關(guān)于Python數(shù)據(jù)分析的入門指南

有一個朋友最近問到這個問題，我覺得把它公開出來對其他人也會有幫助。這是給完全不了解Python而想找到從零到一的最簡單的路徑的人的建議：

1. 在這里(https://www.continuum.io/downloads)下載適用于你的操作系統(tǒng)的Python 3.X的Anaconda發(fā)行版本。這個預(yù)先捆 綁 的發(fā)行版會幫助你避開很多跟安裝相關(guān)的頭疼問題。有很多重要的數(shù)據(jù)分析包都會被預(yù)先安裝好。

2. 等你安裝好之后，測試一下，確認(rèn)默認(rèn)的Python解釋器是你剛剛安裝的版本。這非常重要，因?yàn)榭赡茉谀愕南到y(tǒng)里已經(jīng)安裝了一個版本的Python，但是它并不會包含Anaconda發(fā)行版中的所有東西，所以你得確保新的版本才是默認(rèn)版本。在Mac/Linux系統(tǒng)上，你可以在終端輸入which python，或者你也可以運(yùn)行Python的解釋器并且確保版本跟你下載的是相符的。如果這一切運(yùn)行良好，在安裝的時候就應(yīng)該被設(shè)置成默認(rèn)的版本。如果并非如此，你就得停下來并且解決它。

3. 在命令解釋器(Shell)中輸入jupyter notebook命令，這會打開一個瀏覽器窗口。如果沒有的話，打開瀏覽器，在地址欄輸入：http://localhost:8888。在你打開這個頁面之后，創(chuàng)建一個新的Python筆記本(Python notebook)。

4. 點(diǎn)擊http://www.kaggle.com/最上面菜單欄中的kernels，并在新打開的頁面中的語言過濾器中選擇Python(https://www.kaggle.com/kernels?language=Python)。這里大部分都是其他人利用Kaggle上免費(fèi)公開的數(shù)據(jù)集做分析或者組建模型時使用的Jupyter筆記本(Jupyter Notebook)。在其中尋找標(biāo)題里包含類似EDA(Exploratory Data Analysis，探索性數(shù)據(jù)分析)的筆記本，而不是那些創(chuàng)建預(yù)測模型的筆記本。找一個你覺得有趣的，并且在你的筆記本中再現(xiàn)它。

注意： 你會發(fā)現(xiàn)，當(dāng)你再現(xiàn)某些分析的時候，你會遭遇導(dǎo)入錯誤(Import error)。這常常是因?yàn)榉治稣甙惭b了并沒有包含在Anaconda發(fā)行版中的包。你最終會需要學(xué)習(xí)如何跟conda包管理器(Conda package manager)交互，這將是你最終會走入的許多兔子洞之一。通常而言，事情都非常簡單，你只需要用到conda install就可以了，但是你需要找出正確的包的名稱，有時候，你還得確認(rèn)一些其他的細(xì)節(jié)。還有的時候你可能得用到pip install，遲一點(diǎn)你都會學(xué)到的。

高級庫總結(jié)

這里是對你會經(jīng)常接觸的重要的庫的簡要總結(jié)：

NumPy：擁有大量的科學(xué)計算的核心功能。由于它的內(nèi)部運(yùn)算是通過C語言實(shí)現(xiàn)的，所以比用Python寫成的同樣的函數(shù)，它的速度會快許多。但它并不是最用戶友好的包。

SciPy：跟NumPy非常相似，但是有更多的方式來從分布中取樣，計算檢驗(yàn)統(tǒng)計量，等等。

MatPlotLib：主要的畫圖框架。不太討喜，但卻是必備的包。

Seaborn：在導(dǎo)入MatPlotLib包之后導(dǎo)入Seaborn包，默認(rèn)地，它會使你的繪圖變得漂亮許多。它也有一些獨(dú)特的功能，但是我發(fā)現(xiàn)它最酷炫的功能運(yùn)行起來實(shí)在太慢了。

Pandas：基本上是對NumPy/SciPy進(jìn)行輕量的包裝，使它們更用戶友好一些。對于和表格數(shù)據(jù)交互非常理想，Pandas中把表格數(shù)據(jù)稱為數(shù)據(jù)框(DataFrame)。對畫圖功能也有一些包裝，使得無需使用MPL(Meta-Programming Library，元編程庫)就可以快速實(shí)現(xiàn)畫圖。我使用Pandas而非其他的工具來操作數(shù)據(jù)。

Scikit-learn：包含大量的監(jiān)督和非監(jiān)督機(jī)器學(xué)習(xí)算法，以及許多做模型選擇的度量工具，是一個優(yōu)秀的預(yù)處理庫。這個預(yù)處理庫可以做主成分分析(Principal Component Analysis)，對分類變量進(jìn)行編碼，等等。

小技巧

1. 在Jupyter筆記本中，在運(yùn)行代碼塊(Cell)前，于任何一個對象前放置一個問號，它會為你打開這個對象的文檔。在你遺忘了你所使用的函數(shù)的細(xì)節(jié)的時候，這是非常方便的。比如說，my_dataframe.apply會解釋pandas.DataFrame對象中的apply方法，而這個my_dataframe是pandas.DataFrame的一個實(shí)例。

2. 無論你在使用什么庫，你通常都需要一直查閱文檔，那么就干脆一直在瀏覽器中打開它。可選變量以及細(xì)微的差別實(shí)在是太多了。

3. 當(dāng)你遇到無可避免的故障檢修的時候，stackoverflow上也許已經(jīng)有了問題的答案。

4. 接受這個事實(shí)吧：你正在做并不是完全理解的事情，又或者你會被并不重要的細(xì)節(jié)拖入泥淖。某一天你也許需要理解虛擬環(huán)境，它并沒有那么困難，只是會有一些彎路給新手增加一些不必要的痛苦而已。

5. 閱讀別人的代碼。這是最好的方式，可以學(xué)習(xí)到規(guī)范，也是最佳的實(shí)踐。這就是Kaggle kernels能夠幫助你的地方。Github同樣也支持在瀏覽器中展示Jupyter筆記本。互聯(lián)網(wǎng)上有大量的例子可供參考學(xué)習(xí)。

開發(fā)者

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。