Python 数据分析入门

说起来，我第一次接触数据分析的时候，还挺懵的。

那时候我只会写一些基础的Python脚本，处理文件、爬取数据什么的。但看到别人用Python做数据分析、画各种漂亮的图表时，心里挺羡慕的。

于是我决定学学。结果一查资料，什么NumPy、Pandas、Matplotlib......光这些库就够让人头大的。

后来我发现，其实学数据分析没那么难，关键是要搞清楚每个库是做什么的 。

今天我想分享一下从入门到实践的学习路径，希望对你有帮助。

为什么选择Python做数据分析？

这个问题，我一开始也挺困惑的。Excel不是也能做数据分析吗？R语言不是更专业吗？

后来用了一段时间，我发现Python的优势挺明显的：

生态丰富 : 你想做的任何事情，几乎都有现成的库可以用。数组操作、数据处理、可视化、机器学习......一站式搞定。

上手简单 : 如果你已经会一些Python基础，那基本就零门槛了。语法统一，不用像学R语言那样从零开始。

社区强大 : 遇到问题，一搜就有答案。CSDN、Stack Overflow上全是现成的解决方案。

应用广泛 : 不只是数据分析，机器学习、Web开发、自动化脚本都能用。学了之后，用处比我想象的大得多。

当然，Python也有它的局限性。比如处理特别大的数据集时，性能不如专门的工具。但对于初学者来说，这个影响不大。

小贴士：如果你是完全零基础，建议先花2-3周时间掌握Python基础语法（变量、循环、函数、类），再开始学数据分析。会省很多事。

环境搭建：别被安装劝退

说真的，环境搭建这块，我一开始也被劝退过。

官方的Python装好了，然后pip安装各种包，结果一会儿报这个错，一会儿报那个错。装了一天都没弄好。

后来发现了Anaconda，才发现原来环境搭建可以这么简单 。

安装Anaconda

Anaconda是一个Python发行版，里面预装了数据分析常用的所有库。你只需要下载安装包，一路点"下一步"就行了。

具体步骤：

1. 打开Anaconda官网：https://www.anaconda.com/download

2. 选择你的操作系统（Windows/Mac/Linux）

3. 下载Python 3.x版本（推荐Python 3.9或3.10）

4. 双击安装包，一路"Next"

5. 安装完成后，在开始菜单找到"Anaconda Navigator"，打开看看

就这么简单。不用手动装Python，不用pip安装包，不用配置环境变量。这些Anaconda都帮你搞定了。

小贴士：安装过程中记得勾选"Add Anaconda to my PATH environment variable"选项，这样在命令行就能直接用conda命令了。

Jupyter Notebook基础操作

Anaconda装好后，Jupyter Notebook就跟着装好了。

Jupyter Notebook是什么？简单说，就是一个交互式编程环境。你可以写一行代码，立即运行看结果。特别适合学习数据分析。

启动方式：

在开始菜单找到"Jupyter Notebook"，点击启动。会自动打开浏览器，显示你的文件目录。

新建笔记本：

1. 点击"New"按钮

2. 选择"Python 3"

3. 就会打开一个新的笔记本

基本操作：

• Shift + Enter：运行当前单元格，并跳到下一个单元格

• Ctrl + Enter：运行当前单元格，但不跳到下一个

• A：在当前单元格上方插入新单元格（按Esc进入命令模式）

• D + D：删除当前单元格（按Esc进入命令模式，按两次D）

小贴士：Jupyter Notebook很适合做实验和记录笔记，但写大型项目时，建议用PyCharm或VS Code。Jupyter文件（.ipynb）可以导出为Python脚本。

核心库：NumPy、Pandas、Matplotlib

数据分析的核心，就是这三个库。我先一个一个说。

NumPy：数组操作的基础

NumPy是Python科学计算的基础库。它提供了一个强大的数组对象，支持大量的数学运算。

为什么需要NumPy？因为Python原生的列表在处理数值计算时效率太低。NumPy的数组底层用C实现，速度快得多。

创建数组：

import numpy as np
# 创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)
# 输出: [1 2 3 4 5]
# 创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)
# 输出:
# [[1 2 3]
#  [4 5 6]]
# 创建全0数组
zeros = np.zeros((2, 3))
print(zeros)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]]
# 创建全1数组
ones = np.ones((3, 3))
print(ones)
# 输出:
# [[1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]]

数组运算：

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# 加法
print(a + b)  # 输出: [5 7 9]
# 乘法（对应元素相乘）
print(a * b)  # 输出: [ 4 10 18]
# 标量运算
print(a * 2)  # 输出: [2 4 6]
# 统计运算
print(a.mean())  # 平均值，输出: 2.0
print(a.sum())   # 求和，输出: 6
print(a.max())   # 最大值，输出: 3

小贴士：NumPy的数组运算都是元素级的，和Python原生列表不一样。比如 [1, 2, 3] * 2 在Python里会复制列表，但在NumPy里会把每个元素都乘2。

Pandas：数据分析的核心

Pandas是数据分析的核心库。它提供了DataFrame和Series两种数据结构，让数据处理变得超级简单。

我一开始觉得Pandas有点复杂，但用了一段时间发现，它把数据处理中最常用的操作都封装好了 。

创建DataFrame：

import pandas as pd
# 从字典创建DataFrame
data = {
    '姓名': ['张三', '李四', '王五'],
    '年龄': [25, 30, 35],
    '城市': ['北京', '上海', '广州']
}
df = pd.DataFrame(data)
print(df)
# 输出:
#    姓名  年龄   城市
# 0  张三  25   北京
# 1  李四  30   上海
# 2  王五  35   广州

读取数据：

import pandas as pd
# 读取CSV文件
df = pd.read_csv('data.csv')  # 假设有一个data.csv文件
# 查看前5行
print(df.head())
# 查看数据信息
print(df.info())
# 查看基本统计信息
print(df.describe())
# 选择某一列
print(df['列名'])
# 选择多列
print(df[['列名1', '列名2']])

数据筛选：

import pandas as pd
# 假设df是上面的DataFrame
# 筛选年龄大于28的人
result = df[df['年龄'] > 28]
print(result)
# 筛选城市是北京或上海的人
result = df[df['城市'].isin(['北京', '上海'])]
print(result)
# 多条件筛选（年龄>28 且 城市=上海）
result = df[(df['年龄'] > 28) & (df['城市'] == '上海')]
print(result)

数据排序：

import pandas as pd
# 按年龄升序排序
df_sorted = df.sort_values('年龄')
print(df_sorted)
# 按年龄降序排序
df_sorted = df.sort_values('年龄', ascending=False)
print(df_sorted)

小贴士：Pandas的索引操作很容易出错。比如 df[0:5] 和 df.iloc[0:5] 结果一样，但 df[['列名']] 和 df.loc[:, ['列名']] 就不一样。刚开始学的时候，建议用 .loc 和 .iloc 明确表达你的意图，这样不容易出错。

Matplotlib：数据可视化

数据可视化的目的，是让数据"说话"。Matplotlib是Python最基础的可视化库，功能强大但需要写的代码也比较多。

我一开始觉得Matplotlib的代码太复杂了。后来发现，掌握几个核心函数，就能应付90%的场景 。

绘制折线图：

import matplotlib.pyplot as plt
# 准备数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(8, 6))
# 绘制折线图
ax.plot(x, y, marker='o', linewidth=2)
# 设置标题和标签
ax.set_title('简单的折线图', fontsize=14)
ax.set_xlabel('X轴', fontsize=12)
ax.set_ylabel('Y轴', fontsize=12)
# 显示网格
ax.grid(True, linestyle='--', alpha=0.7)
# 显示图形
plt.show()

绘制柱状图：

import matplotlib.pyplot as plt
# 准备数据
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 32]
# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(10, 6))
# 绘制柱状图
bars = ax.bar(categories, values, color='skyblue', edgecolor='black')
# 在柱子上添加数值标签
for bar in bars:
    height = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2., height,
            f'{height}',
            ha='center', va='bottom', fontsize=12)
# 设置标题和标签
ax.set_title('各类别数据对比', fontsize=14)
ax.set_xlabel('类别', fontsize=12)
ax.set_ylabel('数值', fontsize=12)
# 显示图形
plt.show()

小贴士：Matplotlib的参数特别多，不需要全部记住。用的时候查文档就行。记住几个核心的就够了：plot（折线图）、bar（柱状图）、scatter（散点图）、hist（直方图）。

Seaborn：更高级的可视化

Seaborn是基于Matplotlib的高级可视化库，语法更简洁，默认样式更好看。

我一开始学Matplotlib时，画出来的图总觉得不够漂亮。后来用了Seaborn才发现，原来数据可视化也可以这么简单这么好看 。

绘制箱线图：

import seaborn as sns
import matplotlib.pyplot as plt
# Seaborn自带一些示例数据集
tips = sns.load_dataset('tips')
# 创建图形
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制箱线图
sns.boxplot(x='day', y='total_bill', data=tips, ax=ax)
# 设置标题
ax.set_title('不同日期的账单金额分布', fontsize=14)
ax.set_xlabel('星期', fontsize=12)
ax.set_ylabel('账单金额', fontsize=12)
# 显示图形
plt.show()

绘制热力图：

import seaborn as sns
import matplotlib.pyplot as plt
# 创建相关系数矩阵数据
data = [[1.0, 0.8, 0.3],
        [0.8, 1.0, 0.5],
        [0.3, 0.5, 1.0]]
# 创建图形
fig, ax = plt.subplots(figsize=(8, 6))
# 绘制热力图
sns.heatmap(data, annot=True, cmap='coolwarm',
            xticklabels=['A', 'B', 'C'],
            yticklabels=['A', 'B', 'C'],
            ax=ax)
# 设置标题
ax.set_title('相关性热力图', fontsize=14)
# 显示图形
plt.show()

小贴士：Seaborn的API设计得很好，很多常用图只需要一行代码就能画出来。比如 sns.countplot() 画计数图，sns.pairplot() 画变量关系图，这些都特别实用。

实战案例：泰坦尼克号数据探索

光说理论没什么用，来个实战案例吧。

我用泰坦尼克号数据集做一个完整的数据分析：数据加载 → 清洗 → 分析 → 可视化。

这个数据集包含泰坦尼克号乘客的信息，包括是否幸存、年龄、性别、船舱等级等。是个很好的入门练习数据集。

步骤1：加载数据

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 加载数据集
# 如果没有这个文件，可以从Kaggle下载
url = 'https://web.stanford.edu/class/archive/cs/cs109/cs109.1166/stuff/titanic.csv'
df = pd.read_csv(url)
# 查看数据前5行
print("数据前5行：")
print(df.head())
# 查看数据信息
print("\n数据信息：")
print(df.info())
# 查看基本统计信息
print("\n基本统计信息：")
print(df.describe())

步骤2：数据清洗

# 检查缺失值
print("\n缺失值统计：")
print(df.isnull().sum())
# 处理缺失值
# 年龄缺失的，用平均值填充
df['Age'] = df['Age'].fillna(df['Age'].mean())
# 删除缺失值过多的行（这里假设Survived列没有缺失值）
# 如果某列缺失值超过30%，可以考虑删除该列
print("\n清洗后的缺失值统计：")
print(df.isnull().sum())

步骤3：数据分析

# 分析1：总体幸存率
survival_rate = df['Survived'].mean()
print(f"\n总体幸存率: {survival_rate:.2%}")
# 分析2：不同性别的幸存率
gender_survival = df.groupby('Sex')['Survived'].mean()
print("\n不同性别的幸存率：")
print(gender_survival)
# 分析3：不同船舱等级的幸存率
class_survival = df.groupby('Pclass')['Survived'].mean()
print("\n不同船舱等级的幸存率：")
print(class_survival)
# 分析4：不同年龄段的幸存率
# 将年龄分段
df['AgeGroup'] = pd.cut(df['Age'],
                        bins=[0, 18, 30, 50, 100],
                        labels=['0-18', '18-30', '30-50', '50+'])
age_survival = df.groupby('AgeGroup')['Survived'].mean()
print("\n不同年龄段的幸存率：")
print(age_survival)

步骤4：数据可视化

# 创建一个2x2的子图布局
fig, axes = plt.subplots(2, 2, figsize=(15, 12))
# 图1：幸存与未幸存人数对比
ax1 = axes[0, 0]
sns.countplot(x='Survived', data=df, ax=ax1)
ax1.set_title('幸存与未幸存人数对比', fontsize=14)
ax1.set_xlabel('是否幸存', fontsize=12)
ax1.set_ylabel('人数', fontsize=12)
# 添加数值标签
for p in ax1.patches:
    ax1.annotate(f'{int(p.get_height())}',
                (p.get_x() + p.get_width() / 2., p.get_height()),
                ha='center', va='center', fontsize=12)
# 图2：不同性别的幸存率对比
ax2 = axes[0, 1]
sns.barplot(x='Sex', y='Survived', data=df, ax=ax2)
ax2.set_title('不同性别的幸存率对比', fontsize=14)
ax2.set_xlabel('性别', fontsize=12)
ax2.set_ylabel('幸存率', fontsize=12)
# 图3：不同船舱等级的幸存率对比
ax3 = axes[1, 0]
sns.barplot(x='Pclass', y='Survived', data=df, ax=ax3)
ax3.set_title('不同船舱等级的幸存率对比', fontsize=14)
ax3.set_xlabel('船舱等级', fontsize=12)
ax3.set_ylabel('幸存率', fontsize=12)
# 图4：年龄分布对比
ax4 = axes[1, 1]
sns.histplot(data=df, x='Age', hue='Survived',
             kde=True, element='step', ax=ax4)
ax4.set_title('不同年龄段的分布对比', fontsize=14)
ax4.set_xlabel('年龄', fontsize=12)
ax4.set_ylabel('人数', fontsize=12)
plt.tight_layout()
plt.show()

步骤5：结论总结

# 输出分析结论
print("\n=== 分析结论 ===")
print(f"1. 总体幸存率为 {survival_rate:.2%}")
print("2. 女性的幸存率显著高于男性")
print("3. 高等舱的乘客幸存率更高")
print("4. 儿童和老人的幸存率相对较高")
print("\n这些发现与历史上的真实情况基本一致：")
print("- 妇女和儿童优先获救")
print("- 高等舱乘客更靠近甲板，更容易获救")

小贴士：做数据分析时，不仅要看数据，还要结合业务背景去理解。比如泰坦尼克号数据分析，如果你不了解"妇女儿童优先"这个历史背景，可能会错过重要的洞察。

进阶方向：学完这些还能做什么？

掌握了NumPy、Pandas、Matplotlib这些基础后，你就可以开始做更复杂的事情了。

机器学习入门

有了数据分析的基础，学习机器学习会容易很多。你可以用scikit-learn库尝试：

• 分类问题（预测某事会不会发生）

• 回归问题（预测具体数值）

• 聚类分析（把相似的数据分到一起）

推荐先从简单的算法开始，比如逻辑回归、决策树、K近邻。这些算法的原理不难，但实际应用效果不错。

大数据处理

当数据量超过内存容量时，Pandas就不够用了。这时候可以考虑：

• PySpark：基于Spark的Python库，适合处理大规模数据

• Dask：类似Pandas的API，但支持分布式计算

• Vaex：类似Pandas，但针对大数据做了优化

自动化报表

学会了数据分析，你还可以把它自动化。比如：

• 每天自动从数据库读取数据

• 自动生成分析报告

• 自动发送邮件给相关人员

这块我推荐学习Apache Airflow，它可以帮你编排这些任务。

小贴士：不要什么都想学。数据分析这个领域太大了，不可能全部掌握。建议先专注于一个方向，深入下去，再考虑拓展。比如先学机器学习分类，再学回归，最后学深度学习。

学习资源推荐

官方文档：

• NumPy官方文档：https://numpy.org/doc/

• Pandas官方文档：https://pandas.pydata.org/docs/

• Matplotlib官方文档：https://matplotlib.org/stable/contents.html

• Seaborn官方文档：https://seaborn.pydata.org/tutorial.html

优质课程：

• Coursera上的"Python for Data Science"课程（免费）

• Kaggle上的Python微课程（免费）

• DataCamp上的互动课程（部分免费）

实战平台：

• Kaggle：全球最大的数据科学竞赛平台，有很多公开数据集和Notebook案例

• 天池：阿里云的数据科学平台，有很多国内的竞赛和数据集

推荐书籍：

• 《Python数据分析》 by Wes McKinney（Pandas创始人）

• 《利用Python进行数据分析》第2版

• 《Python数据科学手册》

小贴士：官方文档虽然枯燥，但最权威。遇到问题时，先查官方文档，再查Google。很多问题的答案就在文档里，只是你没仔细看。

最后想说的话

说真的，我学数据分析的时候，一开始也挺挫败的。

看别人的代码，觉得简单；自己一写，各种报错。查文档，看不懂；看教程，跟不上。

但坚持下来后，我发现数据分析这个技能，真的很值 。

不只是工作上能用，生活中也能用。比如分析一下自己的消费数据，看看钱都花哪儿了；或者分析一下运动数据，看看如何提高效率。

最重要的是，它培养了一种数据思维 。

做决策时，不再凭感觉，而是看数据。分析问题时，不再靠猜测，而是找证据。

这种思维方式的改变，我觉得比学技术本身更有价值。

所以，如果你现在觉得有点难，不要放弃。

慢慢来，比较快。

你在学习数据分析时遇到过哪些问题？欢迎在评论区交流！