《Python数据分析与实战（微课版）》全套教学课件

Python数据分析概述全套可编辑PPT课件

第1章Python数据分析概述第2章NumPy数值计算基础第3章pandas统计分析基础第4章

使用pandas进行数据预处理第5章matplotlib、seaborn、pyecharts数据可视化基础第6章

使用scikit-learn构建模型第7章

竞赛网站用户分群第8章

企业所得税预测分析第9章

餐饮企业客户流失预测第10章

基于TipDM大数据挖掘建模平台实现客户流失预测本课件是可编辑的正常PPT课件Python数据分析概述本课件是可编辑的正常PPT课件1Python数据分析的工具目录认识数据分析2安装Python的Anaconda发行版3JupyterNotebook常用功能4本课件是可编辑的正常PPT课件数据分析是指用适当的分析方法对收集来的大量数据进行分析，提取有用信息并形成结论，对数据加以详细研究和概括总结的过程。随着计算机技术的全面发展，企业生产、收集、存储和处理数据的能力大大提高，数据量与日俱增。而在现实生活中，需要将这些繁多、复杂的数据通过统计分析进行提炼，以此研究出数据的发展规律，进而帮助企业管理层做出决策，增强行业、社会稳步前行的信心，提升锐意创新、奋勇超越的不屈精神，为未来科学发展取得卓越建树打下基础。数据分析的概念本课件是可编辑的正常PPT课件广义的数据分析包括狭义数据分析和数据挖掘。狭义数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归分析等分析方法，对收集的数据进行处理与分析，提取有价值的信息，发挥数据的作用，得到一个特征统计量结果的过程。数据分析的概念本课件是可编辑的正常PPT课件数据分析的流程

数据分析已经逐渐演化为一种解决问题的过程，甚至是一种方法论。虽然每个公司都会根据自身需求和目标创建最适合的数据分析流程，但是数据分析的核心步骤是一致的。本课件是可编辑的正常PPT课件需求分析一词来源于产品设计，主要是指从用户提出的需求出发，挖掘用户内心的真实意图，并转化为产品需求的过程。产品设计的第一步就是需求分析，也是非常关键的一步，因为需求分析决定了产品方向。错误的需求分析可能导致产品在实现过程中走入错误方向，甚至对企业造成损失。数据分析中的需求分析是数据分析环节的第一步，也是非常重要的一步，决定了后续的分析方向和方法。数据分析中的需求分析的主要内容是根据业务、生产和财务等部门的需要，结合现有的数据情况，提出数据分析需求的整体分析方向、分析内容，最终和需求方达成一致意见。数据分析的流程1.需求分析本课件是可编辑的正常PPT课件数据获取是数据分析工作的基础，是指根据需求分析的结果提取、收集数据。数据获取主要有两种方式：网络数据与本地数据。网络数据是指存储在互联网中的各类视频、图片、语音和文字等信息。本地数据则是指存储在本地数据库中的生产、营销和财务等系统的数据。本地数据按照数据产生的时间又可以划分为两部分，分别是历史数据与实时数据。历史数据是指系统在运行过程中遗存下来的数据，其数据量随系统运行时间的增加而增长；实时数据是指最近一个单位时间周期（月、周、日、小时等）内产生的数据。在数据分析过程中，具体使用哪种数据获取方式，需要依据需求分析的结果而定。数据分析的流程2.数据获取本课件是可编辑的正常PPT课件数据预处理是指对数据进行数据合并、数据清洗、数据标准化和数据变换等操作，并将数据用于分析建模的这一过程的总称。其中，数据合并可以将多张互相关联的表格合并为一张；数据清洗可以去除重复、缺失、异常、不一致的数据；数据标准化可以去除特征间的量纲差异；数据变换则可以通过离散化、哑变量处理等技术满足后期分析与建模的数据要求。在数据分析的过程中，数据预处理的各个过程互相交叉，并没有明确的先后顺序。数据分析的流程3.数据预处理本课件是可编辑的正常PPT课件分析与建模是指通过对比分析、分组分析、交叉分析、回归分析等分析方法，以及聚类模型、分类模型、关联规则、智能推荐等模型与算法，发现数据中有价值的信息，并得出结论的过程。在数据分析过程中，具体使用哪种数据获取方式，需要依据需求分析的结果而定。分析与建模的方法按照目标不同可以分为几大类。如果分析目标是描述客户行为模式的，那么可以采用描述型数据分析方法，同时还可以考虑关联规则、序列规则和聚类模型等。如果分析目标是量化未来一段时间内某个事件发生概率的，那么可以使用两大预测分析模型，即分类预测模型和回归预测模型。在常见的分类预测模型中，目标特征通常为二元数据，如欺诈与否、流失与否、信用好坏等。在回归预测模型中，目标特征通常为连续型数据，常见的有股票价格预测等。数据分析的流程4.分析与建模本课件是可编辑的正常PPT课件模型评价是指对于已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价模型性能优劣的过程。常用的聚类模型评价指标有ARI评价法（兰德系数）、AMI评价法（互信息）、V-measure评分、FMI评价法和轮廓系数等。常用的分类模型评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值（F1Value）、ROC和AUC等。常用的回归模型评价指标有平均绝对误差、均方误差、中值绝对误差和可解释方差值等。模型优化则是指模型性能在经过模型评价后已经达到了要求，但在实际生产环境应用过程中，发现模型的性能并不理想，继而对模型进行重构与优化的过程。多数情况下，模型优化和分析与建模的过程基本一致。数据分析的流程5.模型评价与优化本课件是可编辑的正常PPT课件部署是指将数据分析结果与结论应用至实际生产系统的过程。根据需求的不同，部署阶段可以是一份包含了现状具体整改措施的数据分析报告，也可以是将模型部署在整个生产系统的解决方案。在多数项目中，数据分析师提供的是一份数据分析报告或一套解决方案，实际执行与部署的是需求方。数据分析的流程6.部署本课件是可编辑的正常PPT课件企业使用数据分析解决不同的问题，实际应用的数据分析场景主要分为客户分析、营销分析、社交媒体分析、网络安全、设备管理、交通物流分析和欺诈行为检测7类。客户分析主要是根据客户的基本数据信息进行商业行为分析，首先界定目标客户，根据客户的需求、目标客户的性质、所处行业的特征和客户的经济状况等基本信息，使用统计分析方法和预测验证法分析目标客户，提高销售效率。其次了解客户的采购过程，根据客户采购类型、采购性质进行分类分析，制定不同的营销策略。根据已有的客户特征进行客户特征分析、客户忠诚度分析、客户注意力分析、客户营销分析和客户收益分析。通过有效的客户分析能够掌握客户的具体行为特征，将客户细分，使得运营策略达到最优，提升企业整体效益等。数据分析应用场景1.客户分析（CustomerAnalytics）本课件是可编辑的正常PPT课件营销分析囊括了产品分析、价格分析、渠道分析、广告与促销分析这4类分析。产品分析主要是竞争产品分析，通过对竞争产品的分析制定自身产品策略。价格分析又可以分为成本分析和售价分析。成本分析的目的是降低不必要的成本；售价分析的目的是制定符合市场的价格。渠道分析是指对产品的销售渠道进行分析，确定最优的渠道配比。广告与促销分析则能够结合客户分析，实现销量的提升、利润的增加。数据分析应用场景2.营销分析（MarketingAnalytics）本课件是可编辑的正常PPT课件社交媒体分析是以不同的社交媒体渠道生成的内容为基础，实现不同社交媒体的用户分析、访问分析和互动分析等。用户分析主要根据用户注册信息、登录平台的时间点和平时发表的内容等用户数据，分析用户个人画像和行为特征。访问分析则是通过用户平时访问的内容分析用户的兴趣爱好，进而分析潜在的商业价值。互动分析根据互相关注对象的行为预测该对象未来的某些行为特征。社交媒体分析还能为情感和舆情监督提供丰富的资料。数据分析应用场景3.社交媒体分析（SocialMediaAnalytics）本课件是可编辑的正常PPT课件大规模网络安全事件的发生，例如，2017年5月席卷全球的WannaCry病毒，让企业意识到网络攻击发生时预先快速识别的重要性。传统的网络安全主要依靠静态防御，处理病毒的主要流程是发现威胁、分析威胁和处理威胁，这种情况下，往往只在威胁发生以后系统才能做出反应。新型的病毒防御系统可使用数据分析技术，建立潜在攻击识别分析模型，监测大量网络活动数据和相应的访问行为，识别可能进行入侵的可疑模式，做到未雨绸缪。在2016年11月7日第十二届全国人民代表大会中通过了《中华人民共和国网络安全法》，进一步全面推进国家各方面工作法治化。同时个人也需学会识别和防范网络风险，提高自身的网络安全意识。数据分析应用场景4.网络安全（MassiveCybersecurity）本课件是可编辑的正常PPT课件设备管理同样是企业关注的重点。设备维修一般采用标准修理法、定期修理法和检查后修理法等方法。在这两种办法中，标准修理法可能导致设备的过度维修，进而产生较高的修理费用。而检查后修理法虽然解决了高成本的问题，但它需要繁琐的准备工作，导致设备停机时间延长。目前企业能够通过物联网技术收集和分析设备上的数据流，包括连续用电、零部件温度、环境湿度和污染物颗粒等多种潜在特征，建立设备管理模型，从而预测设备故障，合理安排预防性的维护，以确保设备正常工作，降低因设备故障带来的安全风险。数据分析应用场景5.设备管理（FacilityManagement）本课件是可编辑的正常PPT课件物流是物品从供应地向接收地的实体流动，是将运输、储存、装卸搬运、包装、流通加工、配送和信息处理等功能有机结合起来从而实现用户要求的过程。用户可以通过业务系统和GPS定位系统获得数据，使用数据构建交通状况预测分析模型，有效预测实时路况、物流状况、车流量、客流量和货物吞吐量，进而提前补货，制定库存管理策略。数据分析应用场景6.交通物流分析（TransportandLogisticsAnalytics）本课件是可编辑的正常PPT课件身份信息泄露及盗用事件逐年增长，随之而来的是欺诈行为和交易的增多。公安机关、各大金融机构、电信部门可利用用户基本信息、用户交易信息和用户通话短信信息等数据，识别可能发生的潜在欺诈交易，做到提前预防、未雨绸缪。以大型金融机构为例，通过分类模型分析方法对非法集资和洗钱的逻辑路径进行分析，找到其行为特征。聚类模型分析方法可以分析相似价格的运动模式。例如，对股票进行聚类，可能发现关联交易及内幕交易的可疑信息。关联规则分析方法可以监控多个用户的关联交易行为，为发现跨账号协同的金融诈骗行为提供依据。数据分析应用场景7.欺诈行为检测（FraudDetection）本课件是可编辑的正常PPT课件1Python数据分析的工具目录认识数据分析2安装Python的Anaconda发行版3JupyterNotebook常用功能4本课件是可编辑的正常PPT课件目前主流的数据分析语言主要有Python、R、MATLAB这3种。其中，Python具有丰富和强大的库，同时Python常被称为胶水语言，能够将使用其他语言制作的各种模块（尤其是C/C++）轻松地连接在一起，是一门更易学、更严谨的程序设计语言。R语言通常用于统计分析、绘图。R是属于GNU系统的一个自由、免费、源代码开放的软件。MATLAB的作用是进行矩阵运算、绘制函数与数据、实现算法、创建用户界面和连接其他编程语言的程序等，其主要应用于工程计算、控制设计、信号处理与通信、图像处理、信号检测、金融建模设计与分析等领域。数据分析常用工具本课件是可编辑的正常PPT课件Python、R、MATLAB这3种语言均可以进行数据分析。表1-1从语言学习难易程度、使用场景、第三方支持、流行领域和软件成本5方面比较了Python、R、MATLAB这3种数据分析工具。数据分析常用工具PythonRMATLAB语言学习难易程度接口统一，学习曲线平缓接口众多，学习曲线陡峭自由度大，学习曲线较为平缓使用场景数据分析、机器学习、矩阵运算、科学数据可视化、数字图像处理等统计分析、机器学习、科学数据可视化等矩阵运算、数值分析、科学数据可视化、机器学习、符号计算、数字图像处理、数字信号处理等第三方支持拥有大量的第三方库，能够简便地调用C、C++、Fortran、Java等其他程序语言拥有大量的包，能够调用C、C++、Fortran、Java等其他程序语言拥有大量专业的工具箱，在新版本中加入了对C、C++、Java的支持流行领域工业界＞学术界工业界≈学术界工业界≤学术界软件成本开源免费开源免费商业收费本课件是可编辑的正常PPT课件语法简单精练。对于初学者来说，比起其他编程语言，Python更容易上手。含有大量功能强大的库。结合在编程方面的强大实力，可以只使用Python这一种语言去构建以数据为中心的应用程序。功能强大。从特性观点来看，Python是一个混合体。丰富的工具集使Python介于传统的脚本语言和系统语言之间。Python不仅具备所有脚本语言简单和易用的特点，而且提供了编译语言所具有的高级软件工程工具。研究、原型构建和构建生产系统。研究人员和工程技术人员使用同一种编程工具，会给企业带来非常显著的组织效益，并降低企业的运营成本。Python是一门胶水语言。Python程序能够以多种方式轻易地与其他语言的组件“粘接”在一起。例如，Python的C语言API可以帮助Python程序灵活地调用C程序，这意味着用户可以根据需要给Python程序添加功能或在其他环境系统中使用Python。Python数据分析的优势本课件是可编辑的正常PPT课件1.NumPyNumPy是NumericalPython的简称，是一个Python科学计算的基础包。NumPy主要提供了以下内容。快速高效的多维数组对象ndarray。对数组执行元素级计算和直接对数组执行数学运算的函数。读/写硬盘上基于数组的数据集的工具。线性代数运算、傅里叶变换和随机数生成的功能。将C、C++、Fortran代码集成到Python的工具。Python数据分析常用类库使用Python进行数据分析时所用到的类库主要有NumPy、SciPy、pandas、Matplotlib、seaborn、pyecharts、scikit-learn等。本课件是可编辑的正常PPT课件除了为Python提供快速的数组处理能力外，NumPy在数据分析方面还有另外一个主要作用，即作为算法之间传递数据的容器。对于数值型数据，使用NumPy数组存储和处理数据要比使用内置的Python数据结构高效得多。此外，由低级语言（如C和Fortran）编写的库可以直接操作NumPy数组中数据，无须进行任何数据复制工作。Python数据分析常用类库本课件是可编辑的正常PPT课件SciPy是基于Python的开源代码，是一组专门解决科学计算中各种标准问题域的模块的集合，特别是与NumPy、Matplotlib和pandas这些核心包一起使用时。SciPy主要包含了8个模块，不同的模块有不同的应用，如用于插值、积分、优化、处理图像和特殊函数等。Python数据分析常用类库2.SciPy模块名称简介egrate数值积分和微分方程求解器scipy.linalg扩展了由numpy.linalg提供的线性代数求解和矩阵分解功能scipy.optimize函数优化器（最小化器）以及根查找算法scipy.signal信号处理工具scipy.sparse稀疏矩阵和稀疏线性系统求解器scipy.specialSPECFUN［这是一个实现了许多常用数学函数（如伽马函数）的Fortran库］的包装器scipy.stats检验连续和离散概率分布（如密度函数、采样器、连续分布函数等）的函数与方法、各种统计检验的函数与方法，以及各类描述性统计的函数与方法本课件是可编辑的正常PPT课件pandas是Python的数据分析核心库，最初被作为金融数据分析工具而开发出来。pandas为时间序列分析提供了很好的支持，它提供了一系列能够快速、便捷地处理结构化数据的数据结构和函数。Python之所以成为强大而高效的数据分析环境与它息息相关。pandas兼具NumPy高性能的数组计算功能以及电子表格和关系型数据库（如MySQL）灵活的数据处理功能。它提供了复杂精细的索引功能，以便完成重塑、切片与切块、聚合和选取数据子集等操作。pandas将是本书中使用的主要工具。Python数据分析常用类库3.pandas本课件是可编辑的正常PPT课件Matplotlib是较为流行的用于绘制数据图表的Python库，是Python的2D绘图库。Matplotlib最初由约翰·亨特（JohnD.Hunter，JDH）创建，目前由一个庞大的开发团队维护。Matplotlib的操作比较容易，用户只需用几行代码即可生成直方图、功率谱图、条形图、错误图和散点图等图形。Matplotlib提供了pylab的模块，其中包括了NumPy和pyplot中许多常用的函数，方便用户快速进行计算和绘图。Matplotlib与IPython的结合，提供了一种非常好用的交互式数据绘图环境。绘制的图表也是交互式的，读者可以利用绘图窗口中工具栏中的相应工具放大图表中的某个区域，或对整个图表进行平移浏览。Python数据分析常用类库4.Matplotlib本课件是可编辑的正常PPT课件seaborn是基于Matplotlib的图形可视化Python库，它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。seaborn是在Matplotlib的基础上进行了更高级的API封装，使得作图更加容易。seaborn不需要了解大量的底层代码，即可使图形变得精致。在大多数情况下，使用seaborn能做出很具有吸引力的图，而使用Matplotlib能制作具有更多特色的图。因此，可将seaborn视为Matplotlib的补充，而不是替代物。同时，seaborn能高度兼容NumPy与pandas数据结构以及scipy与statsmodels等统计模式，可以在很大程度上帮助用户实现数据可视化。Python数据分析常用类库5.seaborn本课件是可编辑的正常PPT课件Echarts是一个由百度开源的数据可视化工具，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而Python是一门富有表达力的语言，很适合用于数据处理。pyecharts是Python与Echarts的结合。pyecharts可以展示动态交互图，对于展示数据更方便，当鼠标悬停在图上时，即可显示数值、标签等。pyecharts支持主流Notebook环境，如JupyterNotebook、JupyterLab等；可轻松集成至Flask、Django等主流Web框架；高度灵活的配置项，可轻松搭配出精美的图表。pyecharts囊括了30多种常见图表，如Bar（柱形图/条形图）、Boxplot（箱形图）、Funnel（漏斗图）、Gauge（仪表盘）、Graph（关系图）、HeatMap（热力图）、Radar（雷达图）、Sankey（桑基图）、Scatter（散点图）、WordCloud（词云图）等。Python数据分析常用类库6.pyecharts本课件是可编辑的正常PPT课件scikit-learn是一个简单有效的数据挖掘和数据分析工具，可以供用户在各种环境下重复使用。scikit-learn建立在NumPy、SciPy和Matplotlib基础之上，对一些常用的算法方法进行了封装。目前，scikit-learn的基本模块主要有数据预处理、模型选择、分类、聚类、数据降维和回归6个。在数据量不大的情况下，scikit-learn可以解决大部分问题。对算法不精通的用户在执行建模任务时，并不需要自行编写所有的算法，只需要简单地调用scikit-learn库里的模块即可。Python数据分析常用类库7.scikit-learn本课件是可编辑的正常PPT课件1Python数据分析的工具目录认识数据分析2安装Python的Anaconda发行版3JupyterNotebook常用功能4本课件是可编辑的正常PPT课件Python拥有NumPy、SciPy、pandas、Matplotlib、seaborn、pyecharts和scikit-learn等功能齐全、接口统一的库，能为数据分析工作提供极大的便利。库的管理和版本问题，使得数据分析人员并不能够专注于数据分析，而是将大量的时间花费在与环境配置相关的问题上。基于上述原因，Anaconda发行版应运而生。Anaconda发行版Python预装了150个以上的常用Packages，囊括了数据分析常用的NumPy、SciPy、Matplotlib、seaborn、pyecharts、pandas、scikit-learn库，使得数据分析人员能够更加顺畅、专注地使用Python解决数据分析相关问题。推荐数据分析初学者（尤其是Windows系统用户）安装此Python发行版。只需要到Anaconda官方网站下载适合自身的安装包即可。Python的Anaconda发行版本课件是可编辑的正常PPT课件Python的Anaconda发行版主要有以下几个特点。包含了众多流行的科学、数学、工程和数据分析的Python库。完全开源和免费。额外的加速和优化是收费的，但对于学术用途，可以申请免费的License。全平台支持Linux、Windows、Mac；支持Python2.7、3.5、3.6、3.7、3.8、3.9、3.10、3.11等版本，可自由切换。Python的Anaconda发行版本课件是可编辑的正常PPT课件进入Anaconda官方网站，下载适合Windows系统的Anaconda安装包（本书将使用Anaconda32024.02-1）。安装Anaconda的具体步骤如下。双击已下载好的Anaconda安装包，再单击“Next”按钮进入下一步。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件单击“IAgree”按钮，同意上述协议并进入下一步。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件选择图中“AllUsers(requiresadminprivileges)”单选按钮，单击“Next”进入下一步。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件单击“Browse”按钮，选择在指定的路径安装Anaconda，选择完成后单击“Next”按钮，进入下一步。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件3个复选框分别代表创建“开始”菜单快捷方式、将Anaconda3注册为系统Python3.11、清除包缓存。全部勾选后，单击“Install”按钮，等待安装结束。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件完成安装后单击“Next”按钮进入下一步。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件完成安装后单击“Next”按钮进入下一步。单击“Finish”按钮，即可完成安装。在Windows系统中安装Anaconda本课件是可编辑的正常PPT课件1Python数据分析的工具目录认识数据分析2安装Python的Anaconda发行版3JupyterNotebook常用功能4本课件是可编辑的正常PPT课件jupyterNotebook（此前被称为IPythonNotebook）是一个交互式笔记本，支持运行40多种编程语言，其本质上是一个支持实时代码、数学方程、可视化和Markdown的Web应用程序。对于数据分析，JupyterNotebook最大的优点是可以重现整个分析过程，并将说明文字、代码、图表、公式和结论都整合在一个文档中。用户可以通过电子邮件、Dropbox、GitHub和JupyterNotebookViewer将分析结果分享给其他人。Anaconda中除了内置了JupyterNotebook之外，还内置了Jupyterlab、Spyder等工具，读者可根据自己的需求选择合适的工具，本书将主要介绍JupyterNotebook的使用。JupyterNotebook常用功能本课件是可编辑的正常PPT课件

Anaconda安装完成后，在系统环境变量中配置python.exe和Scripts。环境变量配置完成后，在Windows系统下的命令行指示符窗口中，即可启动JupyterNotebook。JupyterNotebook的基本功能1.启动JupyterNotebook本课件是可编辑的正常PPT课件打开JupyterNotebook以后会在系统默认的浏览器中出现右图的界面。单击右上方的“New”下拉按钮，出现下拉列表。JupyterNotebook的基本功能2.新建一个Notebook本课件是可编辑的正常PPT课件

在“New”下拉列表中选择需要创建的Notebook类型。其中，“Notebook”表示新建Notebook类型文件，“Terminal”表示打开终端，“Console”表示打开控制台，“NewFile”表示新建纯文本文件，“NewFolder”表示新建文件夹。选择“Notebook”选项，进入Python脚本编辑界面。JupyterNotebook的基本功能本课件是可编辑的正常PPT课件JupyterNotebook中的Notebook文档由一系列单元（Cell）构成，主要有以下两种形式的单元，在JupyterNotebook中的形式。JupyterNotebook的基本功能3.JupyterNotebook的界面及其构成本课件是可编辑的正常PPT课件代码单元。代码单元是读者编写代码的地方，通过按“Shift+Enter”组合键运行代码，其结果显示在本单元下方。代码单元左边有“In[]：”编号，方便使用者查看代码的执行次序。Markdown单元。Markdown单元可对文本进行编辑，采用Markdown的语法规范，可以设置文本格式，插入链接、图片甚至数学公式。同样，按“Shift+Enter”组合键可运行Markdown单元，显示格式化的文本。JupyterNotebook的基本功能本课件是可编辑的正常PPT课件JupyterNotebook编辑界面类似于Linux的VIM编辑器界面，在Notebook中也有两种模式，其模式如下。编辑模式。用于编辑文本和代码。选中单元并按“Enter”键进入编辑模式，此时单元显示蓝色边框。命令模式。用于执行键盘输入的快捷命令。通过按“Esc”键进入命令模式，此时单元显示灰色边框。JupyterNotebook的基本功能本课件是可编辑的正常PPT课件

如果要使用快捷键，那么首先按“Esc”键进入命令模式，然后按相应的键实现对文档的操作。例如，切换到代码单元按“Y”键，切换到Markdown单元按“M”键，在本单元的下方增加一单元按“B”键，查看所有快捷命令按“Ctrl+Shift+H”键。JupyterNotebook的基本功能本课件是可编辑的正常PPT课件在JupyterNotebook中，可以使用Markdown进行文本标记，以便用户查看。同时JupyterNotebook还可以将Notebook导出形成HTML、PDF等多种格式。Markdown是一种可以使用普通文本编辑器编写的标记语言，通过简单的标记语法，便可以使普通文本内容具有一定的格式。JupyterNotebook的Markdown单元功能较多，下面将从标题、列表、字体、表格和数学公式编辑5个方面进行介绍。JupyterNotebook的高级功能1.Markdown本课件是可编辑的正常PPT课件标题是标明文章和作品等内容的简短语句。读者写报告或写论文时，标题是不可或缺的，尤其是论文的章节等，需要使用不同级别的标题。一般使用Markdown中的类Atx形式进行标题的排版，在首行前加一个“#”字符代表一级标题，加两个“#”字符代表二级标题，以此类推。JupyterNotebook的高级功能（1）标题本课件是可编辑的正常PPT课件列表是一种由数据项构成的有限序列，即按照一定的线性顺序排列而成的数据项的集合。列表通常分为无序列表和有序列表两种类型。无序列表使用一些图标进行标记，没有序号，也没有特定的排列顺序。而有序列表则使用数字进行标记，具有明确的排列顺序。在Markdown中，无序列表可以通过星号、加号或减号来表示，有序列表可使用数字、“.”和“”（一个空格）表示。JupyterNotebook的高级功能（2）列表本课件是可编辑的正常PPT课件文档中为了凸显部分内容，一般对文字使用加粗或斜体格式，使得该部分内容变得更加醒目。对于Markdown排版工具而言，通常使用星号“*”和下划线“_”作为标记字词的符号。前后有两个星号或下划线表示加粗，前后有3个星号或下划线表示斜体。JupyterNotebook的高级功能（3）字体本课件是可编辑的正常PPT课件使用Markdown同样也可以绘制表格。代码的第一行表示表头，第二行分隔表头和主体部分，从第三行开始，每一行代表一个表格行。列与列之间用符号“｜”隔开，表格每一行的两边也要有符号“｜”JupyterNotebook的高级功能（4）表格本课件是可编辑的正常PPT课件LaTeX是写科研论文的必备工具，不但能实现严格的文档排版，而且能编辑复杂的数学公式。在JupyterNotebook的Markdown单元中也可以使用LaTeX来插入数学公式。在文本行中插入数学公式，应使用两个“$”符号，如质能方程“$E=mc^2$”。如果要插入一个数学区块，那么使用两个“$$”符号，如使用“$$z=\frac{x}{y}$$”表示式。JupyterNotebook的高级功能（5）数学公式编辑本课件是可编辑的正常PPT课件Notebook还有一个强大的特性，就是导出功能，可以将Notebook导出为多种格式，如HTML、Markdown、PDF等格式。其中，导出为PDF格式的文件，可以让读者不用写LaTeX即可创建漂亮的PDF文档。读者还可以将Notebook作为网页发布在自己的网站上。导出功能可以依次选择“File”→“SaveandExportNotebookAs”菜单中的命令实现。JupyterNotebook的高级功能2.导出功能本课件是可编辑的正常PPT课件本章主要介绍了数据分析的概念、流程、应用场景和常用工具，阐述了使用Python进行数据分析的优势，列举说明了Python数据分析重要类库的功能。紧接着阐述了Anaconda的特点，实现了在Windows系统中安装Anaconda数据分析环境。最后介绍了Python数据分析工具JupyterNotebook的常用功能。小结本课件是可编辑的正常PPT课件NumPy数值计算基础本课件是可编辑的正常PPT课件1NumPy矩阵与通用函数目录NumPy数组对象ndarray2利用NumPy进行统计分析3本课件是可编辑的正常PPT课件NumPy提供了两种基本的对象。ndarray（N-dimensionalArrayObject）：存储单一数据类型的多维数组。ufunc（UniversalFunctionObject）：能够对数组进行处理的函数。创建数组对象本课件是可编辑的正常PPT课件在创建数组之前，需要先了解数组的基本属性，数组的属性及其说明如下表。创建数组对象1.数组属性属性名称属性说明ndim返回int，表示数组的维数shape返回tuple，表示数组形状的阵列，对于n行m列的矩阵，形状为(n,m)size返回int，表示数组的元素总数，等于数组形状中各元素的乘积dtype返回data-type，表示数组中元素的数据类型itemsize返回int，表示数组的每个元素的存储空间（以字节为单位），例如，一个元素类型为float64的数组的itemsiz属性值为8（float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节），一个元素类型为complex32的数组的itemsiz属性值为4，即32/8本课件是可编辑的正常PPT课件NumPy提供的array函数可以创建一维或多维数组，其基本使用格式如下。array函数主要参数及其说明如下表。创建数组对象2.数组创建参数名称参数说明object接收array_like，表示所需创建的数组对象，无默认值dtype接收data-type，表示数组所需的数据类型，如果未给定，那么选择保存对象所需的最小的数据类型，默认为Nonendmin接收int，表示指定生成数组应该具有的最小维数，默认为0numpy.array(object,dtype=None,*,copy=True,order='K',subok=False,ndmin=0,like=None)本课件是可编辑的正常PPT课件除了使用array函数创建数组之外，还可以使用arange函数创建数组。arange函数类似于Python自带的函数range，通过指定开始值、终值和步长来创建一维数组，创建的数组不含终值。arange函数的基本使用格式如下。arange函数常用参数及其说明如下表。创建数组对象参数名称参数说明start接收int或实数，表示数组的开始值，生成的区间包括该值，默认为0stop接收int或实数，表示数组的终值，生成的区间不包括该值，无默认值step接收int或实数，表示在数组中，值之间的间距，默认为1dtype接收数据类型，表示输出数组的类型，默认为Nonenumpy.arange([start,]stop,[step,]dtype=None,*,like=None)本课件是可编辑的正常PPT课件linspace函数通过指定开始值、终值和元素个数来创建一维数组，默认设置包括终值，这一点需要和arange函数区分。linspace函数的基本使用格式如下。linspace函数的常用参数及其说明如下表。创建数组对象参数名称参数说明start接收array_like，表示起始值，无默认值stop接收array_like，表示结束值，无默认值num接收int，表示生成的样本数，默认为50dtype接收数据类型，表示输出数组的类型，默认为Nonenumpy.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None,axis=0)本课件是可编辑的正常PPT课件logspace函数和linspace函数类似，它创建的是等比数列。logspace函数的基本使用格式如下。在logspace函数的参数中，除了base参数和linspace函数的retstep参数不同之外，其余均相同。创建数组对象numpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None,axis=0)本课件是可编辑的正常PPT课件NumPy还提供了其他函数用于创建特殊数组，如zeros、eye、diag和ones函数等。zeros函数：用于创建值全部为0的数组，即创建的数组值全部填充为0。eye函数：用于生成主对角线上的元素为1，其他的元素为0的二维数组，类似单位矩阵。diag函数：创建类似对角矩阵的数组，即除对角线上的元素以外的其他元素都为0，对角线上的元素可以是0或其他值。ones函数：用于创建元素全部为1的数组，即创建的数组元素全部填充为1。创建数组对象本课件是可编辑的正常PPT课件在实际的业务数据处理中，为了更准确地计算结果，提高分析质量，推动高质量发展，需要使用不同精度的数据类型。NumPy极大程度地扩充了原生Python的数据类型。在NumPy中，所有数组的数据类型是同质的，即数组中的所有元素的数据类型必须是一致的。将元素数据类型保持一致可以更容易确定该数组所需要的存储空间。创建数组对象3.数组数据类型本课件是可编辑的正常PPT课件NumPy的基本数据类型及其取值范围如下表。创建数组对象类型描述bool用一位存储的布尔类型（值为True或False）int_由所在平台决定其精度的整数（一般为int32或int64）int8整数，范围为

128～127int16整数，范围为

32768～32767int32整数，范围为

231～231

1int64整数，范围为

263～263

1uint8无符号整数，范围为0～255uint16无符号整数，范围为0～65535uint32无符号整数，范围为0～232

1本课件是可编辑的正常PPT课件NumPy的基本数据类型及其取值范围（续表）。创建数组对象类型描述uint64无符号整数，范围为0～264

1float16半精度浮点数（16位），其中用1位表示正负号，用5位表示整数，用10位表示尾数float32单精度浮点数（32位），其中用1位表示正负号，用8位表示整数，用23位表示尾数float64或float_双精度浮点数（64位），其中用1位表示正负号，用11位表示整数，用52位表示尾数complex64复数，分别用两个32位浮点数表示实部和虚部complex128或complex_复数，分别用两个64位浮点数表示实部和虚部本课件是可编辑的正常PPT课件手动创建数组往往很难达到数量要求，NumPy提供了强大的生成随机数的功能。然而，真正的随机数很难获得，在实际中使用的都是伪随机数。在大部分情况下，伪随机数就能满足获取的需求。当然，某些特殊情况除外，如进行高精度的模拟实验。对于NumPy，与随机数相关的函数都在random模块中，其中包括了可以生成服从多种概率分布随机数的函数。生成随机数本课件是可编辑的正常PPT课件random函数是非常常见的生成随机数的方法，random函数的基本使用格式如下。参数size接收int，表示返回的随机浮点数大小，默认为None。生成随机数numpy.random.random(size=None)本课件是可编辑的正常PPT课件rand函数可以生成服从均匀分布的随机数，其使用格式如下。参数d0,d1,...,dn接收int，表示返回数组的维度必须是非负数。如果没有给出参数，那么返回单个Python浮点数，无默认值。randn函数可以生成服从正态分布的随机数，randn函数的使用格式和参数说明与rand函数类似。生成随机数numpy.random.rand(d0,d1,...,dn)本课件是可编辑的正常PPT课件randint函数可以生成给定上下限范围的随机数，其基本使用格式如下。randint函数的常用参数及其说明如下表。生成随机数numpy.random.randint(low,high=None,size=None,dtype=int)参数名称参数说明low接收int或类似数组的整数。表示数组最小值。无默认值high接收int或类似数组的整数。表示数组最大值。默认Nonesize接收int或整数元组。表示输出数组的形状。默认为Nonedtype接收数据类型。表示输出数组的类型。默认为int本课件是可编辑的正常PPT课件在random模块中，其他常用于生成随机数的函数如下表。生成随机数函数说明seed确定随机数生成器的种子permutation返回一个序列的随机排列或返回一个随机排列的范围shuffle对一个序列进行随机排序binomial产生服从二项分布的随机数normal产生服从正态（高斯）分布的随机数beta产生服从beta分布的随机数chisquare产生服从卡方分布的随机数gamma产生服从gamma分布的随机数uniform产生均匀分布的随机数本课件是可编辑的正常PPT课件NumPy通常以提供高效率的数组著称，这主要归功于索引的易用性。1.一维数组的索引一维数组的索引方法很简单，与Python中的list的索引方法一致。2.多维数组的索引多维数组的每一个维度都有一个索引，各个维度的索引之间用逗号隔开。多维数组同样也可以使用整数序列和布尔值索引进行访问。通过索引访问数组本课件是可编辑的正常PPT课件在NumPy中，常用reshape函数改变数组的“形状”，即改变数组的维度。reshape函数的基本使用格式如下。reshape函数在改变原始数据的形状的同时不改变原始数据的值。如果指定的形状和数组的元素数目不吻合，那么函数将抛出异常。变换数组的形态numpy.reshape(a,newshape,order='C')本课件是可编辑的正常PPT课件reshape函数的常用参数及其说明如下表。在NumPy中，可以使用ravel函数完成数组展平工作。flatten函数也可以完成数组展平工作。与ravel函数的区别在于，flatten函数可以选择横向或纵向展平。变换数组的形态参数名称参数说明a接收array_like。表示需要变换形状的数组。无默认值newshape接收int或int型元组。表示变化后的形状的维度。无默认值本课件是可编辑的正常PPT课件除了可以改变数组“形状”外，NumPy也可以对数组进行组合。组合主要有横向组合与纵向组合。使用hstack函数、vstack函数和concatenate函数可完成数组的组合。横向组合是将由ndarray对象构成的元组作为参数，传给hstack函数。纵向组合同样是将由ndarray对象构成的元组作为参数，传给vstack函数。concatenate函数也可以实现数组的横向组合和纵向组合，其中当参数axis=1时，数组按照横向组合，当参数axis=0时，数组按照纵向组合。变换数组的形态本课件是可编辑的正常PPT课件除了对数组进行横向和纵向的组合之外，还可以对数组进行分割。NumPy提供了hsplit、vsplit、split函数，可以将数组分割成相同大小的子数组，也可以指定原数组中需要分割的位置。hsplit函数：可以对数组进行横向分割，以由ndarray对象构成的元组作为参数。vsplit函数：可以对数组进行纵向分割，以由ndarray对象构成的元组作为参数。split函数：同样可以实现数组分割。当参数axis=1时，可以对数组进行横向分割；当参数axis=0时，可以对数组进行纵向分割。变换数组形态本课件是可编辑的正常PPT课件1NumPy矩阵与通用函数目录NumPy数组对象ndarray2利用NumPy进行统计分析3本课件是可编辑的正常PPT课件在NumPy中，矩阵是ndarray的子类，且数组和矩阵有着重要的区别。NumPy提供了两个基本的对象，分别是N维数组对象和通用函数对象，其他对象都是在它们之上构建的。矩阵是继承自NumPy数组对象的二维数组对象。与数学概念中的矩阵一样，NumPy中的矩阵也是二维的。使用mat、matrix和bmat函数可创建矩阵。创建NumPy矩阵本课件是可编辑的正常PPT课件当使用mat函数创建矩阵时，如果输入matrix或ndarray对象，那么不会创建相应副本。因此，调用mat函数和调用matrix函数等价。在大多数情况下，用户会根据小的矩阵来创建大的矩阵，即将小矩阵组合成大矩阵。在NumPy中，可以使用bmat分块矩阵（blockmatrix）函数实现。在NumPy中，矩阵运算是针对整个矩阵中的每个元素进行的。与使用for循环相比，其在运算速度上更快。创建NumPy矩阵本课件是可编辑的正常PPT课件除了能够实现各类运算外，矩阵还有其特有的属性，如下表。创建NumPy矩阵属性名称属性说明T返回自身的转置矩阵H返回自身的共轭转置矩阵I返回自身的逆矩阵A返回自身数据的二维数组本课件是可编辑的正常PPT课件常用的ufunc函数运算有四则运算、比较运算和逻辑运算等。四则运算：ufunc函数支持全部的四则运算，并且保留习惯的运算符，和数值运算的使用方式一样，但是需要注意的是，ufunc函数操作的对象是数组。数组间的四则运算表示对每个数组中的元素分别进行四则运算，因此进行四则运算的两个数组的形状必须相同。比较运算：在ufunc函数中也支持完整的比较运算：>、<、==、>=、<=、!=。比较运算返回的结果是一个布尔型数组，其每个元素为数组对应元素的比较结果。逻辑运算：numpy.all函数用于测试所有数组元素的计算结果是否为True，numpy.any函数用于测试任何数组元素的计算结果是否为True。ufunc函数1.常用的ufunc函数运算本课件是可编辑的正常PPT课件广播（Broadcasting）机制是指不同形状的数组之间执行算术运算的方式。当使用ufunc函数进行数组计算时，ufunc函数会对两个数组的对应元素进行计算。进行这种计算的前提是两个数组的shape一致。如果两个数组的shape不一致，那么NumPy会实行广播机制。NumPy中的广播机制并不容易理解，特别是在进行高维数组计算的时候。ufunc函数2.ufunc函数的广播机制本课件是可编辑的正常PPT课件为了更好地使用广播机制，需要遵循以下4个原则。让所有的输入数组向其中shape最长的数组看齐，shape中不足的部分通过在前面加1补齐。输出数组的shape是输入数组shape在各个轴上的最大值的组合。如果输入数组的某个轴和输出数组的对应轴的长度相同或其长度为1，那么这个数组能够用于计算，否则系统将会出错。当输入数组的某个轴的长度为1时，沿着此轴运算时使用此轴上的第一组值。ufunc函数本课件是可编辑的正常PPT课件1NumPy矩阵与通用函数目录NumPy数组对象ndarray2利用NumPy进行统计分析3本课件是可编辑的正常PPT课件NumPy的文件读/写主要有二进制的文件读/写和文本文件读/写两种形式。NumPy提供了若干函数，可以将结果保存到二进制或文本文件中。除此之外，NumPy还提供了许多从文件读取数据并将其转换为数组的方法。读/写文件本课件是可编辑的正常PPT课件save函数以二进制的格式保存数据，load函数从二进制的文件中读取数据，save函数的语法格式如下。参数file接收str，表示要保存的文件的名称，需要指定文件保存的路径，如果未设置，那么将会保存到默认路径下面。参数arr接收array_like，表示需要保存的数组。save函数就是将数组arr保存至名称为“file”的文件中，其文件的扩展名.npy是系统自动添加的。如果将多个数组保存到一个文件中，那么可以使用savez函数，其文件的扩展名为.npz。当需要读取二进制文件时，可以使用load函数，用文件名作为参数，存储时可以省略扩展名，但读取时不能省略扩展名。读/写文件numpy.save(file,arr,allow_pickle=True,fix_imports=True)本课件是可编辑的正常PPT课件在实际的数据分析任务中，更多地是使用文本格式的数据，如TXT或CSV格式，因此通常会使用savetxt函数、loadtxt函数和genfromtxt函数执行对文本格式数据的读取任务。savetxt函数可将数组写到以某种分隔符隔开的文本文件中，其基本使用格式如下。参数fname接收str，表示文件名。参数X接收array_like，表示数组数据。参数delimiter接收str，表示数据分隔符。读/写文件numpy.savetxt(fname,X,fmt='%.18e',delimiter='',newline='\n',header='',footer='',comments='#',encoding=None)本课件是可编辑的正常PPT课件loadtxt函数执行的是相反的操作，即将文件加载到一个二维数组中，其基本使用格式如下。loadtxt函数的常用参数主要有两个，分别是fname和delimiter。参数fname接收str，表示需要读取的文件或生成器。参数delimiter接收str，表示用于分隔数值的分隔符。读/写文件numpy.loadtxt(fname,dtype=<class'float'>,comments='#',delimiter=None,converters=None,skiprows=0,usecols=None,unpack=False,ndmin=0,encoding='bytes',max_rows=None,*,quotechar=None,like=None)本课件是可编辑的正常PPT课件genfromtxt函数和loadtxt函数相似，只不过genfromtxt函数面向的是结构化数组和缺失数据。genfromtxt函数通常使用的参数有3个。即用于存放数据的文件参数“fname”。用于分隔数据的字符参数“delimiter”。是否含有列标题参数“names”。读/写文件本课件是可编辑的正常PPT课件在NumPy中，除了可以使用通用函数对数组进行比较、逻辑等运算之外，还可以使用统计函数对数组进行排序、去重与重复、求最大和最小值以及求均值等统计分析。1.排序NumPy的排序方式主要可以概括为直接排序和间接排序两种。直接排序指对数值直接进行排序；间接排序是指根据一个或多个键对数据集进行排序。在NumPy中，直接排序通常是使用sort函数，间接排序通常是使用argsort函数和lexsort函数。使用函数进行简单的统计分析本课件是可编辑的正常PPT课件sort函数是较为常用的排序方法，无返回值。如果目标数据是一个视图，那么原始数据将会被修改。当使用sort函数排序时，用户可以指定一个axis参数，使得sort函数可以沿着指定轴对数据集进行排序。使用argsort函数和lexsort函数，可以在给定一个或多个键时，得到一个由整数构成的索引数组，索引表示数据在新的序列中的位置。lexsort函数可以一次性对满足多个键的数组执行间接排序。使用函数进行简单的统计分析本课件是可编辑的正常PPT课件在统计分析的工作中，难免会出现“脏”数据的情况。重复数据就是“脏”数据的情况之一。如果一个一个地手动删除，那么将会耗时费力且效率低。在NumPy中，可以通过unique函数查找出数组中的唯一值并返回已排序的结果。另一种情况，在统计分析中也经常遇到，即需要将一个数据重复若干次。在NumPy中主要使用tile函数和repeat函数实现数据重复。使用函数进行简单的统计分析2.去重与重复数据本课件是可编辑的正常PPT课件tile函数的基本使用格式如下。tile函数主要有两个参数。参数A接收array_like，表示输入的数组。参数reps接收array_like，表示指定数组的重复次数。使用函数进行简单的统计分析numpy.tile(A,reps)本课件是可编辑的正常PPT课件repeat函数的基本使用格式如下。repeat函数主要有3个参数。参数a接收array_like，表示输入的数组。参数repeats接收int或整数的数组，表示每个元素的重复次数。参数axis接收int，表示用于指定沿着哪个轴进行重复。tile函数和repeat函数的主要区别在于，tile函数是对数组进行重复操作，repeat函数是对数组中的每个元素进行重复操作。使用函数进行简单的统计分析numpy.repeat(a,repeats,axis=None)本课件是可编辑的正常PPT课件在NumPy中，有许多可以用于统计分析的函数。常见的统计函数有sum、mean、std、var、min、max、argmin和argmax等。几乎所有的统计函数在针对二维数组计算的时候都需要注意轴的概念。当axis参数为0时，表示沿着纵轴进行计算；当axis为1时，表示沿着横轴进行计算。默认情况下，函数并不按照任一轴向计算，而是计算一个总值。聚合计算将直接显示计算的最终结果，在NumPy中，cumsum函数和cumprod函数采用不聚合计算，产生一个由中间结果组成的数组。使用函数进行简单的统计分析3.常用的统计函数本课件是可编辑的正常PPT课件本章主要介绍了NumPy数组对象ndarray的创建、生成随机数的方法、数组的访问和数组形态的变换方法。同时还介绍了矩阵的创建方法、使用通用函数对数组进行计算。最后介绍了利用NumPy读/写文件以及进行统计分析的常用函数，为后面真正进入数据分析课程内容的学习和学习其他数据分析库（如pandas）打下坚实的基础。小结本课件是可编辑的正常PPT课件pandas统计分析基础本课件是可编辑的正常PPT课件1DataFrame的常用操作目录读/写不同数据源的数据2转换与处理时间序列数据3使用分组聚合进行组内计算4本课件是可编辑的正常PPT课件pandas是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。pandas建造在NumPy之上，所以使得pandas在以NumPy为中心的应用中得以容易的使用，而pandas库在与其它第三方科学计算支持库结合时也能够完美的进行集成。在Python中，pandas库的功能十分强大，它可提供高性能的矩阵运算。可用于数据挖掘和数据分析，同时也提供数据清洗功能；支持类似SQL的数据增、删、查、改等操作，并且带有丰富的数据处理函数；支持时间序列数据分析功能；支持灵活处理缺失数据等。认识pandas库本课件是可编辑的正常PPT课件pandas有两个强大的利器。Series（一维数据）是一种类似于一维数组的对象，是由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成，而仅由一组数据也可产生简单的Series对象。DataFrame是pandas中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型等），DataFrame既有行索引也有列索引，可以被看做是由Series组成的字典。认识pandas库本课件是可编辑的正常PPT课件文本文件是一种由若干行字符构成的计算机文件，它是一种典型的顺序文件。CSV是一种用分隔符分隔的文件格式，因为其分隔符不一定是逗号，所以又被称为字符分隔文件。文本文件以纯文本形式存储表格数据（数字和文本），它是一种通用、相对简单的文件格式，较广泛地应用是在程序之间转移表格数据，而这些程序本身是在其他程序不兼容的格式上进行操作的（往往是私有的、无通用规范的格式）。大量程序都支持CSV或其变体，所以CSV或其变体可以作为大多数程序的输入和输出格式。读/写文本文件本课件是可编辑的正常PPT课件CSV文件根据其定义也是一种文本文件。在数据读取过程中可以使用文本文件的读取函数对CSV文件进行读取。同时，如果文本文件是字符分隔文件，那么可以使用读取CSV文件的函数进行读取。pandas提供了read_table()函数读取文本文件，提供了read_csv()函数读取CSV文件。读/写文本文件1.文本文件读取本课件是可编辑的正常PPT课件read_table()函数和read_csv()函数具有许多参数，如果有多个<expression>，那么表达式之间用逗号隔开，基本使用格式如下。读/写文本文件pandas.read_table(filepath_or_buffer,*,sep=_NoDefault.no_default,delimiter=None,header='infer',names=_NoDefault.no_default,index_col=None,usecols=None,dtype=None,engine=None,converters=None,true_values=None,false_values=None,skipinitialspace=False,skiprows=None,skipfooter=0,nrows=None,na_values=None,keep_default_na=True,na_filter=True,verbose=_NoDefault.no_default,skip_blank_lines=True,parse_dates=False,infer_datetime_format=_NoDefault.no_default,keep_date_col=_NoDefault.no_default,date_parser=_NoDefault.no_default,date_format=None,dayfirst=False,cache_dates=True,iterator=False,chunksize=None,compression='infer',thousands=None,decimal='.',lineterminator=None,quotechar='"',quoting=0,doublequote=True,escapechar=None,comment=None,encoding=None,encoding_errors='strict',dialect=None,on_bad_lines='error',delim_whitespace=_NoDefault.no_default,low_memory=True,memory_map=False,float_precision=None,storage_options=None,dtype_backend=_NoDefault.no_default)本课件是可编辑的正常PPT课件读/写文本文件pandas.read_csv(filepath_or_buffer,*,sep=_NoDefault.no_default,delimiter=None,header='infer',names=_NoDefault.no_default,index_col=None,usecols=None,dtype=None,engine=None,converters=None,true_values=None,false_values=None,skipinitialspace=False,skiprows=None,skipfooter=0,nrows=None,na_values=None,keep_default_na=True,na_filter=True,verbose=_NoDefault.no_default,skip_blank_l