拿去！8個Python高效數(shù)據(jù)分析的技巧VIP

8個Python高效數(shù)據(jù)分析的技巧這篇文章介紹了8個使用Python進行數(shù)據(jù)分析的方法，不僅能夠提升運行效率，還能夠使代碼更加“優(yōu)美”。01一行代碼定義List定義某種列表時，寫For循環(huán)過于麻煩，幸運的是，Python有一種內(nèi)置的方法可以在一行代碼中解決這個問題。下面是使用For循環(huán)創(chuàng)建列表和用一行代碼創(chuàng)建列表的對比。x=[1,2,3,4]out=[]foriteminx:out.append(item**2)print(out)

[1,4,9,16]

#vs.

x=[1,2,3,4]out=[item**2foriteminx]print(out)

[1,4,9,16]02Lambda表達式厭倦了定義用不了幾次的函數(shù)？Lambda表達式是你的救星！Lambda表達式用于在Python中創(chuàng)建小型，一次性和匿名函數(shù)對象，它能替你創(chuàng)建一個函數(shù)。lambda表達式的基本語法是：lambdaarguments:expression注意！只要有一個lambda表達式，就可以完成常規(guī)函數(shù)可以執(zhí)行的任何操作。

你可以從下面的例子中，感受lambda表達式的強大功能：double=lambdax:x*2print(double(5))

1003Map和Filter一旦掌握了lambda表達式，學(xué)習(xí)將它們與Map和Filter函數(shù)配合使用，可以實現(xiàn)更為強大的功能。具體來說，map通過對列表中每個元素執(zhí)行某種操作并將其轉(zhuǎn)換為新列表。

在本例中，它遍歷每個元素并乘以2，構(gòu)成新列表。

（注意！list()函數(shù)只是將輸出轉(zhuǎn)換為列表類型）#Mapseq=[1,2,3,4,5]result=list(map(lambdavar:var*2,seq))print(result)

[2,4,6,8,10]Filter函數(shù)接受一個列表和一條規(guī)則，就像map一樣，但它通過比較每個元素和布爾過濾規(guī)則來返回原始列表的一個子集。#Filterseq=[1,2,3,4,5]result=list(filter(lambdax:x>2,seq))print(result)

[3,4,5]04Arange和LinspaceArange返回給定步長的等差列表。它的三個參數(shù)start、stop、step分別表示起始值，結(jié)束值和步長，

請注意！stop點是一個“截止”值，因此它不會包含在數(shù)組輸出中。#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以指定數(shù)目均勻分割區(qū)間，所以給定區(qū)間start和end，以及等分分割點數(shù)目num，linspace將返回一個NumPy數(shù)組。

這對繪圖時數(shù)據(jù)可視化和聲明坐標(biāo)軸特別有用。#np.linspace(start,stop,num)np.linspace(2.0,3.0,num=5)

array([2.0,2.25,2.5,2.75,3.0]05Axis代表什么在Pandas中，刪除一列或在NumPy矩陣中求和值時，可能會遇到Axis。我們用刪除一列（行）的例子：df.drop('ColumnA',axis=1)df.drop('RowA',axis=0)如果你想處理列，將Axis設(shè)置為1，如果你想要處理行，將其設(shè)置為0。但為什么呢？

回想一下Pandas中的shape。df.shape(#ofRows,#ofColumns)從PandasDataFrame中調(diào)用shape屬性返回一個元組，第一個值代表行數(shù)，第二個值代表列數(shù)。如果你想在Python中對其進行索引，則行數(shù)下標(biāo)為0，列數(shù)下標(biāo)為1，這很像我們?nèi)绾温暶鬏S值。06Concat，Merge和Join如果您熟悉SQL，那么這些概念對你來說可能會更容易。

無論如何，這些函數(shù)本質(zhì)上就是以特定方式組合DataFrame的方式。

在哪個時間跟蹤哪一個最適合使用可能很困難，所以讓我們回顧一下。Concat允許用戶在表格下面或旁邊追加一個或多個DataFrame（取決于您如何定義軸）。Merge將多個DataFrame合并指定主鍵（Key）相同的行。Join，和Merge一樣，合并了兩個DataFrame。但它不按某個指定的主鍵合并，而是根據(jù)相同的列名或行名合并。07PandasApplyApply是為PandasSeries而設(shè)計的。如果你不太熟悉Series，可以將它想成類似Numpy的數(shù)組。Apply將一個函數(shù)應(yīng)用于指定軸上的每一個元素。使用Apply，可以將DataFrame列（是一個Series）的值進行格式設(shè)置和操作，不用循環(huán)，非常有用！df=pd.DataFrame([[4,9],]*3,columns=['A','B'])dfAB049149249

df.apply(np.sqrt)AB02.03.012.03.022.03.0

df.apply(np.sum,axis=0)A12B27

df.apply(np.sum,axis=1)01311321308PivotTables如果您熟悉MicrosoftExcel，那么你也許聽說過數(shù)據(jù)透視表。

Pandas內(nèi)置的pivot_table函數(shù)以DataFrame的形式創(chuàng)建電子表格樣式的數(shù)據(jù)透視表,，它可以幫助我們快速查看某幾列的數(shù)據(jù)。

下面是幾個例子：非常智能地將數(shù)據(jù)按照“Manager”分了組：pd.pivot_table(df