下载掌阅APP，畅读海量书库
立即打开
由于Python拥有成千上万且功能强大的开源库，因此备受开发人员的欢迎。据统计，目前通过PyPl可以导入超过23.5万个库。本节介绍一些Python常用的数据分析库，包括NumPy、Pandas、Matplotlib和Sklearn，掌握这些工具的使用是数据分析人员的必备技能。
NumPy的前身是由Jim Hugunin与其他协作者共同开发的Numeric，在2005年，Travis OliphantNumeric包中结合Numarray包的特色，并添加其他扩展开发了NumPy。
NumPy是Python用于科学计算的基础包，它提供了多维数组对象、各种派生对象（如矩阵），以及用于数组快速操作的各种API，包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅里叶变换、基本线性代数、基本统计运算和随机模拟等。
下面我们从生成1～9的9个数字的一维数组开始介绍。
本例我们在NumPy中，通过np.array的方式创建一个数组，并赋给变量data，数值的顺序没有排序，而且6和9有重复值。示例代码如下：
data = np.array([8,6,9,1,3,5,4,2,7,9,6,9])
NumPy一个重要的特点就是其N维数组对象，也就是ndarray，该对象是一个快速而灵活的通用同构数据多维容器，其中的所有元素必须是相同类型的。例如，我们这里重新定义数值data，将其修改为3 × 4的数组，示例代码和输出如下：
这里输出的数组元素都是整型数据。
Pandas主要用于数据挖掘和数据分析，同时也提供数据清洗功能。在Pandas中有两类非常重要的数据结构，即序列（Series）和数据框（DataFrame）。Series类似于NumPy中的一维数组对象，由一组数据以及一组与之相关的数据标签（索引）组成，可以通过索引访问Series中某行的数据，也可以通过标签来访问某列的数据。
以下我们创建一个Series。
在创建Series之前，首先需要导入相关的包，代码如下：
import pandas as pd
from pandas import Series
下面创建序列return1，它包含企业2020年第三季度在东北、华东、华中、华南、西南、西北6个地区的商品退单量，示例代码和输出如下：
以下我们来创建DataFrame。
DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索引，又有列索引，它可以被看成是由Series组成的字典（共用同一个索引）。
在创建DataFrame之前，首先需要导入相关的包，代码如下：
import pandas as pd
from pandas import DataFrame
如果通过字典创建DataFrame，它会自动加上索引，默认是从0开始的，例如创建企业2020年4个季度在6个地区的商品退单量的DataFrame，即return2，示例代码和输出如下：
Python绘图包众多，各有其特点，但是Matplotlib是最基础的可视化包，如果需要学习Python数据可视化，那么Matplotlib是非学不可的。Matplotlib的中文学习资料比较丰富，其中最好的学习资料还是其帮助文档，地址为http://www.Matplotlib.org.cn/。
安装Anaconda后，会默认安装Matplotlib库，如果要单独安装，可以通过pip命令实现，命令为pip install matplotlib，前提是需要安装pip包。
下面演示一个比较简单的Matplotlib数据可视化的例子。例如需要按班级和性别统计某次考试的成绩，通过条形图对结果进行可视化分析，具体代码如下：
运行上面的代码，可以绘制出学生考试成绩的条形图，如图1-18所示。其中下方是男生的考试平均成绩，上方是女生的考试平均成绩。从图形中可以看出每个班级的考试成绩情况。
图1-18 条形图
Sklearn是Python重要的机器学习包，建立在NumPy、SciPy和Matplotlib之上，其中封装了大量的机器学习算法，如分类、回归、降维和聚类。Sklearn拥有完善的文档，使得它具有上手容易的优势，并且内置了大量的数据集，节省了获取和整理数据集的时间。
截至2020年12月，Sklearn的新版本是0.23.2，安装命令如下：
pip install scikit-learn
Sklearn的算法可以分为监督式机器学习和无监督式机器学习，其中主要的监督式机器学习算法如表1-1所示。
表1-1 监督式机器学习算法
Sklearn中的无监督式机器学习算法如表1-2所示。
表1-2 无监督式机器学习算法
