Python入门（一）环境&资料结构

此文是《10周入门资料分析》系列的第13篇
想了解学习路线，可以先阅读 学习计画 | 10周入门资料分析

前面经过十几篇文章，相想必大家对于资料分析是什么，怎么做有了基本的认识。跟着操作的小伙伴基本功应该练的差不多了，可以蛟龙出海了。

有些基础后，理论上的东西我们先放一放，现在开始我们就学习一下很热门，很烫手的python》》入门版六小节，好了，跟着小编学起来吧！

作为当下最热门的程式设计语言之一，Python有两个非常有趣的方向：一个是资料分析，从掌握资料分析的基本方法开始，学习NumPy、Pandas、mapplotlib包；然后再往下就是资料採撷，机器学习、深度学习，甚至人工智慧。另外一个方向则是web开发。有同学说爬虫呢，爬虫其实是获取资料的一个手段，包括资料库的处理等等都是包含在上面两条路线里面。

想学会一门语言不是一朝一夕的事情，本文是按照业务资料分析师/商业分析师的路线来讲Python的学习路径。若大家想成为技术型的分析师，或者未来往资料採撷发展，建议你要比文章内容学得更深，所有的程式码最好都手打一遍，这是最有效的学习方式。

好了，言归正传。按照所有程式设计语言的学习套路，先从基础语法开始，有程式设计基础的同好可能学习起来比较轻鬆，但也建议看一遍，温习一二。

资料分析环境

Python的编写环境，用Anaconda足矣。Anaconda是专业的资料科学计算环境，已经集成绝大部分包和工具，不需要多余的安装和调试。

Python版本建议3.0以上，不要选择2.7的版本，否则你会被无尽的中文编码问题困扰。

Anaconda在官网下载，选择最新版本，约400MB。

完成安装后，Win版本会多出几个程式，Mac版本只有一个Navigator导航。资料分析最常用的程式叫Jupyter，以前被称为IPython Notebook，是一个互动式的笔记本，能快速创建程式，支援即时程式码、视觉化和Markdown语言。
点击Jupyter进入，它会自动创建一个本地环境localhost。

点击介面右上角的new，创建一个python档。

开始你的Python

介面上部是工具列，编辑撤回运行等，下面是快捷操作，大家以后会熟悉的。页面正中便是脚本执行的地方，我们输入自己第一行程式码吧：

（我就不用hello world）灰色框是输入程式的地方，回车是换行，shift+回车执行灰色区域的程式码，它的结果会直接在下面空白处出现。这就是Jupyter互动式的强大地方，将Python脚本分成片段式运行，尤其适合资料分析的摸索调整工作。

这里的print叫函数，和excel的函数同理，是程式执行的主体，负责将输入转化成输出（函数留在下一篇细讲）。这里将hello qinlu这段文字输出。新手可能会奇怪为什么要加引号，这种用引号括起来的文字在程式中叫字串。

Python是一门电脑语言，它的逻辑和自然语言不一样，程式设计语言的目的是执行任务，所以它不能有歧义。为了规避各种歧义，人们创造了语法规则，只有正确的语法，才能被转换成CPU执行的机器码。

先了解Python语法中的资料类型。电脑最开始只被用于数值运算，后来被赋予了各种丰富的资料类型。

上面两个是小学生都会的四则运算，在电脑语言中可没有那么简单。它涉及了两个数值类型，整数int和浮点数float。整数和浮点数在电脑内部存储的方式是不同的，我们不用知道具体原理，明确一点，整数运算是永远精确的，浮点运算则可能有误差。

两种资料类型也可以互换，透过int函数和float函数。

有了数值，必然有文本，程式中叫字串，用英文引号括起来表示。单引号和双引号没有区别，所以”qinlu”和’qinlu’是等价的，引号是边界，输出的时候不会包含它。当字串内本身包含引号时，也不影响使用。

需要注意的是，不论单引号还是双引号，一旦混用很容易出现错误。因为程式并不知道它是字串的边界还是符号。

解决方法有两种，一种是使用三引号，三引号代表整体引用，而且包含换行。第二种是引号前面加\，它是转义字元，表示这个引号就是单纯的字元。

三引号也可以用来注释，通常是大段的文字解释，如果一句话，我们更习惯用#，#后面的内容均不会作为程式执行。

时间是特殊的数数值型别，它将结合datetime模组讲解。

还有两个常见的资料类型，布林值和空值。布林值是逻辑判断值，只有True和False。

布林值在IF语句和资料清洗中经常使用，利用其过滤。布林值能和布林值运算，不过这里是and、not、or作为运算子，Ttue and True = True，False and True = False，False and False = False，not True = False，True or False = True等。

空值是一个特殊的值，表示为None，None不等于0，0具有数学意义而None没有，None更多表示该值缺失。

整数，浮点数，字串，布林值，空值就是Python常见的资料类型。Python3对中文的支持比较友好，所以大家可以用中文作为字串试一下print。

资料类型构成了变数的基础，变数可以是任意的资料类型。想要用变数，必须先赋予变数一个值，这个过程叫赋值。

我首先给a赋予了一个整数值1，然后改变它为字串abc，变数在Python中没有固定的数数值型别，这是Python最大的优点，所以它在资料分析中很灵活。这也是它被称为动态语言的原因，相对应的叫静态语言。

Python是大小写敏感的语言，所以a和A是有区别的，这点请牢记。另外变数名尽可能使用英文，不要拼音，英文的可读性是优于拼音的。

变数有两种拼写风格，一种叫驼峰，一种叫底线，以用户ID为例。驼峰命名法为userId，以一串英文词语user和id组成变数，第一个词语的首字母小写，第二个词语开始的首字母均大写。底线命名法为user_id，全部小写，用_分割单词。

一个变数的值可以被赋予另外一个变数，如果b变数之前有另外一个值，那么会被1覆盖。呈从上而下的执行关係。

初看a = a + 1好像有逻辑问题，其实这涉及到了程式执行的先后顺序，程式是先计算a+1的值得到2，然后将其赋予(覆盖)了a。等号右边的计算先于左边，这是从右到左的逻辑关係。

有变数，自然有常量，常量是固定不变的量，可是在Python中没有真正意义的常量，一切皆可变，它更多是习惯上的叫法，即一旦赋值，就不再改变了。

Python的基础数学运算子号有+,-,*,/,//,%。前面四个就是加减乘除，其中除法的结果一定是浮点数。后面两个符号是除法的特殊形式，//代表除法中取整数，%代表除法中取余数。

到这里，新手部分已经讲解完成。再来讲讲资料结构。

资料结构

Python一共有三大资料结构，它是Python进行资料分析的基础，分别是tuple元组，list阵列以及dict字典。本文透过这三者的学习，打下资料分析的基础。

阵列

阵列是一个有序的集合，他用方括号表示。

num就是一个典型的阵列。阵列不限定其中的资料类型，可以是整数也可以是字串，或者是混合型。
阵列可以直接用特定的函数，函数名和Excel相近。

sum是求和，len则是统计阵列中的元素个数。

上述列举的函数是阵列内整体元素的应用，如果我只想针对单一的元素呢？比如查找，这里就要用到阵列的特性，索引。索引和SQL中的索引差不多，都是用来指示资料所在位置的逻辑指标。阵列的索引便是元素所在的序列位置。

注意，索引位置是从0开始算起，这是程式设计语言的预设特色了。num[0]指数组的第一个元素，num[1]指数组的第二个元素。

我们用len()计算出了阵列元素个数是5，那么它最后一个元素的索引是4。若是阵列内的元素特别多呢？此时查找阵列最后一位元的元素会有点麻烦。Python有一个简易的方法，可以用负数表示，意为从最后一个数位计算索引。

这里的num[4]等价于num[-1]，num[-2]则指倒数第二个的元素。
再来一个新问题，如何一次性选择多个元素？例如筛选出阵列前三个元素。在Python中，用：表示範围。

num[0:3]筛选了前三个元素，方括号左边是闭区间，右边是开区间，所以这里是num[0]，num[1]和num[2]，并不包含num[3]。这个方法叫做切片。

上述是索引的特殊用法，[0:]表示从第0个索引开始，直到最后一个元素。[:3]表示从第一个元素开始，直到第3个索引。

负数当然也有特殊用法。[-1:]表示从最后一个元素开始，因为它已经是最后一个元素了，所以只返回它本身。[:-1]表示从第一个元素开始到最后一个元素。num[-2:-1]和num[-3:-1]大同小异。

阵列的增删查

我们已经了解阵列的基本概念，不过仍旧停留在查找，它不涉及资料的变化。工作中，更多需要操纵阵列，对阵列的元素进行添加，删除，更改。

阵列透过insert函数插入，函数的第一个参数表示插入的索引位置，第二个表示插入的值。

另外一种方式是append，直接在阵列末尾添加上元素。它在之后讲到反覆运算和迴圈时应用较多。

如果要删除特定位置的元素，用pop函数。如果函数没有选择数值，预设删除最后一个元素，如果有，则删除数值对应索引的元素。

更改元素不需要用到函数，直接选取元素重新赋值即可。

到这里，阵列增删改查已经讲完，但这只是一维阵列，一维阵列之上还有多维阵列。如果现在有一份资料是关于学生资讯，一共有三个学生，要求包含学生的姓名，年龄，和性别，应该怎么用阵列表示呢？

有两种思路，一种是用三个一维阵列分别表示学生的姓名，年龄和性别。

学生属性被拆分成多个阵列，利用索引来表示其资讯，这里的索引有些类似SQL的主键，透过索引查找到资讯。但是这种方法并不直观，实际应用会比较麻烦，更好的方法是表示成多维阵列。

所谓多维阵列，是阵

列内再嵌套数组，图中表示的是一个宽度为3，高度为3的二维阵列。此时student[0]返回的是阵列而不是单一值。这种方法将学生资讯合併在一起，比第一个案例更容易使用。

如果想选择第一个学生的性别，应该怎么办呢？很简单，后面再加一个索引即可。
现在尝试快速创建一个多维阵列。

[0]*3将快速生成3个元素值为0的阵列，这是一种快捷操作，而[row]4则将其扩展成二维资料，因为是4，所以是34的结构。

这里有一个注意点，当我们想更改多维阵列中的某一个元素而不是阵列时，这种方式会错误。
按照正常的想法，martix[1][0]将会改变第二个阵列中的第一个值为1，但是结果是所有阵列的第一个值都变成1。这是因为在matrix = [row] * 4操作中，只是创建3个指向row的引用，可以简单理解成四个阵列是一体的。一旦其中一个改变，所有的都会变。

比较稳妥的方式是直接定义多维阵列，或者用迴圈间接定义。多维阵列是一个挺重要的概念，它也能直接表示成矩阵，是后续很多演算法和分析的基础（不过在pandas中，它是另外一种形式了）。

元组

tuple叫做元组，它和阵列非常相似，不过用圆括号表示。但是它最大的特点是不能修改。

当我们想要修改时就会报错。

而选择和阵列没有差异。

元组可以作为简化版的阵列，因为它不可更改的特性，很多时候可以作为常量使用，防止被篡改。这样会更安全。

字典

字典dict全称dictionary，以键值对key-value的形式存储。所谓键值，就是将key作为索引存储。用大括弧表示。

图中的’qinlu’是key，18是value值。key是唯一的，value可以对应各种资料类型。key-value的原理不妨想像成查找字典，拼音是key，对应的文字是value（当然字典的拼音不唯一）。

字典和阵列的差异在于，因为字典以key的形式存储和查找，所以它的查询速度非常快，毕竟翻字典的时候你只要知道拼音就能快速定位了。对dict资料结构，10个key和10万个key在查找对应的value时速度没有太大差别。

这种查找方式的缺点是佔用记忆体大。阵列则相反，查找速度随着元素的增加逐渐下降，这个过程想像成程式在一页页的翻一本没有拼音的字典，直到找到内容。阵列的优点是佔用的记忆体空间小。

所以阵列和字典的优缺点相反，dict是空间换时间，list是时间换空间，这是程式设计中一个比较重要的概念。实际中，资料分析师的工作不太涉及工程化，选用阵列或者字典没有太严苛的限制。

细心的读者可能已经发现，字典定义时我的输入顺序是qinlu，lulu，qinqin，而列印出来是lulu，qinlu，qinqin，顺序变了。这是因为定义时key的顺序和放在记忆体的key顺序没有关係，key-value透过hash演算法互相确定，甚至不同Python版本的杂凑演算法也不同。这一点应用中要避免出错。

既然字典透过key-value对匹配查找，那么它自然不能不用阵列的数值索引，它只能透过key值。

如果key不存在，会报错。透过in方法，可以返回True或False，避免报错。

dict和list一样，直接透过赋值更改value。

能不能更改key的名字？不能，key一旦确定，就无法再修改，好比字典定好后，你能修改字的拼音么？

dict中删除key和list一样，透过pop函数。增加key则是直接赋予一个新的键值对。

dict的keys和values两个函数直接输出所有的key值和value值。如果要转换成阵列，则再外面嵌套一个list函数。

items函数，将key-value对变成tuple形式，以阵列的方式输出

字典可以透过嵌套应用更複杂的资料格式，和NoSQL与JSON差不多。

基础的资料类型差不多了，更多函数应用大家可以网上自行查阅文档，这块掌握了，在资料清洗过程中将会非常高效，尤其是读取Excel资料时。当然不要求滚瓜烂熟，因为后面将学习更加强大的Numpy和Pandas。
我是「数据分析那些事」。常年分享资料分析乾货，不定期分享好用的职场技能工具。