8个Python高效数据分析的技巧

不管是个Pn高参加Kaggle比赛，还是效数析开发一个深度学习应用，***步总是据分技巧数据分析。

这篇文章介绍了8个使用Python进行数据分析的个Pn高方法，不仅能够提升运行效率，效数析还能够使代码更加“优美”。据分技巧

一行代码定义List

定义某种列表时，个Pn高写For 循环过于麻烦，效数析幸运的据分技巧是，Python有一种内置的个Pn高方法可以在一行代码中解决这个问题。

下面是效数析使用For循环创建列表和用一行代码创建列表的对比。 

x = [1,据分技巧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表达式

厌倦了定义用不了几次的函数？ Lambda表达式是你的救星！

Lambda表达式用于在Python中创建小型，个Pn高一次性和匿名函数对象，效数析 它能替你创建一个函数。据分技巧

lambda表达式的基本语法是：

lambda arguments: expression

注意！只要有一个lambda表达式，就可以完成常规函数可以执行的任何操作。 

你可以从下面的亿华云计算例子中，感受lambda表达式的强大功能： 

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

Map和Filter

一旦掌握了lambda表达式，学习将它们与Map和Filter函数配合使用，可以实现更为强大的功能。

具体来说，map通过对列表中每个元素执行某种操作并将其转换为新列表。 

在本例中，它遍历每个元素并乘以2，构成新列表。 （注意！list()函数只是将输出转换为列表类型） 

# Map  seq = [1, 2, 3, 4, 5]  result = list(map(lambda var: var*2, seq))  print(result)  [2, 4, 6, 8, 10] 

Filter函数接受一个列表和一条规则，就像map一样，但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。 

# Filter  seq = [1, 2, 3, 4, 5]  result = list(filter(lambda x: x > 2, seq))  print(result)  [3, 4, 5] 

Arange和Linspace

Arange返回给定步长的等差列表。

 它的三个参数start、stop、step分别表示起始值，结束值和步长， 请注意！stop点是一个“截止”值，因此它不会包含在数组输出中。 

# 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以指定数目均匀分割区间，所以给定区间start和end，以及等分分割点数目num，源码库linspace将返回一个NumPy数组。 

这对绘图时数据可视化和声明坐标轴特别有用。 

# 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，删除一列或在NumPy矩阵中求和值时，可能会遇到Axis。

 我们用删除一列（行）的例子： 

df.drop(Column A, axis=1)  df.drop(Row A, axis=0) 

如果你想处理列，将Axis设置为1，如果你想要处理行，将其设置为0。

但为什么呢？ 

回想一下Pandas中的shape。 

df.shape  (# of Rows, # of Columns) 

从Pandas DataFrame中调用shape属性返回一个元组，***个值代表行数，第二个值代表列数。

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。

Concat，Merge和Join

如果您熟悉SQL，那么这些概念对您来说可能会更容易。 

无论如何，这些函数本质上就是以特定方式组合DataFrame的方式。 

在哪个时间跟踪哪一个最适合使用可能很困难，所以让我们回顾一下。

Concat允许用户在表格下面或旁边追加一个或多个DataFrame（取决于您如何定义轴）。

Merge将多个DataFrame合并指定主键（Key）相同的行。

Join，和Merge一样，亿华云合并了两个DataFrame。

 但它不按某个指定的主键合并，而是根据相同的列名或行名合并。

Pandas Apply

Apply是为Pandas Series而设计的。

如果你不太熟悉Series，可以将它想成类似Numpy的数组。

Apply将一个函数应用于指定轴上的每一个元素。

使用Apply，可以将DataFrame列（是一个Series）的值进行格式设置和操作，不用循环，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。 

下面是几个例子：

非常智能地将数据按照“Manager”分了组： 

pd.pivot_table(df, index=["Manager", "Rep"]) 

或者也可以筛选属性值 

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"]) 

总结 

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。