大家好，我是大鵬，城市數(shù)據(jù)團(tuán)聯(lián)合發(fā)起人，致力于Python數(shù)據(jù)分析、數(shù)據(jù)可視化的應(yīng)用與教學(xué)。

和很多同學(xué)接觸過(guò)程中，我發(fā)現(xiàn)自學(xué)Python數(shù)據(jù)分析的一個(gè)難點(diǎn)是資料繁多，過(guò)于復(fù)雜。大部分網(wǎng)上的資料總是從Python語(yǔ)法教起，夾雜著大量Python開發(fā)的知識(shí)點(diǎn)，花了很多時(shí)間卻始終云里霧里，不知道哪些知識(shí)才是真正有用的。本來(lái)以為上手就能寫爬蟲出圖，卻在看基礎(chǔ)的過(guò)程中消耗了一周又一周，以至于很多勵(lì)志學(xué)習(xí)Python的小伙伴犧牲在了入門的前一步。

[[264690]]

于是，我總結(jié)了以下一篇干貨，來(lái)幫助大家理清思路，提高學(xué)習(xí)效率。總共分為三大部分：做Python數(shù)據(jù)分析必知的語(yǔ)法，如何實(shí)現(xiàn)爬蟲，怎么做數(shù)據(jù)分析。

1.必須知道的兩組Python基礎(chǔ)術(shù)語(yǔ)

A.變量和賦值

Python可以直接定義變量名字并進(jìn)行賦值的，例如我們寫出a = 4時(shí)，Python解釋器干了兩件事情：

• 在內(nèi)存中創(chuàng)建了一個(gè)值為4的整型數(shù)據(jù)
• 在內(nèi)存中創(chuàng)建了一個(gè)名為a的變量，并把它指向4

用一張示意圖表示Python變量和賦值的重點(diǎn)：

例如下圖代碼，“=”的作用就是賦值，同時(shí)Python會(huì)自動(dòng)識(shí)別數(shù)據(jù)類型:

a=4 #整型數(shù)據(jù) 
b=2 #整型數(shù)據(jù) 
c=“4” #字符串?dāng)?shù)據(jù) 
d=“2” #字符串?dāng)?shù)據(jù) 
 
print(“a+b結(jié)果為”，a+b)#兩個(gè)整數(shù)相加，結(jié)果是6 
print(“c+d結(jié)果為”，c+d)#兩個(gè)文本合并，結(jié)果是文本“42” 
 
#以下為運(yùn)行結(jié)果 
>>>a+b結(jié)果為 6 
>>>c+d結(jié)果為 42 

B.數(shù)據(jù)類型

在初級(jí)的數(shù)據(jù)分析過(guò)程中，有三種數(shù)據(jù)類型是很常見的：

• 列表list(Python內(nèi)置)
• 字典dic(Python內(nèi)置)
• DataFrame(工具包pandas下的數(shù)據(jù)類型，需要import pandas才能調(diào)用)

它們分別是這么寫的：

列表(list)：

#列表 
liebiao=[1,2.223,-3,'劉強(qiáng)東','章澤天','周杰倫','昆凌',['微博','B站','抖音']] 

list是一種有序的集合，里面的元素可以是之前提到的任何一種數(shù)據(jù)格式和數(shù)據(jù)類型(整型、浮點(diǎn)、列表……)，并可以隨時(shí)指定順序添加其中的元素，其形式是：

#ist是一個(gè)可變的有序表，所以，可以往list中追加元素到末尾： 
liebiao.append('瘦') 
ptint(liebiao) 
#結(jié)果1 
>>>[1, 2.223, -3, '劉強(qiáng)東', '章澤天', '周杰倫', '昆凌', ['微博', 'B站', '抖音'], '瘦'] 
 
#也可以把元素插入到指定的位置，比如索引號(hào)為5的位置,插入“胖”這個(gè)元素： 
liebiao.insert(5, '胖') 
ptint(liebiao) 
#結(jié)果2 
>>>[1, 2.223, -3, '劉強(qiáng)東', '章澤天', '胖', '周杰倫', '昆凌', ['微博', 'B站', '抖音'], '瘦'] 

字典(dict)：

#字典 
zidian={'劉強(qiáng)東':'46','章澤天':'36','周杰倫':'40','昆凌':'26'} 

字典使用鍵-值(key-value)存儲(chǔ)，無(wú)序，具有極快的查找速度。以上面的字典為例，想要快速知道周杰倫的年齡，就可以這么寫：

zidian['周杰倫'] 
>>>'40' 

dict內(nèi)部存放的順序和key放入的順序是沒有關(guān)系的,也就是說(shuō)，"章澤天"并非是在"劉強(qiáng)東"的后面。

DataFrame：

DataFrame可以簡(jiǎn)單理解為excel里的表格格式。導(dǎo)入pandas包后，字典和列表都可以轉(zhuǎn)化為DataFrame，以上面的字典為例，轉(zhuǎn)化為DataFrame是這樣的：

import pandas as pd 
 
df=pd.DataFrame.from_dict(zidian,orient='index',columns=['age'])#注意DataFrame的D和F是大寫 
df=df.reset_index().rename(columns={'index':'name'})#給姓名加上字段名 

和excel一樣，DataFrame的任何一列或任何一行都可以單獨(dú)選出進(jìn)行分析。

以上三種數(shù)據(jù)類型是python數(shù)據(jù)分析中用的最多的類型，基礎(chǔ)語(yǔ)法到此結(jié)束，接下來(lái)就可以著手寫一些函數(shù)計(jì)算數(shù)據(jù)了。

2.從Python爬蟲學(xué)循環(huán)函數(shù)

掌握了以上基本語(yǔ)法概念，我們就足以開始學(xué)習(xí)一些有趣的函數(shù)。我們以爬蟲中繞不開的遍歷url為例，講講大家最難理解的循環(huán)函數(shù)for的用法：

A.for函數(shù)

for函數(shù)是一個(gè)常見的循環(huán)函數(shù)，先從簡(jiǎn)單代碼理解for函數(shù)的用途：

zidian={'劉強(qiáng)東':'46','章澤天':'36','周杰倫':'40','昆凌':'26'} 
for key in zidian: 
        print(key) 
>>> 
劉強(qiáng)東 
章澤天 
周杰倫 
昆凌 

因?yàn)閐ict的存儲(chǔ)不是按照l(shuí)ist的方式順序排列，所以，迭代出的結(jié)果順序很可能不是每次都一樣。默認(rèn)情況下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同時(shí)#迭代key和value，可以用for k, v in d.items()

可以看到，字典里的人名被一一打印出來(lái)了。for 函數(shù)的作用就是用于遍歷數(shù)據(jù)。掌握f(shuō)or函數(shù)，可以說(shuō)是真正入門了Python函數(shù)。

B.爬蟲和循環(huán)

for函數(shù)在書寫Python爬蟲中經(jīng)常被應(yīng)用，因?yàn)榕老x經(jīng)常需要遍歷每一個(gè)網(wǎng)頁(yè)，以獲取信息，所以構(gòu)建完整而正確的網(wǎng)頁(yè)鏈接十分關(guān)鍵。以某票房數(shù)據(jù)網(wǎng)為例，他的網(wǎng)站信息長(zhǎng)這樣：

該網(wǎng)站的周票房json數(shù)據(jù)地址可以通過(guò)抓包工具找到，網(wǎng)址為http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=20190114

仔細(xì)觀察，該網(wǎng)站不同日期的票房數(shù)據(jù)網(wǎng)址(url)只有后面的日期在變化，訪問(wèn)不同的網(wǎng)址(url)就可以看到不同日期下的票房數(shù)據(jù)：

我們要做的是，遍歷每一個(gè)日期下的網(wǎng)址，用Python代碼把數(shù)據(jù)爬下來(lái)。此時(shí)for函數(shù)就派上用場(chǎng)了，使用它我們可以快速生成多個(gè)符合條件的網(wǎng)址：

import pandas as pd 
 
url_df = pd.DataFrame({'urls':['http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=' for i in range(5)],'date' :pd.date_range(20190114,freq = 'W-MON',periods = 5)}) 
 
''' 
將網(wǎng)址相同的部分生成5次，并利用pandas的時(shí)間序列功能生成5個(gè)星期一對(duì)應(yīng)的日期。 
其中用到了***部分提供的多個(gè)數(shù)據(jù)類型： 
range(5)屬于列表， 
'urls'：[]屬于字典， 
pd.dataframe屬于dataframe 
''' 
url_df['urls'] = url_df['urls'] + url_df['date'].astype('str') 

滑動(dòng)滑塊可以看到完整代碼和中間的注釋。

為了方便理解，我給大家畫了一個(gè)for函數(shù)的遍歷過(guò)程示意圖：

此處省略掉后續(xù)爬取過(guò)程，相關(guān)爬蟲代碼見文末。我們使用爬蟲爬取了5800+條數(shù)據(jù)，包含20個(gè)字段，時(shí)間囊括了從2008年1月開始至2019年2月十一年期間的單周票房、累計(jì)票房、觀影人次、場(chǎng)均人次、場(chǎng)均票價(jià)、場(chǎng)次環(huán)比變化等信息。

3.Python怎么實(shí)現(xiàn)數(shù)據(jù)分析?

除了爬蟲，分析數(shù)據(jù)也是Python的重要用途之一，Excel能做的事，Python究竟怎么實(shí)現(xiàn)呢;Excel不能做的事，Python又是否能實(shí)現(xiàn)呢?利用電影票房數(shù)據(jù)，我們分別舉一個(gè)例子說(shuō)明：

A.Python分析

在做好數(shù)據(jù)采集和導(dǎo)入后，選擇字段進(jìn)行初步分析可以說(shuō)是數(shù)據(jù)分析的必經(jīng)之路。在Dataframe數(shù)據(jù)格式的幫助下，這個(gè)步驟變得很簡(jiǎn)單。

比如當(dāng)我們想看單周票房***的排名分別都是哪些電影時(shí)，可以使用pandas工具庫(kù)中常用的方法，篩選出周票房為***名的所有數(shù)據(jù)，并保留相同電影中周票房***的數(shù)據(jù)進(jìn)行分析整理：

import pandas as pd 
data = pd.read_csv('中國(guó)票房數(shù)據(jù)爬取測(cè)試20071-20192.csv',engine='python') 
data[data['平均上座人數(shù)']>20]['電影名'] 
#計(jì)算周票房***隨時(shí)間變化的結(jié)果，導(dǎo)入數(shù)據(jù)，并選擇平均上座人數(shù)在20以上的電影為有效數(shù)據(jù) 
 
dataTop1_week = data[data['排名']==1][['電影名','周票房']] 
#取出周票房排名為***名的所有數(shù)據(jù)，并保留“電影名”和“周票房”兩列數(shù)據(jù) 
 
dataTop1_week = dataTop1_week.groupby('電影名').max()['周票房'].reset_index() 
#用“電影名”來(lái)分組數(shù)據(jù)，相同電影連續(xù)霸榜的選擇***的周票房保留，其他數(shù)據(jù)刪除 
 
dataTop1_week = dataTop1_week.sort_values(by='周票房',ascending=False) 
#將數(shù)據(jù)按照“周票房”進(jìn)行降序排序 
 
dataTop1_week.index = dataTop1_week['電影名'] 
del dataTop1_week['電影名'] 
#整理index列，使之變?yōu)殡娪懊h掉原來(lái)的電影名列 
 
dataTop1_week 
#查看數(shù)據(jù) 

9行代碼，我們完成了Excel里的透視表、拖動(dòng)、排序等鼠標(biāo)點(diǎn)擊動(dòng)作。***再用Python中的可視化包matplotlib，快速出圖：

B.函數(shù)化分析

以上是一個(gè)簡(jiǎn)單的統(tǒng)計(jì)分析過(guò)程。接下來(lái)就講講Excel基礎(chǔ)功能不能做的事——自定義函數(shù)提效。觀察數(shù)據(jù)可以發(fā)現(xiàn)，數(shù)據(jù)中記錄了周票房和總票房的排名，那么剛剛計(jì)算了周票房排名的代碼，還能不能復(fù)用做一張總票房分析呢?

當(dāng)然可以，只要使用def函數(shù)和剛剛寫好的代碼建立自定義函數(shù)，并說(shuō)明函數(shù)規(guī)則即可：

def pypic(pf): 
    #定義一個(gè)pypic函數(shù)，變量是pf 
    dataTop1_sum = data[['電影名',pf]] 
    #取出源數(shù)據(jù)中，列名為“電影名”和pf兩列數(shù)據(jù) 
 
    dataTop1_sum = dataTop1_sum.groupby('電影名').max()[pf].reset_index() 
    #用“電影名”來(lái)分組數(shù)據(jù)，相同電影連續(xù)霸榜的選擇***的pf票房保留，其他數(shù)據(jù)刪除 
 
    dataTop1_sum = dataTop1_sum.sort_values(by=pf,ascending=False) 
    #將數(shù)據(jù)按照pf進(jìn)行降序排序 
 
    dataTop1_sum.index = dataTop1_sum['電影名'] 
    del dataTop1_sum['電影名'] 
    #整理index列，使之變?yōu)殡娪懊h掉原來(lái)的電影名列 
 
    dataTop1_sum[:20].iloc[::-1].plot.barh(figsize = (6,10),color = 'orange') 
    name=pf+'top20分析' 
    plt.title(name) 
    #根據(jù)函數(shù)變量名出圖 

定義函數(shù)后，批量出圖so easy：

學(xué)會(huì)函數(shù)的構(gòu)建，一個(gè)數(shù)據(jù)分析師才算真正能夠告別Excel的鼠標(biāo)點(diǎn)擊模式，邁入高效分析的領(lǐng)域。

4.光看不練是永遠(yuǎn)不能入門的

如果只有一小時(shí)學(xué)習(xí)，以上就是大家一定要掌握的Python知識(shí)點(diǎn)。