Python数据分析实战（1）数据分析概述

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，大数据的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，需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的能够轻松集成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，因此我已经将Python各版本的安装包下载整理好了，可以直接点击加QQ群 963624318 在群文件夹Python相关安装包中下载即可。
• 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XXX\PythonXXX和XXX\PythonXXX\Scripts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%;XXX\PythonXXX和path=%path%;XXX\PythonXXX\Scripts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XXX\PythonXXX和XXX\PythonXXX\Scripts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库。
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的安装包个人版即可，但是官网下载速度较慢，因此我已经将Python3.8对应的Anaconda安装包下载整理好了，可以直接点击加QQ群 963624318 在群文件夹Python相关安装包中下载即可。

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：

# 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virtualenv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：

conda的包管理常见命令如下：

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：

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，还可以复制链接到其他浏览器中打开，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：

如需获取数据、代码等相关文件进行测试学习，可以直接点击加QQ群 963624318 在群文件夹Python数据分析实战中下载即可。

现在需要通过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：

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。

如需获取数据、代码等相关文件进行测试学习，可以直接点击加QQ群 963624318 在群文件夹Python数据分析实战中下载即可。

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：

# 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):
    '''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'''
    if '条' in s:
        return int(s.split(' ')[0])
    else:
        return '缺失数据'


def fprice(s):
    '''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'''
    if '￥' in s:
        return float(s.split('￥')[-1])
    else:
        return '缺失数据'


def fcommentl(s):
    '''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'''
    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'


# 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)

f.close()

转载：https://blog.csdn.net/CUFEECR/article/details/108189162