大家好，我是大鵬，城市數據團聯合發起人，致力於Python數據分析、數據可視化的應用與教學。
和很多同學接觸過程中，我發現自學Python數據分析的一個難點是資料繁多，過於復雜。大部分網上的資料總是從Python語法教起，夾雜着大量Python開發的知識點，花了很多時間卻始終雲里霧里，不知道哪些知識才是真正有用的。本來以為上手就能寫爬蟲出圖，卻在看基礎的過程中消耗了一周又一周，以至於很多勵志學習Python的小伙伴犧牲在了入門的前一步。
於是，我總結了以下一篇干貨，來幫助大家理清思路，提高學習效率。總共分為三大部分：做Python數據分析必知的語法，如何實現爬蟲，怎么做數據分析。
1.必須知道的兩組Python基礎術語
A.變量和賦值
Python可以直接定義變量名字並進行賦值的，例如我們寫出a = 4時，Python解釋器干了兩件事情：
- 在內存中創建了一個值為4的整型數據
- 在內存中創建了一個名為a的變量，並把它指向4
用一張示意圖表示Python變量和賦值的重點：
例如下圖代碼，“=”的作用就是賦值，同時Python會自動識別數據類型:
a=4 #整型數據 b=2 #整型數據 c=“4” #字符串數據 d=“2” #字符串數據 print(“a+b結果為”，a+b)#兩個整數相加，結果是6 print(“c+d結果為”，c+d)#兩個文本合並，結果是文本“42” #以下為運行結果 >>>a+b結果為 6 >>>c+d結果為 42
B.數據類型
在初級的數據分析過程中，有三種數據類型是很常見的：
- 列表list(Python內置)
- 字典dic(Python內置)
- DataFrame(工具包pandas下的數據類型，需要import pandas才能調用)
它們分別是這么寫的：
列表(list)：
#列表
liebiao=[1,2.223,-3,'劉強東','章澤天','周傑倫','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據格式和數據類型(整型、浮點、列表……)，並可以隨時指定順序添加其中的元素，其形式是：
#ist是一個可變的有序表，所以，可以往list中追加元素到末尾：
liebiao.append('瘦') ptint(liebiao) #結果1 >>>[1, 2.223, -3, '劉強東', '章澤天', '周傑倫', '昆凌', ['微博', 'B站', '抖音'], '瘦'] #也可以把元素插入到指定的位置，比如索引號為5的位置,插入“胖”這個元素： liebiao.insert(5, '胖') ptint(liebiao) #結果2 >>>[1, 2.223, -3, '劉強東', '章澤天', '胖', '周傑倫', '昆凌', ['微博', 'B站', '抖音'], '瘦']
字典(dict)：
#字典
zidian={'劉強東':'46','章澤天':'36','周傑倫':'40','昆凌':'26'}
字典使用鍵-值(key-value)存儲，無序，具有極快的查找速度。以上面的字典為例，想要快速知道周傑倫的年齡，就可以這么寫：
zidian['周傑倫']
>>>'40'
dict內部存放的順序和key放入的順序是沒有關系的,也就是說，"章澤天"並非是在"劉強東"的后面。
DataFrame：
DataFrame可以簡單理解為excel里的表格格式。導入pandas包后，字典和列表都可以轉化為DataFrame，以上面的字典為例，轉化為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選出進行分析。
以上三種數據類型是python數據分析中用的最多的類型，基礎語法到此結束，接下來就可以着手寫一些函數計算數據了。
2.從Python爬蟲學循環函數
掌握了以上基本語法概念，我們就足以開始學習一些有趣的函數。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函數for的用法：
A.for函數
for函數是一個常見的循環函數，先從簡單代碼理解for函數的用途：
zidian={'劉強東':'46','章澤天':'36','周傑倫':'40','昆凌':'26'} for key in zidian: print(key) >>> 劉強東 章澤天 周傑倫 昆凌
因為dict的存儲不是按照list的方式順序排列，所以，迭代出的結果順序很可能不是每次都一樣。默認情況下，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#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了。for 函數的作用就是用於遍歷數據。掌握for函數，可以說是真正入門了Python函數。
B.爬蟲和循環
for函數在書寫Python爬蟲中經常被應用，因為爬蟲經常需要遍歷每一個網頁，以獲取信息，所以構建完整而正確的網頁鏈接十分關鍵。以某票房數據網為例，他的網站信息長這樣：
該網站的周票房json數據地址可以通過抓包工具找到，網址為http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=20190114
仔細觀察，該網站不同日期的票房數據網址(url)只有后面的日期在變化，訪問不同的網址(url)就可以看到不同日期下的票房數據：
我們要做的是，遍歷每一個日期下的網址，用Python代碼把數據爬下來。此時for函數就派上用場了，使用它我們可以快速生成多個符合條件的網址：
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)}) ''' 將網址相同的部分生成5次，並利用pandas的時間序列功能生成5個星期一對應的日期。 其中用到了第一部分提供的多個數據類型： range(5)屬於列表， 'urls'：[]屬於字典， pd.dataframe屬於dataframe ''' url_df['urls'] = url_df['urls'] + url_df['date'].astype('str')
滑動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for函數的遍歷過程示意圖：
此處省略掉后續爬取過程，相關爬蟲代碼見文末。我們使用爬蟲爬取了5800+條數據，包含20個字段，時間囊括了從2008年1月開始至2019年2月十一年期間的單周票房、累計票房、觀影人次、場均人次、場均票價、場次環比變化等信息。
3.Python怎么實現數據分析?
除了爬蟲，分析數據也是Python的重要用途之一，Excel能做的事，Python究竟怎么實現呢;Excel不能做的事，Python又是否能實現呢?利用電影票房數據，我們分別舉一個例子說明：
A.Python分析
在做好數據采集和導入后，選擇字段進行初步分析可以說是數據分析的必經之路。在Dataframe數據格式的幫助下，這個步驟變得很簡單。
比如當我們想看單周票房第一的排名分別都是哪些電影時，可以使用pandas工具庫中常用的方法，篩選出周票房為第一名的所有數據，並保留相同電影中周票房最高的數據進行分析整理：
import pandas as pd
data = pd.read_csv('中國票房數據爬取測試20071-20192.csv',engine='python')
data[data['平均上座人數']>20]['電影名']
#計算周票房第一隨時間變化的結果，導入數據，並選擇平均上座人數在20以上的電影為有效數據 dataTop1_week = data[data['排名']==1][['電影名','周票房']] #取出周票房排名為第一名的所有數據，並保留“電影名”和“周票房”兩列數據 dataTop1_week = dataTop1_week.groupby('電影名').max()['周票房'].reset_index() #用“電影名”來分組數據，相同電影連續霸榜的選擇最大的周票房保留，其他數據刪除 dataTop1_week = dataTop1_week.sort_values(by='周票房',ascending=False) #將數據按照“周票房”進行降序排序 dataTop1_week.index = dataTop1_week['電影名'] del dataTop1_week['電影名'] #整理index列，使之變為電影名，並刪掉原來的電影名列 dataTop1_week #查看數據
9行代碼，我們完成了Excel里的透視表、拖動、排序等鼠標點擊動作。最后再用Python中的可視化包matplotlib，快速出圖：
B.函數化分析
以上是一個簡單的統計分析過程。接下來就講講Excel基礎功能不能做的事——自定義函數提效。觀察數據可以發現，數據中記錄了周票房和總票房的排名，那么剛剛計算了周票房排名的代碼，還能不能復用做一張總票房分析呢?
當然可以，只要使用def函數和剛剛寫好的代碼建立自定義函數，並說明函數規則即可：
def pypic(pf): #定義一個pypic函數，變量是pf dataTop1_sum = data[['電影名',pf]] #取出源數據中，列名為“電影名”和pf兩列數據 dataTop1_sum = dataTop1_sum.groupby('電影名').max()[pf].reset_index() #用“電影名”來分組數據，相同電影連續霸榜的選擇最大的pf票房保留，其他數據刪除 dataTop1_sum = dataTop1_sum.sort_values(by=pf,ascending=False) #將數據按照pf進行降序排序 dataTop1_sum.index = dataTop1_sum['電影名'] del dataTop1_sum['電影名'] #整理index列，使之變為電影名，並刪掉原來的電影名列 dataTop1_sum[:20].iloc[::-1].plot.barh(figsize = (6,10),color = 'orange') name=pf+'top20分析' plt.title(name) #根據函數變量名出圖
定義函數后，批量出圖so easy：
學會函數的構建，一個數據分析師才算真正能夠告別Excel的鼠標點擊模式，邁入高效分析的領域。
4.光看不練是永遠不能入門的
如果只有一小時學習，以上就是大家一定要掌握的Python知識點。