 常用高级数据分析库
    • nltk
    • igraph
    • scikit-learn

（3）作为一个科学计算平台，Python的成功源于能够轻松的集成C、C 以及Fortran代码。

数据分析的准备工作：

  • 了解数据
  • 数据清洗与初步分析
  • 绘图与可视化
  • 数据聚合与分组处理
  • 数据挖掘

数据分析与数据挖掘的常用算法：

  • 线性回归
  • 时间序列分析
  • 分类算法
  • 聚类算法
  • 降维算法

学习和从事数据分析工作的方法为：

  • 勤思考
  • 多动手
  • 多总结

二、Python的安装与环境配置

1.Python版本

Python分为3.X和2.X两个大版本。 Python的3.0版本，常被称为Python 3000，或简称Py3k。相对于Python的早期版本，这是一个较大的升级。 为了不带入过多的累赘，Python 3.X在设计的时候没有考虑向下相容，许多针对早期Python版本设计的程式都无法在Python 3.X上正常执行。 大多数第三方库都正在努力地相容Python 3.X版本。

2.不同系统安装Python

（1）Unix & Linux系统

  • 访问http://www.python.org/download/
  • 选择适用于Unix/Linux的源码压缩包。
  • 下载及解压压缩包。
  • 如果你需要自定义一些选项修改Modules/Setup
  • 执行 ./configure 脚本
  • make
  • make install

（2）Window系统

  • 访问http://www.python.org/download/
  • 在下载列表中选择Window平台安装包 由于官网下载很缓慢，因此可以加入可以点击

963624318 进群获取资料。

  • 下载后，双击下载包，进入Python安装向导，安装非常简单，只需要使用默认的设置一直点击 "下一步"直到安装完成即可。

（3）Mac系统 自带python 2.7，可以执行brew install python安装新版本。

3.环境变量配置

Windows系统需要配置环境变量。

如果在安装Python时没有选择添加环境变量，则需要手动添加，需要将安装Python的路径XXXPythonXXX和XXXPythonXXXScripts添加到环境变量，有两种方式：

  • 命令行添加 CMD中分别执行path=%path%;XXXPythonXXX和path=%path%;XXXPythonXXXScripts即可。
  • 在系统设置中添加 右键计算机 → 属性 → 高级系统设置 → 系统属性 → 环境变量 → 双击path → 添加XXXPythonXXX和XXXPythonXXXScripts安装路径，如下：

最后依次点击确认退出即可。

4.安装pip

pip是Python中的包安装和管理工具，在安装Python时可以选择安装pip，在Python 2 >=2.7.9或Python 3 >=3.4中自带。

如果没有安装pip，可以通过命令安装：

  • Linux或者Mac pip install -U pip
  • Windows（cmd输入） python -m pip install -U pip

5.集成开发环境选择

Python有很多编辑器，包括PyCharm等，这里选择PyCharm： PyCharm是由JetBrains打造的一款Python IDE，支Mac OS、Windows、Linux系统。 包含调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制等功能。

可以在https://www.jetbrains.com/pycharm/download/选择合适的版本进行下载安装即可。

三、Anaconda的介绍与安装

1.Anaconda是什么

Anaconda 是一个可用于科学计算的 Python 发行版，支持 Linux、Mac、Windows系统，内置了常用的科学计算包。 它解决了官方 Python 的两大痛点： （1）提供了包管理功能，Windows 平台安装第三方包经常失败的场景得以解决； （2）提供环境管理的功能，功能类似 Virtualenv，解决了多版本Python并存、切换的问题 。

2.下载和安装Anaconda

直接在官网https://www.anaconda.com/products/individual下载安装包，选择下载 Python3.8 的安装包个人版，下载完成后直接安装，需要注意，在点击过程中会出现添加环境变量的提示，需要勾选，如下：

最后依次点击下一步、安装完成后，点击Win键（Windows系统下）可以看到最近添加或应用列表A下如图：

此时可点击Anaconda Navigator，如下所示：

可以看到环境为Python 3.8.3，Anaconda创建的基础环境名为base，也是默认环境，也可以看到默认安装的库。

再打开Anaconda命令行工具Anaconda Powershell Prompt，输入python -V，也打印Python 3.8.3。

还可以通过命令创建新的conda环境，如conda create --name py27 python=2.7执行后即创建了一个名为py27的Python版本为2.7的conda环境。

激活环境执行命令conda activate py27，停用使用命令conda deactivate。

可以在命令行中执行conda list查看已经安装的库，如下：

代码语言：javascript复制
# packages in environment at E:Anaconda3:
#
# Name                    Version                   Build  Channel
_ipyw_jlab_nb_ext_conf    0.1.0                    py38_0
alabaster                 0.7.12                     py_0
anaconda                  2020.07                  py38_0
anaconda-client           1.7.2                    py38_0
anaconda-navigator        1.9.12                   py38_0
...
zlib                      1.2.11               h62dcd97_4
zope                      1.0                      py38_1
zope.event                4.4                      py38_0
zope.interface            4.7.1            py38he774522_0
zstd                      1.4.5                ha9fde0e_0

3.conda工具的介绍和包管理

conda是Anaconda下用于包管理和环境管理的工具，功能上类似pip和vitualenv的组合，conda的环境管理与virtualenv是基本上是类似的操作。 安装成功后conda会默认加入到环境变量中，因此可直接在命令行窗口运行conda命令。

常见的conda命令和含义如下：

命令含义

conda命令

conda –h

查看帮助

基于python3.6版本创建名为python36的环境

conda create --name python36 python=3.6

激活此环境

activate python36（Windows）、source activate python36（linux/mac）

查看python版本

python -V

退出当前环境

deaotivate python36

删除环境

conda remove -n py27 --all

查看所有安装的环境

conda info -e

conda的包管理常见命令如下：

包管理命令意义

包管理命令

安装matplotlib

conda install matplotlib

查看已安装的包

conda list

包更新

conda update matplotlib

删除包

conda remove matplotlib

在conda中，anything is a package一切皆是包，conda本身可以看作是一个包，python环境可以看作是一个包，anaconda也可以看作是一个包，因此除了普通的第三方包支持更新之外，这3个包也支持如下命令：

操作

命令

更新conda本身

conda update conda

更新anaconda应用

conda update anaconda

更新python，假设当前python环境是3.8.1，而最新版本是3.8.2，那么就会升级到3.8.2

conda update python

四、Jupyter Notebook

1.Jupyter Notebook基本介绍

Jupyter Notebook（此前被称为IPython notebook）是一个交互式笔记本，支持运行40多种编程语言。

在开始使用notebook之前，需要先安装该库： （1）在命令行中执行pip install jupyter来安装； （2）安装Anaconda后自带Jupyter Notebook。

在命令行中执行jupyter notebook，就会在当前目录下启动Jupyter服务并使用默认浏览器打开页面，还可以复制链接在其他浏览器中打开，如下：

可以看到，notebook界面由以下部分组成： （1）notebook的名称； （2）主工具栏，提供了保存、导出、重载notebook，以及重启内核等选项； （3）notebook主要区域，包含了notebook的内容编辑区。

2.Jupyter Notebook的使用

在jupyter页面下方的主要区域，由被称为单元格的部分组成。每个 notebook 由多个单元格构成， 而每个单元格又可以有不同的用途。 上图中看到的是一个代码单元格（code cell），以[ ]开头，在这种类型的单 元格中，可以输入任意代码并执行。例如，输入1 2并按下Shift Enter。单元格中的代码就会被计算，光标也会被移动到一个新的单元格中。

如果想新建一个notebook，只需要点击New，选择希望启动的notebook类型即可。

简单使用示意如下：

可以看到，notebook可以修改之前的单元格，对其重新计算，这样就可以更新整个文档了。如果你不想重新运行整个脚本，只想用不同的参数测试某个程式的话，这个特性显得尤其强大。 不过，也可以重新计算整个notebook，只要点击Cell -> Run all即可。

再测试标题和其他代码如下：

可以看到，在顶部添加了一个notebook的标题，还可以执行for循环等语句。

3.Jupyter中使用Python

Jupyter测试Python变量和数据类型如下：

测试Python函数如下：

测试Python模块如下：

可以看到，在执行出错时，也会抛出异常。

测试数据读写如下：

数据读写很重要，因为进行数据分析时必须先读取数据，进行数据处理后也要进行保存。

4.数据交互案例

加载csv数据，处理数据，保存到MongoDB数据库

有csv文件shopproducts.csv和userratings.csv，分别是商品数据和用户评分数据，如下：

现在通过Python将其读取出来，并将指定的字段保存到MongoDB中，需要在Anaconda中执行命令conda install pymongo安装pymongo。

Python代码如下：

代码语言：javascript复制
import pymongo


class Product:
    def __init__(self,productId:int ,name, imageUrl, categories, tags):
        self.productId = productId
        self.name = name
        self.imageUrl = imageUrl
        self.categories = categories
        self.tags = tags

    def __str__(self) -> str:
        return self.productId  '^'   self.name  '^'   self.imageUrl  '^'   self.categories  '^'   self.tags


class Rating:
    def __init__(self, userId:int, productId:int, score:float, timestamp:int):
        self.userId = userId
        self.productId = productId
        self.score = score
        self.timestamp = timestamp

    def __str__(self) -> str:
        return self.userId  '^'   self.productId  '^'   self.score  '^'   self.timestamp


if __name__ == '__main__':
    myclient = pymongo.MongoClient("mongodb://127.0.0.1:27017/")
    mydb = myclient["goods-users"]
    # val attr = item.split("\^")
    # // 转换成Product
    # Product(attr(0).toInt, attr(1).trim, attr(4).trim, attr(5).trim, attr(6).trim)

    shopproducts = mydb['shopproducts']
    with open('shopproducts.csv', 'r',encoding='UTF-8') as f:
        item = f.readline()
        while item:
            attr = item.split('^')
            product = Product(int(attr[0]), attr[1].strip(), attr[4].strip(), attr[5].strip(), attr[6].strip())
            shopproducts.insert_one(product.__dict__)
            # print(product)
            # print(json.dumps(obj=product.__dict__,ensure_ascii=False))
            item = f.readline()

    # val attr = item.split(",")
    # Rating(attr(0).toInt, attr(1).toInt, attr(2).toDouble, attr(3).toInt)
    userratings = mydb['userratings']
    with open('userratings.csv', 'r',encoding='UTF-8') as f:
        item = f.readline()
        while item:
            attr = item.split(',')
            rating = Rating(int(attr[0]), int(attr[1].strip()), float(attr[2].strip()), int(attr[3].strip()))
            userratings.insert_one(rating.__dict__)
            # print(rating)
            item = f.readline()

在启动MongoDB服务后，运行Python代码，运行完成后，再通过Robo 3T查看数据库如下：

显然，保存数据成功。

使用Jupyter处理商铺数据

待处理的数据是商铺数据，如下：

包括名称、评论数、价格、地址、评分列表等，其中评论数、价格和评分均不规则、需要进行数据清洗。

Jupyter中处理如下：

可以看到，最后得到了经过清洗后的规则数据。

完整Python代码如下：

代码语言：javascript复制
# 数据读取

f = open('商铺数据.csv','r',encoding='utf8')
for i in f.readlines()[1:15]:
    print(i.split(',')) 

# 创建comment、price、commentlist清洗函数
def fcomment(s):
    if '条' in s:
        return int(s.split(' ')[0])
    else:
        return '缺失数据'
# comment清洗函数：用空格分段，选取结果list的第一个为点评数，并且转化为整型

def fprice(s):
    if '￥' in s:
        return float(s.split('￥')[-1])
    else:
        return  '缺失数据'
# price清洗函数：用￥分段，选取结果list的最后一个为人均价格，并且转化为浮点型

def fcommentl(s):
    if ' ' in s:
        quality = float(s.split('                                ')[0][2:])
        environment = float(s.split('                                ')[1][2:])
        service = float(s.split('                                ')[2][2:-1])
        return [quality,environment,service]
    else:
        return  '缺失数据'
# commentlist清洗函数：用空格分段，分别清洗出质量、环境及服务数据，并转化为浮点型

# 数据处理清洗
datalist = []  # 创建空列表

f.seek(0)
n = 0  # 创建计数变量
for i in f.readlines():
    data = i.split(',')
    #print(data)
    classify = data[0]             # 提取分类
    name = data[1]                 # 提取店铺名称
    comment_count = fcomment(data[2])   # 提取评论数量
    star = data[3]                 # 提取星级
    price = fprice(data[4])           # 提取人均
    address = data[5]                  # 提取地址
    quality = fcommentl(data[6])[0]          # 提取质量评分
    env = fcommentl(data[6])[1]          # 提取环境评分
    service = fcommentl(data[6])[2]          # 提取服务评分
    if  '缺失数据' not in [comment_count, price, quality]:   # 用于判断是否有数据缺失
        n  = 1
        data_re = [['classify',classify],
                  ['name',name],
                  ['comment_count',comment_count],
                  ['star',star],
                  ['price',price],
                  ['address',address],
                  ['quality',quality],
                  ['environment',env],
                  ['service',service]]
        datalist.append(dict(data_re))   #字典生成，并存入列表datalist
        print('成功加载%i条数据' %n)
    else:
        continue
    
print(datalist) 
print('总共加载%i条数据' %n)
anaconda 开源 windows 大数据

0 人点赞