今天給大家分享一篇內容，介紹了 8個使用Python進行資料分析的方法，不僅能夠 提升執行效率，還能夠使程式碼更加“優美”。

1

一行程式碼定義List

定義某種列表時，寫For 迴圈過於麻煩，幸運的是，Python有一種內建的方法可以在一行程式碼中解決這個問題。下面是使用For迴圈建立列表和用一行程式碼建立列表的對比。

x = [1,2,3,4]
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]
 

2

Lambda表示式

厭倦了定義用不了幾次的函式？Lambda表示式是你的救星！Lambda表示式用於在Python中建立小型，一次性和匿名函式物件， 它能替你建立一個函式。

lambda表示式的基本語法是：

lambda arguments: expression

注意！ 只要有一個lambda表示式，就可以完成常規函式可以執行的任何操作。

你可以從下面的例子中，感受lambda表示式的強大功能：

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

10

3

Map和Filter

一旦掌握了lambda表示式，學習將它們與Map和Filter函式配合使用，可以實現更為強大的功能。具體來說，map通過對列表中 每個元素執行某種操作並將其轉換為新列表。

在本例中，它遍歷每個元素並乘以2，構成新列表。（注意！list()函式只是將輸出轉換為列表型別）

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

[2, 4, 6, 8, 10]

Filter函式接受一個列表和一條規則，就像map一樣，但它通過比較每個元素和布林過濾規則來返回原始列表的一個子集。

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

[3, 4, 5]
 

4

Arange和Linspace

Arange返回給定步長的等差列表。它的三個引數start、stop、step分別表示起始值，結束值和步長，請注意！stop點是一個“截止”值，因此它不會包含在陣列輸出中。

# 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以指定數目均勻分割區間，所以給定區間start和end，以及等分分割點數目num，linspace將返回一個NumPy陣列。

這對繪圖時資料視覺化和宣告座標軸特別有用。

# np.linspace(start, stop, num)
np.linspace(2.0, 3.0, num=5)

array([ 2.0,  2.25,  2.5,  2.75, 3.0]

5

Axis代表什麼？

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

如果你想處理列，將Axis設定為1，如果你想要處理行，將其設定為0。但為什麼呢？回想一下Pandas中的shape。

df.shape
(# of Rows, # of Columns)

從Pandas DataFrame中呼叫shape屬性返回一個元組，第一個值代表行數，第二個值代表列數。

如果你想在Python中對其進行索引，則行數下標為0，列數下標為1，這很像我們如何宣告軸值。

6

Concat，Merge和Join

如果您熟悉SQL，那麼這些概念對你來說可能會更容易。無論如何，這些函式本質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允許使用者在表格下面或旁邊追加一個或多個DataFrame（取決於您如何定義軸）。

Merge將多個DataFrame合併指定主鍵（Key）相同的行。

Join，和Merge一樣，合併了兩個DataFrame。但它不按某個指定的主鍵合併，而是根據相同的列名或行名合併。

7

Pandas Apply

Apply是為Pandas Series而設計的。 如果你不太熟悉Series，可以將它想成類似Numpy的陣列。

Apply將一個函式應用於指定軸上的每一個元素。使用Apply，可以將DataFrame列（是一個Series）的值進行格式設定和操作，不用迴圈，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

8

Pivot Tables

如果您熟悉Microsoft Excel，那麼你也許聽說過資料透視表。

Pandas內建的pivot_table函式以DataFrame的形式建立電子表格樣式的資料透視表,，它可以幫助我們快速檢視某幾列的資料。

下面是幾個例子：

非常智慧地將資料按照“Manager”分了組：

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

或者也可以篩選屬性值

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

希望上面的這些描述能夠讓你發現Python一些好用的函式和概念。

本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯絡我們以作處理
想要獲取更多Python學習資料可以加QQ:2955637827私聊或加Q群630390733大家一起來學習討論吧！