資料分析師的典型工作內容與工作流程
資料分析師的主要內容就是利用一定的工具，結合具體的業務對資料進行處理分析，幫助業務部門監控，定位，尋因，解決問題，從而幫助企業高效決策，提高經營效率。可以看出作為一個數據分析師不僅僅要掌握資料分析的工具，還要對所要分析的問題具有一定的認知，並且還要具有一定的分析思路。
下圖是一個數據分析師的典型工作流程，共分為三個環節：第一環節，資料需求的溝通；第二環節，資料分析建模；第三環節，結論落地應用。前兩個環節是每一個數據分析師都必不可少的，而第三個環節是根據每個公司對資料分析師的定位不同而決定的。而我們今天要介紹的pandas主要是在資料預處理與資料分析建模的環節中應用。
資料分析師的典型工作流程
你眼中的資料分析師的桌面
你眼中的分析師桌面
現實中的資料分析師的桌面
現實中分析師的桌面
資料為什麼要學python，python的優勢在哪？
隨著python的熱度的增加，現在越來越多的資料分析師開始學習與使用python，我麼也不能只憑熱度而選擇一個工具，而是要分析一下對分析師來講，python有哪些優勢：
1、python的應用面更廣，使用更加靈活，它能夠關聯資料分析中資料流轉的上中下游，上游：資料獲取，python可以很好的相容爬蟲，已經連線底層資料庫的介面；中游：資料的分析，在這個過程中，python已經具有非常全面覆蓋資料清洗，分析，建模等方面的庫，下游：資料的展示與輸出，在python中有許多庫，能夠實現各種個性化需求的展示圖表。
2、在處理大量的資料時，python比excel更加高效與可靠，可以輕鬆實現大量資料的複雜計算。
3、python相比於excel，可以輕鬆實現自動化，對於許多個性化的需求，python比excel更容易實現自動化，並且自動化的程度更高。
資料分析師掌握python到什麼程度，以及python向後的拓展可能有哪些？
1、對於一個初級分析師，對於python的掌握程度可以要求到，能夠像excel處理資料似的使用python，需要熟練的掌握pandas，numpy庫，基本掌握matplotplt庫即可
2由於python的高拓展性，對於未來的發展方向，可以向演算法，爬蟲，視覺化等方向發展，並且這些方向都是當前非常火的方向。
作為一個數據分析師如何零基礎入門Python呢？
在此給大家一個兩步走的過程：
第一步：基礎打牢，python的基本知識肯定是必不可少的，這個基礎知識可以透過廖雪峰教程，以及python菜鳥教程等學習，並且python的基礎教程並不很難，對於程式設計的要求並不是很高。
第二步：定向訓練，對於分析師最熟悉的工具當然是excel了，這一階段的定向訓練就可以對標excel，使用python的pandas庫來實現excel常用的全部功能。下邊的內容也是針對pandas如何實現excel的各種基本功能來展開的。
今天主要的內容是：像使用excel一樣去使用Python
1、檔案開啟與儲存
開啟excel檔案
data=pd。read_excel（r‘E：\huawei\我的作品\頭條號文章\pandas操作\案例資料。xlsx’，sheetname=‘sheet1’） #sheetname可省略，預設讀取第一個data_=data
原始資料見下圖
原始資料
儲存檔案
data_to_excel（r‘E：\huawei\我的作品\頭條號文章\pandas操作\案例資料1。xlsx’）
多sheet儲存
writer=pd。ExcelWriter（r‘E：\huawei\我的作品\頭條號文章\pandas操作\案例資料2。xlsx’）data。to_excel（writer，‘sheet_1’，index=False）data。to_excel（writer，‘sheet_2’，index=False）writer。save（） #一定不要忘記save（），否則無法儲存。。
2、
篩選是excel中常用的最基本的功能，我們來看一下pandas是如何實現的
對行進行篩選，例：篩選8-10萬的SUV
data_1=data［（data［‘車型定位’］==‘SUV’）&（data［‘指導價（萬）’］>8）&（data［‘指導價（萬）’］<=10）］
上面的查詢邏輯其實非常的簡單，需要注意的是，如果是多個條件的查詢，必須在&（且）或者|（或）的兩端條件用括號括起來。
對列進行篩選，例：只要sku與銷量兩列：
data_2=data［［‘SKU’，‘本月銷量’］］
3、vlookup是大家在excel中用的最多的公式之一，當在兩個表都非常大的情況下vlookup的速度是非常慢的，經常會出現宕機的現象，反而用pandas中的‘vlookup’十分的快速與可靠，本人親測，兩個百萬行的的表格查詢，簡直就是‘瞬秒’
data_4=pd。merge（data，data_2，how=‘left’，left_on=‘SKU’，right_on=‘SKU’）
如下圖，merge之後的效果，把data_3中‘本月銷量’V進來了
pandas-merge實現excel中的vlookup
4、透視也是大家最常用的excel技能了，下面就介紹利用pandas裡的pivot_table函式如何透視，例：以車型定位對本月銷量求和透視
data_5=pd。pivot_table（data，index=‘車型定位’，values=‘本月銷量’，aggfunc=‘sum’）
pivot_table透視效果
5、統計分析
pandas中提供了describe（）函式，能夠一次性返回多個統計值，如下圖：
data_6=data。describe（）
如果想計算單獨的統計值，可透過相對應的函式進行計算
ddta。count（） #非空元素計算data。min（） #最小值data。max（） #最大值data。idxmin（） #最小值的位置data。idxmax（） #最大值的位置
describe結果
6、排序與排名，例：對本月銷量進行降序操作，對本月銷量輸出降序排名，排序排名效果見下圖：
data_。sort_values（by=‘本月銷量’，ascending=False，inplace=True）data_［‘本月銷量排名’］=data［‘本月銷量’］。rank（ascending=False，method=‘min’）
排序與排名結果
7、合併多個檔案，將兩個相同結構的表格進行連線將data與data_1進行合併，合併後結果見下圖：
data_7=pd。concat（［data，data_1］） #一定注意表格裡的變數時list格式
多檔案合併
8、修改檔案中滿足特定條件的值，例：data資料中的名爵ZS的車型定位錯了，需要由SUV修改成轎車，修改如下：
data。ix［data［‘車系’］==‘名爵ZS’，‘車型定位’］=‘轎車’
修改特定值
9、map方法在pandas裡的應用，新增一列資料，將本月銷量高於5000的打上‘高銷量’標籤，少於5000的為‘低銷量’
data［‘高/低銷量’］=data［‘本月銷量’］。map（lambda x： ‘高銷量’ if x>=5000 else ‘低銷量’）
map方法應用
以上只是一些pandas的入門應用，大家在平時應用時，遇到不懂的點多百度，也可以關注我，有問題可以隨時私信，只要堅持下來，總會有驚人的收穫的
——————————————————————————————-
不忘初心，方得始終
最後，以下是全部原始碼彙總
import pandas as pddata=pd。read_excel（r‘E：\huawei\我的作品\頭條號文章\pandas操作\案例資料。xlsx’）data_=datadata_1=data［（data［‘車型定位’］==‘SUV’）&（data［‘指導價（萬）’］>8）&（data［‘指導價（萬）’］<=10）］data_2=data［［‘SKU’，‘本月銷量’］］data_4=pd。merge（data，data_2，how=‘left’，left_on=‘SKU’，right_on=‘SKU’）data_5=pd。pivot_table（data，index=‘車型定位’，values=‘本月銷量’，aggfunc=‘sum’）data_6=data。describe（）data_。sort_values（by=‘本月銷量’，ascending=False，inplace=True）data_［‘本月銷量排名’］=data［‘本月銷量’］。rank（ascending=False，method=‘min’）data_7=pd。concat（［data，data_1］）data。ix［data［‘車系’］==‘名爵ZS’，‘車型定位’］=‘轎車’data［‘高/低銷量’］=data［‘本月銷量’］。map（lambda x： ‘高銷量’ if x>=5000 else ‘低銷量’）
