- 综合排序
- 最热优先
- 最新优先
- 来自专栏锦小年的博客
Python数据分析(8)-numpy运算函数
本节主要介绍numpy中的运算函数，有些需要记住并熟练的使用，主要分为三类：数学运算、算数运算、统计运算。
58640发布于 2019-05-26 - 来自专栏一行数据
8个Python高效数据分析的技巧。
---- 大家好，我是一行 今天给大家分享一篇内容，介绍了8个使用Python进行数据分析的方法，不仅能够提升运行效率，还能够使代码更加“优美”。 这对绘图时数据可视化和声明坐标轴特别有用。 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 8 Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。 希望上面的这些描述能够让你发现Python一些好用的函数和概念。
3.4K10发布于 2020-12-28 - 来自专栏CoXie带你学编程
8个Python高效数据分析的技巧
Lambda表达式用于在Python中创建小型，一次性和匿名函数对象。 它能替你创建一个函数。 这对绘图时数据可视化和声明坐标轴特别有用。 如果你想在Python中对其进行索引，则行数下标为0，列数下标为1，这很像我们如何声明轴值。 如果您熟悉Microsoft Excel，那么你也许听说过数据透视表。 Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。
3.1K20发布于 2018-08-30 - 来自专栏Python数据科学
8 个 Python 高效数据分析的技巧
不管是参加Kaggle比赛，还是开发一个深度学习应用，第一步总是数据分析，这篇文章介绍了8个使用Python进行数据分析的方法，不仅能够提升运行效率，还能够使代码更加“优美”。 Lambda表达式用于在Python中创建小型，一次性和匿名函数对象。它能替你创建一个函数。 # Map seq = [1, 2, 3, 4, 5] result = list(map(lambda var: var*2, seq)) print(result) [2, 4, 6, 8, 10] Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。 总结 我希望上面的这些描述能够让你发现Python一些好用的函数和概念。
3.8K20发布于 2019-10-21 - 来自专栏c/c++的学习笔记
python数据分析——Python数据分析模块
Python数据分析模块 前言 在当今数字化时代，数据分析已经变得不可或缺。而Python，作为一种通用编程语言，其丰富的库和强大的功能使得它成为数据分析领域的佼佼者。 Python数据分析模块，正是这一领域的核心组成部分，为数据科学家和工程师提供了强大的武器库。 Python数据分析模块的核心库主要包括NumPy、Pandas和Matplotlib。 在医疗研究中，Python数据分析模块可以帮助我们分析病人的医疗数据、基因数据等，从而推动医学的进步。 无论是数据科学家、工程师还是其他领域的专业人士，都可以通过学习和掌握Python数据分析模块来提高工作效率、提升数据分析能力。随着大数据时代的到来，Python数据分析模块的应用前景将更加广阔。 二、Pandas模块 Pandas是Python环境下非常重要的数据分析库。当使用Python进行数据分析时,通常都指的是使用Pandas库作为分析工具对数据进行处理和分析。
1.3K10编辑于 2024-03-20 - 来自专栏Python研究者
8个常用的Python数据分析库（附案例+源码）
今天给大家分析8个Python中常用的数据分析工具，Python强大之处在于其第三方扩展库较多。 本文介绍数据分析方面的扩展库分别为：NumPy、SciPy、Matplotlib、Pandas、StatsModels、Scikit-learn、Keras、Gensim，下面对这八个扩展库进行简单介绍 它提供了一整套丰富的命令，让我们可以非常快捷地用Python可视化数据，而且允许输出达到出版质量的多种图像格式。 下最强大的数据分析和探索工具，包含高级的数据结构和精巧的工具，支持类似SQL的数据增、删、查、改，并有丰富的数据处理函数；支持时间序列分析功能；灵活处理缺失数据等。 与Pandas 结合成为Python下强大的数据挖掘组合。
18.8K33编辑于 2021-12-15 - 来自专栏python3
我的Python分析成长之路8
Numpy数值计算基础 Numpy:是Numerical Python的简称，它是目前Python数值计算中最为基础的工具包，Numpy是用于数值科学计算的基础模块，不但能够完成科学计算的任而且能够用作高效的多维数据容器 Numpy的数据容器能够保存任意类型的数据，这使得Numpy可以无缝并快速地整合各种数据。Numpy本身并没有提供很多高效的数据分析功能。 理解Numpy数组即数组计算有利于更加高效地使用其他如pandas等数据分析工具。 区别于Python的内建列表，数组的切片是原数组的视图。这意味着数据并不是被复制，任何对于视图的修改都会反映到原数组上。 np.loadtxt(file) 从文本中获取数据 2.简单的统计分析 1 import numpy as np 2 arr1 = np.array([1,3,4,8,6]) 3 np.sort
1.9K20发布于 2020-01-22 - 来自专栏python读书笔记
python 数据分析基础 day8－pandas读写多个excel文件
今天是读《python数据分析基础》的第8天，今天的读书笔记的内容为利用pandas读写多个excel文件，当中涉及到读写excel文件的多个工作表。 当读取一个工作表时，返回一个DataFrame；若读取多个或全部excel工作表，则返回一个字典，键、值分别为工作表文件名和存放工作表数据的数据框。 pandas.DataFrame.to_csv()函数负责输出数据至excel文件。当中的excel_writer参数控制输出路径及excel文件名，sheet_name控制输出的excel工作表。 请注意，若指定的excel文件不存在，则新建一个；若存在，则将数据以新工作表的形式写入已存在的excel文件当中。 接下来实例及相应的代码说明通过pandas读写exel文件。 案例：读取多个excel文件当中的所有工作表，将数据输出至一个新excel文件，当中的每个工作表为之前读取的单个excel文件的所有数据，工作表名为读取的excel文件名，不包括后缀。
2.2K60发布于 2018-05-02 - 来自专栏机器学习算法与Python学习
这 8 个 Python 技巧让你的数据分析提升数倍！
源 / Conor Dewey 编译 / 专知 不管是参加Kaggle比赛，还是开发一个深度学习应用，第一步总是数据分析，这篇文章介绍了8个使用Python进行数据分析的方法，不仅能够提升运行效率 Python for Data Science: 8 Concepts You May Have Forgotten 一行代码定义List ---- ---- 定义某种列表时，写For 循环过于麻烦 这对绘图时数据可视化和声明坐标轴特别有用。 Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。 原文链接： https://towardsdatascience.com/python-for-data-science-8-concepts-you-may-have-forgotten-i-did-
2.9K10发布于 2019-07-16 - 来自专栏华章科技
盘点8个数据分析相关的Python库（实例+代码）
从一定程度上来说，学习Python数据分析主要就是学习使用这些分析库。 数据分析中常用的一个绘图库，常用来绘制各种数据的可视化效果图。 Scipy常常结合Numpy使用，可以说Python的大多数机器学习库都依赖于这两个模块。 05 Pandas Pandas提供了强大的数据读写功能、高级的数据结构和各种分析工具。 Pandas对于时间序列数据有一套独特的分析机制，可对时间数据做灵活的分析与管理。 本文摘编自《Python金融数据挖掘与分析实战》，经出版方授权发布。（ISBN：9787111696506）
3.9K20编辑于 2022-03-11 - 来自专栏华章科技
数据分析的 8 种思维
导读：数据分析，应该更加注重思维的培养，那么数据分析的思维主要有哪些呢？ 本文总结了 8 种数据分析的思维，并用一些小故事进行举例说明。 在数据分析的工作中，细分的纬度主要包括时间、地区、渠道、产品、员工、客户等。杜邦分析法、麦肯锡的 MECE 分析法本质上都属于细分思维。 如果不断用溯源思维去分析，那么对数据的敏感和业务的理解也能逐步加深。 ? 04 相关思维 在大数据时代，核心就是相关思维，这种思维是建立在相关分析的基础上。 沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：跟尿布一起购买最多的商品竟是啤酒。 总结 本文总结了数据分析的 8 种思维，分别是对比、细分、溯源、相关、假设、逆向、演绎、归纳，充分运用好这些思维，无论是工作，还是生活，相信都能够创造出更多的价值。 以上，希望能够对你有所启发。 ?
88232发布于 2019-09-25 - 来自专栏数据森麟
数据分析的 8 种思维
本文转载自林骥 在《数据分析的思维与工具》这篇文章中，我们提到，应该更加注重数据分析思维的培养，那么数据分析的思维主要有哪些呢？ 我总结了 8 种数据分析的思维，并用一些小故事进行举例说明。 1. 在数据分析的工作中，细分的纬度主要包括时间、地区、渠道、产品、员工、客户等。杜邦分析法、麦肯锡的 MECE 分析法本质上都属于细分思维。 3. 如果不断用溯源思维去分析，那么对数据的敏感和业务的理解也能逐步加深。 4. 相关思维 在大数据时代，核心就是相关思维，这种思维是建立在相关分析的基础上。 啤酒与尿布的故事，是一个相关分析的经典案例。 沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：跟尿布一起购买最多的商品竟是啤酒。 总结 本文总结了数据分析的 8 种思维，分别是对比、细分、溯源、相关、假设、逆向、演绎、归纳，充分运用好这些思维，无论是工作，还是生活，相信都能够创造出更多的价值。 以上，希望能够对你有所启发。 ?
57011发布于 2019-09-27 - 来自专栏Python in AI-IOT
Python数据分析---性能分析
从上亿条的工业物联网数据中快速检索所需要的数据进行算法分析以及可视化，需要大量的科学运算，为了保证整个过程在用户可以忍受的等待时间内(10s)，需要在代码中找到影响性能瓶颈的代码或函数，然后对其优化 下面介绍自己日常经常使用的性能分析手段： 一般上我写代码没有使用Pycharm等高级IDE，而是在Python自带的IDE中编写。 image.png 利用jupyter的%time，%timeit image.png image.png image.png image.png 利用%run -p和%run -t来分析性能和执行时间 需要文件本身是从上到下执行的语句，如果是模块，为其编写main函数 image.png image.png image.png 使用python -m cProfile youcode.py 来对代码进行性能分析,也可以用python -m cProfile youcode.py -o youcode.prof将分析结果保存在文件中 image.png
1.1K20发布于 2020-05-13 - 来自专栏张俊红
数据分析的 8 种思维
在数据分析的工作中，细分的纬度主要包括时间、地区、渠道、产品、员工、客户等。杜邦分析法、麦肯锡的 MECE 分析法本质上都属于细分思维。 3. 如果不断用溯源思维去分析，那么对数据的敏感和业务的理解也能逐步加深。 4. 相关思维 在大数据时代，核心就是相关思维，这种思维是建立在相关分析的基础上。 啤酒与尿布的故事，是一个相关分析的经典案例。 沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：跟尿布一起购买最多的商品竟是啤酒。 8. 归纳思维 归纳思维的方向与演绎正好相反，归纳的过程是从个别到一般。 还是以金属能导电为例。 前提：金能导电，银能导电，铜能导电，铁能导电，…… 结论：金属能导电。 总结 本文总结了数据分析的 8 种思维，分别是对比、细分、溯源、相关、假设、逆向、演绎、归纳，充分运用好这些思维，无论是工作，还是生活，相信都能够创造出更多的价值。 以上，希望能够对你有所启发。 ?
86010发布于 2019-09-25 - 来自专栏好奇心Log
Python数据分析 | 相关分析
目前手上有两本书，一本《利用Python进行数据分析》，一本《Python数据科学》。 对于学习什么东西，都有它的「道」和「术」。「道」即原理，「术」即技巧。 它并不会真正的教你如何去分析数据，适合查阅。 而后者呢，更注重数据分析的原理，教我们如何去剖析数据，得到我们想要的结果。 所以接下来会以后者作为学习的方向，不能仅仅停留在描述性数据分析上(数据可视化)。 更应该多花时间在预测性数据分析上(建立数据模型预测)。 另外上期的送书活动已结束，两位小伙伴也联系我了。 / 01 / 前言 说实话，《Python数据科学》这本书是真的不错。 它不仅提供了大量的专业术语的解释，还有各式各样通俗易懂的案例。 非常适合新手学习，后期一定也给大家争取争取一下送书的福利！ 所以在每篇的前言，我会摘要一些《Python数据科学》的相关内容。 一方面，加深自己对相关知识的印象。 另一方面，也分享给大家，补充一下专业知识。
89950发布于 2021-11-10 - 来自专栏IT从业者张某某
8-点击流数据分析项目-Hive分析
文章目录 8-点击流数据分析项目-Hive分析 一、环境准备与数据导入 1.开启hadoop 2.导入数据 二、创建hive表 创建 原始数据表（clickstreamdata-pre）： 创建点击流pageview 表clickstreamdata-pageview 创建点击流visit表clickstreamdata-visits 三、数据导入Hive 四、生成统计指标 生成统计数据指标的明细表 导入数据(2021 导出到mysql 总结 8-点击流数据分析项目-Hive分析 一、环境准备与数据导入 1.开启hadoop 如果在lsn等虚拟环境中开启需要先执行格式化，如果已经格式化的就不要二次格式化了 hadoop input-fields-terminated-by '\001' # 注意：需要修改为本机ip地址 备注：如果用lsn，需要打开mysql-workbench，导出的文件位于/home/ubuntu/dumps中 总结 本文完成了点击流分析项目的 hive导入，hive分析与hive导出等三个部分。
86210编辑于 2022-11-12 - 来自专栏数据山谷
Python数据分析
Python数据分析 工欲善其事，必先利其器“，Python是目前为止做数据分析最常用的编程语言，我们可以站在巨人的肩膀上，高效完成数据分析。 从Python的受欢迎程度上看，一直呈上升趋势 ? 我们现在要使用Python来做数据分析，主要从两个方面来考虑问题： 第一：选择什么开发工具。 第二：学习哪些知识来解决数据分析的问题。 本公众号中有详细的anaconda的安装流程，文章链接如下： anaconda安装流程 大斌哥，公众号：数据山谷Python之Anaconda安装 数据分析使用Python中的知识点和常见的科学计算库也需要给大家列举出来 Python做数据分析主要是解决数据清洗及数据可视化的问题，掌握Python基本的语法规则，会调用第三方模块对于提高数据分析能力非常重要。 而NumPy和Pandas就是数据清洗最好用的工具，Matplotlib和Seaborn是解决数据可视化的工具包。我们可以从实用的角度来学习Python，提高数据分析的能力和效率。
93310发布于 2020-11-12 - 来自专栏全栈程序员必看
Python文本情感分析_Python数据分析实战
然后才是如何进行情感分析。 强大的snowNLP 其实就在今天，我发现了snowNLP这个Python的三方库，它可以方便的处理中文文本的内容，它有以下功能： 中文分词 词性标注 情感分析 文本分类 文本转拼音 繁体转简体 提取文本关键词 纵观这么多的功能真是让人眼花缭乱，其实这个题目只需要情感分析这一个功能就够了，情感分析的功能是：你给它一个句子，它给你一个positive值。 就在我满心欢喜的认为这次终于轻松加愉快地完成了任务的时候，positive当即给了我一jio，我测试了几组常见的语句，发现函数返回的positive值和现实差了八万十千里，在一阵慌乱中查阅了资料，发现原本的库训练的数据主要是买卖东西时的评价 请点击此处（ 提取码：0fz8 ）下载本文用到的情感词典，可也点击此处 （提取码：xeng） 下载我的完整程序。
2.1K20编辑于 2022-09-23 - 来自专栏阿黎逸阳的代码
Python数据分析—数据更新
在对海量数据进行分析的过程中，可能需要增加行和列，也可能会删除一些行和列。 今天介绍数据分析的第五课，教大家如何在python中对数据框进行一些更新操作。 本文目录 在数据框最后追加一行 在数据框中插入一列 删除数据框中的行 删除数据框中的列 删除满足某种条件的行 注意：本文沿用数据分析第一课【Python数据分析—数据建立】里的数据框date_frame 比如我想在数据框的第一列插入新的列，可以在python中运行如下语句： date_frame.insert(0, 'calss', ['class1','class1','class1','class1 5 删除满足某种条件的行 假设要删除所有年龄大于18岁的记录，可以在python中输入如下语句： date_frame.drop(index = (date_frame.loc[(date_frame.age 至此，在python中对数据框进行更改操作已介绍完毕，大家可以动手练习一下，思考一下还可不可以对数据框进行别的操作
1.3K20发布于 2020-11-24 - 来自专栏c/c++的学习笔记
python数据分析——大数据伦理风险分析
前言 大数据伦理风险分析在当前数字化快速发展的背景下显得尤为重要。随着大数据技术的广泛应用，企业、政府以及个人都在不断地产生、收集和分析海量数据。 然而，这些数据的利用也带来了诸多伦理风险，如隐私泄露、数据滥用、算法偏见等。因此，对大数据伦理风险进行深入分析，并采取相应的防范措施，对于保障数据安全、维护社会公平正义具有重要意义。 首先，大数据的收集和处理过程中存在着隐私泄露的风险。在未经用户同意的情况下，部分企业和机构可能会收集用户的个人信息，如浏览记录、购物习惯等，进而进行精准营销或数据分析。 一些机构可能会利用手中的大数据资源，对用户进行过度分析或不当利用，如歧视性定价、不公平竞争等。这种滥用数据的行为不仅违反了市场公平竞争的原则，也损害了消费者的权益。 在对大数据多源数据进行综合分析,可以挖掘出更多的个人信息,加剧了个人信息泄露的风险。"匿名化”的可信度? 大数据技技术安全漏洞,导致数据泄露、伪造和失真等问题。
75410编辑于 2024-03-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号