拿去！8个Python高效数据分析的技巧

8个Python高效数据分析的技巧这篇文章介绍了8个使用Python进行数据分析的方法，不仅能够提升运行效率，还能够使代码更加“优美”。01一行代码定义List定义某种列表时，写For循环过于麻烦，幸运的是，Python有一种内置的方法可以在一行代码中解决这个问题。下面是使用For循环创建列表和用一行代码创建列表的对比。x=[1,2,3,4]out=[]foriteminx:out.append(item**2)print(out)

[1,4,9,16]

#vs.

x=[1,2,3,4]out=[item**2foriteminx]print(out)

[1,4,9,16]02Lambda表达式厌倦了定义用不了几次的函数？Lambda表达式是你的救星！Lambda表达式用于在Python中创建小型，一次性和匿名函数对象，它能替你创建一个函数。lambda表达式的基本语法是：lambdaarguments:expression注意！只要有一个lambda表达式，就可以完成常规函数可以执行的任何操作。

你可以从下面的例子中，感受lambda表达式的强大功能：double=lambdax:x*2print(double(5))

1003Map和Filter一旦掌握了lambda表达式，学习将它们与Map和Filter函数配合使用，可以实现更为强大的功能。具体来说，map通过对列表中每个元素执行某种操作并将其转换为新列表。

在本例中，它遍历每个元素并乘以2，构成新列表。

（注意！list()函数只是将输出转换为列表类型）#Mapseq=[1,2,3,4,5]result=list(map(lambdavar:var*2,seq))print(result)

[2,4,6,8,10]Filter函数接受一个列表和一条规则，就像map一样，但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。#Filterseq=[1,2,3,4,5]result=list(filter(lambdax:x>2,seq))print(result)

[3,4,5]04Arange和LinspaceArange返回给定步长的等差列表。它的三个参数start、stop、step分别表示起始值，结束值和步长，

请注意！stop点是一个“截止”值，因此它不会包含在数组输出中。#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以指定数目均匀分割区间，所以给定区间start和end，以及等分分割点数目num，linspace将返回一个NumPy数组。

这对绘图时数据可视化和声明坐标轴特别有用。#np.linspace(start,stop,num)np.linspace(2.0,3.0,num=5)

array([2.0,2.25,2.5,2.75,3.0]05Axis代表什么在Pandas中，删除一列或在NumPy矩阵中求和值时，可能会遇到Axis。我们用删除一列（行）的例子：df.drop('ColumnA',axis=1)df.drop('RowA',axis=0)如果你想处理列，将Axis设置为1，如果你想要处理行，将其设置为0。但为什么呢？

回想一下Pandas中的shape。df.shape(#ofRows,#ofColumns)从PandasDataFrame中调用shape属性返回一个元组，第一个值代表行数，第二个值代表列数。如果你想在Python中对其进行索引，则行数下标为0，列数下标为1，这很像我们如何声明轴值。06Concat，Merge和Join如果您熟悉SQL，那么这些概念对你来说可能会更容易。

无论如何，这些函数本质上就是以特定方式组合DataFrame的方式。

在哪个时间跟踪哪一个最适合使用可能很困难，所以让我们回顾一下。Concat允许用户在表格下面或旁边追加一个或多个DataFrame（取决于您如何定义轴）。Merge将多个DataFrame合并指定主键（Key）相同的行。Join，和Merge一样，合并了两个DataFrame。但它不按某个指定的主键合并，而是根据相同的列名或行名合并。07PandasApplyApply是为PandasSeries而设计的。如果你不太熟悉Series，可以将它想成类似Numpy的数组。Apply将一个函数应用于指定轴上的每一个元素。使用Apply，可以将DataFrame列（是一个Series）的值进行格式设置和操作，不用循环，非常有用！df=pd.DataFrame([[4,9],]*3,columns=['A','B'])dfAB049149249

df.apply(np.sqrt)AB02.03.012.03.022.03.0

df.apply(np.sum,axis=0)A12B27

df.apply(np.sum,axis=1)01311321308PivotTables如果您熟悉MicrosoftExcel，那么你也许听说过数据透视表。

Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,，它可以帮助我们快速查看某几列的数据。

下面是几个例子：非常智能地将数据按照“Manager”分了组：pd.pivot_table(df