這段時間和一些做數據分析的同學閑聊，我發現數據分析技能入門階段存在一個普遍性的問題，很多憑著興趣入坑的同學，都能夠很快熟悉基礎語法，然后不約而同的一頭扎進《利用進行數據分析》這本經典之中，硬著頭皮啃完之后，好像自己什么都會了一點，然而實際操作起來既不知從何操起，又漏洞百出。
至于原因嘛，理解不夠，實踐不夠是兩條老牌的攔路虎，只能靠自己來克服。還有一個非常有意思且經常被忽視的因素——陷入舉三反一的懵逼狀態。
什么意思呢？假如我是個旱鴨子，想去學游泳，教練很認真的給我剖析了蛙泳的動作，扶著我的腰讓我在水里劃拉了5分鐘，接著馬上給我講解了蝶泳，又是劃拉了5分鐘，然后又硬塞給我潛泳的姿勢，依然是劃拉5分鐘。最后，教練一下子把我丟進踩不到底的泳池，給我吶喊助威。
作為一個還沒入門的旱鴨子，教練傾囊授了我3種游泳技巧ps里索引怎么解鎖ps里索引怎么解鎖，讓我分別實踐了5分鐘。這樣做的結果就是我哪一種游泳技巧也沒學會，只學會了喝水。當一個初學者一開始就陷入針對單個問題的多種解決方法，而每一種方法的實踐又淺嘗輒止，在面對具體問題時往往會手忙腳亂。
拿來說，它的多種構造方式，多種索引方式以及類似效果的多種實現方法，很容易把初學者打入舉三反一的懵逼狀態。所以，盡量避開這個坑也是我寫基礎系列的初衷，希望通過梳理和精簡知識點的方式，給需要的同學一些啟發。
下面開始進入正題（我真是太嘮叨了）。
簡介
江湖上流傳著這么一句話——分析不識潘大師（），縱是老手也枉然。
是基于Numpy的專業數據分析工具，可以靈活高效的處理各種數據集，也是我們后期分析案例的神器。它提供了兩種類型的數據結構，分別是和，我們可以簡單粗暴的把理解為Excel里面的一張表，而就是表中的某一列，后面學習和用到的所有騷操作，都是基于這些表和列進行的操作（關于和Excel的形象關系，這里推薦我的好朋友張俊紅寫的《對比EXCEL，輕松學習數據分析》)。
這里有一點需要強調，和Excel、SQL相比，只是調用和處理數據的方式變了，核心都是對源數據進行一系列的處理，在正式處理之前，更重要的是謀定而后動，明確分析的意義，理清分析思路之后再處理和分析數據，往往事半功倍。
創建、讀取和存儲
1、創建
在中我們想要構造下面這一張表應該如何操作呢？
別忘了，第一步一定是先導入我們的庫—— as pd
構造最常用的方式是字典+列表，語句很簡單，先是字典外括，然后依次打出每一列標題及其對應的列值（此處一定要用列表），這里列的順序并不重要：
左邊是 中的樣子，如果對應到excel中，他就是右邊表格的樣子，通過改變,index和的值來控制數據。
PS，如果我們在創建時不指定index，系統會自動生成從0開始的索引。
2、讀取
更多時候，我們是把相關文件數據直接讀進中進行操作，這里介紹兩種非常接近的讀取方式，一種是CSV格式的文件，一種是EXCEL格式（.xlsx和xls后綴）的文件。
讀取csv文件：
是使用的分析引擎，讀取csv文件一般指定避免中文和編碼造成的報錯。而讀取Excel文件，則是一樣的味道：
非常easy，其實和還有一些參數，比如、sep、names等，大家可以做額外了解。實踐中數據源的格式一般都是比較規整的，更多情況是直接讀取。
3、存儲
存儲起來一樣非常簡單粗暴且相似：
快速認識數據
這里以我們的案例數據為例，迅速熟悉查看N行，數據格式概覽以及基礎統計數據。
1、查看數據，掐頭看尾
很多時候我們想要對數據內容做一個總覽，用df.head函數直接可以查看默認的前5行，與之對應，df.tail就可以查看數據尾部的5行數據，這兩個參數內可以傳入一個數值來控制查看的行數，例如df.head(10)表示查看前10行數據。
2、格式查看
幫助我們一步摸清各列數據的類型，以及缺失情況：
從上面直接可以知道數據集的行列數，數據集的大小，每一列的數據類型，以及有多少條非空數據。
3、統計信息概覽
快速計算數值型數據的關鍵統計指標，像平均數、中位數、標準差等等。
我們本來有5列數據，為什么返回結果只有兩列？那是因為這個操作只針對數值型的列。其中count是統計每一列的有多少個非空數值，mean、std、min、max對應的分別是該列的均值、標準差、最小值和最大值，25%、50%、75%對應的則是分位數。
列的基本處理方式
這里，我們采用SQL四大法寶的邏輯來簡單梳理針對列的基本處理方式——增、刪、選、改。
溫馨提示：使用時，盡量避免用行或者EXCEL操作單元格的思維來處理數據，要逐漸養成一種列向思維，每一列是同宗同源，處理起來是嗖嗖的快。
1、增
增加一列，用df['新列名'] = 新列值的形式，在原數據基礎上賦值即可：
2、刪：
我們用drop函數制定刪除對應的列，axis = 1表示針對列的操作，為True，則直接在源數據上進行修改，否則源數據會保持原樣。
3、選：
想要選取某一列怎么辦？df['列名']即可：
選取多列呢？需要用列表來傳遞：df[['第一列','第二列','第三列'..]]
4、改：
好事多磨，復雜的針對特定條件和行列的篩選、修改，放在后面結合案例細講，這里只講一下最簡單的更改：df['舊列名'] = 某個值或者某列值，就完成了對原列數值的修改。
常用數據類型及操作
1、字符串
字符串類型是最常用的格式之一了，中字符串的操作和原生字符串操作幾乎一毛一樣，唯一不同的是需要在操作前加上".str"。
溫馨提示：我們最初用查看數據類型時，非數值型的列都返回的是格式，和str類型深層機制上的區別就不展開了，在常規實際應用中，我們可以先理解為對應的就是str格式，int64對應的就是int格式，對應的就是float格式即可。
在案例數據中，我們發現來源明細那一列，可能是系統導出的歷史遺留問題，每一個字符串前面都有一個“-”符號，又丑又無用，所以把它給拿掉：
一般來說清洗之后的列是要替換掉原來列的：
2、數值型
數值型數據，常見的操作是計算，分為與單個值的運算，長度相等列的運算。
以案例數據為例，源數據訪客數我們是知道的，現在想把所有渠道的訪客都加上10000，怎么操作呢？
只需要選中訪客數所在列，然后加上10000即可，自動將10000和每一行數值相加，針對單個值的其他運算（減乘除）也是如此。
列之間的運算語句也非常簡潔。源數據是包含了訪客數、轉化率和客單價，而實際工作中我們對每個渠道貢獻的銷售額更感興趣。（銷售額 = 訪客數 X 轉化率 X 客單價）
對應操作語句：df['銷售額'] = df['訪客數'] * df['轉化率'] * df['客單價']
但為什么瘋狂報錯？
導致報錯的原因，是數值型數據和非數值型數據相互計算導致的。把帶“%”符號的轉化率識別成字符串類型，我們需要先拿掉百分號，再將這一列轉化為浮點型數據：
要注意的是，這樣操作，把9.98%變成了9.98，所以我們還需要讓支付轉化率除以100，來還原百分數的真實數值：
然后，再用三個指標相乘計算銷售額：
3、時間類型
中時間序列相關的水非常深，這里只對日常中最基礎的時間格式進行講解，對時間序列感興趣的同學可以自行查閱相關資料，深入了解。
以案例數據為例，我們這些渠道數據，是在2019年8月2日提取的，后面可能涉及到其他日期的渠道數據，所以需要加一列時間予以區分，在EXCEL中常用的時間格式是'2019-8-3'或者'2019/8/3'，我們用來實現一下：
在實際業務中，一些時候會把文件中日期格式的字段讀取為字符串格式，這里我們先把字符串'2019-8-3'賦值給新增的日期列，然后用函數將字符串類型轉換成時間格式：
轉換成時間格式（這里是）之后，我們可以用處理時間的思路高效處理這些數據，比如，我現在想知道提取數據這一天離年末還有多少天（'2019-12-31'），直接做減法（該函數接受時間格式的字符串序列，也接受單個字符串）：
是不是非常簡單？
最后我們一起快速回顧下本文的內容：
每一步都是本著小而美（畢竟臭美也算美）和輕量的初心，和大家一起重新認識回顧這些模塊，然后在接下來的案例實踐中檢驗、鞏固、沉淀這些操作與分析思路。
作者：周志鵬，2年數據分析，深切感受到數據分析的有趣和學習過程中缺少案例的無奈，遂新開公眾號「數據不吹牛」，定期更新數據分析相關技巧和有趣案例（含實戰數據集），歡迎大家關注交流。