前言

有时，在编程领域的一个小技巧、一个小的快捷方式或附加组件能极大地提高生产力。下文中的建议和技巧有些可能很常见，有些则较新颖，相信你在将来处理数据分析项目时会派上用场。

（文末送读者福利）

1. 分析pandas数据框

Profiling是帮助理解数据的过程，而Pandas Profiling 是帮助理解数据的python包，能简单快速地对Pandas数据框进行探索性数据分析。Pandas中 df.describe()和df.info()函数通常作为EDA（电子设计自动化）过程的第一步。但它只提供了一个非常基本的数据概览，对于大型数据集而言，并无太大帮助。此外，Pandas Profiling函数用一行代码显示了很多信息，交互式HTML报告中也显示了这一点。

对于给定的数据集，pandas profiling包计算以下统计数据：

安装

pip install pandas-profiling

conda install -c anaconda pandas-profiling

用法

下面使用古老的titanic数据集，演示多功能python分析器的功能。

#importing the necessary packages

import pandas as pd

import pandas_profiling

df = pd.read_csv(‘titanic/train.csv’)

pandas_profiling.ProfileReport(df)

只需要这一行代码就可以在Jupyter笔记本中显示数据分析报告。报告非常详细，包括所有必要的图表。

还可以使用以下代码将报告导出到交互式HTML文件中。

profile = pandas_profiling.ProfileReport(df)profile.to_file(outputfile=“Titanic data profiling.html”)

2. 实现pandas 交互式绘图

Pandas内置的.plot()函数是其dataframe类别的一部分。然而，使用该函数呈现的可视化效果并不具有交互性，这使得其吸引力降低。但也不能否认使用pandas.dataframe.plot()函数绘制图表的方便性。如果不需对代码进行重大修改，就可以像用pandas绘制图表那样巧妙地绘制交互式plotly呢？实际上，在Cufflinks 库的帮助下可做到这一点。

Cufflinks库结合了plotly的力量与pandas的灵活性，便于绘图。现在让我们来看看如何安装这个库，并让它在pandas中工作。

安装

pip install plotly # Plotly is a pre-requisite before

installing cufflinks

pip install cufflinks

用法

#importing Pandas

import pandas as pd

#importing plotly and cufflinks in offline mode

import cufflinks as cf

import plotly.offline

cf.go_offline()

cf.set_config_file(offline=False, world_readable=True

现在可以见证Titanic 数据集的神奇之处了。

df.iplot()

df.iplot() vs df.plot()

上边的可视化结果是静态图表，而下边的图表是交互式的，并且更加详细，所有这些都没有对句法进行任何重大更改。

3. 一些Magic

Magic命令是Jupyter笔记本中一组方便的函数，旨在解决标准数据分析中一些常见问题。在%lsmagic的帮助下，你可以看到所有可用的magic。

所有可用的magic函数列表

Magic命令有两种：行magic命令, （以单个%字符为前缀，并在一行输入上操作）和单元magic命令（与双%%前缀关联，并在多行输入上操作）。如果将Magic函数设置为1，则无需键入初始%即可调用。

下面是进行常见数据分析任务的一些实用方法：

· % pastebin

%pastebin将代码上载到Pastebin并返回url。pastebin可提供在线内容托管服务，可用语存储纯文本，如源代码片段，可与他人共享url。事实上，Github gist也类似于pastebin，尽管存在版本控制。假设python脚本file.py的内容如下：

#file.py

def foo(x):

return x

在Jupyter笔记本中使用%pastebin会产生一个pasterbin的url。

%matplotlib notebook

%matplotlib内联函数用于呈现Jupyter笔记本中的静态matplotlib绘图。尝试用notebook替换内联部分以轻松获得可缩放和可调整大小的绘图。确保在导入matplotlib库前，调用该函数。

%matplotlib inline vs %matplotlib notebook

· %run

%run函数在笔记本中运行python脚本。

%run file.py

· %%writefile

%%writefile将单元格的内容写入文件。这里的代码将被写到一个名为foo.py的文件中，并保存在当前目录中。

%%latex

%%latex函数将单元格内容呈现为LaTeX，这有助于在单元格中编写数学公式和方程。

4. 发现并消除错误

交互式调试器也是一个神奇的函数，但是其已有自己的类别。如果在运行代码单元格时出现异常，请在新行中键入并运行%debug。这将打造一个交互式调试环境，令你置身于异常发生之处。你还可以检查程序中分配的变量值，并在此处执行操作如需退出调试器，请按q。

5. 打印美观

如果想为数据结构生成美观的表示形式，pprint是首选模块。它在打印字典或JSON数据时特别有用。下面是同时使用print和pprint显示输出的示例。

6. 突出注释

可在Jupyter笔记本中使用警示框/注释框突出显示一些重要的东西或任何需要突出的东西。注释的颜色取决于指定的警告类型。只需在需要突出显示的单元格中添加以下任一代码或所有代码。

· 蓝色警示框：信息

Tip: Use blue boxes (alert-info) for tips and notes.

If it’s a note, you don’t have to include the word “Note”.

黄色警示框：警告

Example: Yellow Boxes are generally used to include additional examples or mathematical formulas.

绿色警示框：成功

Use green box only when necessary like to display links to related content.

红色警示框：危险

It is good to avoid red boxes but can be used to alert users to not delete some important part of code etc.

7. 打印一个单元格的所有输出

如果Jupyter笔记本的一个单元格中包含以下代码行：

In [1]: 10+5

11+6

Out [1]: 17

单元格的正常属性是只打印最后一个输出，要打印其他输出，需要添加print()函数。事实上，只要在笔记本的顶部添加以下代码片段，就可以打印所有输出。

from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = “all”

接下来所有的输出便会依次打印。

In [1]: 10+5

11+6

12+7

Out [1]: 15

Out [1]: 17

Out [1]: 19

恢复原来的设置：

InteractiveShell.ast_node_interactivity = “last_expr”

8. 使用“i”选项运行python脚本

从命令行运行python脚本的一种典型方法是：python hello.py。但如果在运行相同的脚本时添加一个-i，即 python -i hello.py ，会产生更多好处。原因如下：

· 首先，一旦程序结束，python不会退出解释器。因此，可检查变量值和程序中定义函数的正确性。

其次，可以很容易地调用python调试器，因为通过以下代码即可仍处于解释器中：

import pdb

pdb.pm()

这能定位异常情况发生之处，从而修正代码。

9. 自动注释代码

Ctrl/Cmd + / 自动注释单元格中选定的行。再次点击该组合将取消对同一行代码的注释。

10. 删除容易恢复难

你是否曾经不小心删除了Jupyter笔记本中的一个单元格？

如果是，这里有一个快捷方式可以撤消删除操作。

· 如果删除了一个单元格中的内容，按CTRL/CMD+Z即可恢复该内容。

· 如果需要恢复整个删除的单元格，按ESC+Z 或者EDIT > Undo Delete Cells即可。

留言点赞关注

我们一起分享AI学习与发展的干货

读者福利：知道你对Python感兴趣，便准备了这套python学习资料

对于0基础小白入门：

如果你是零基础小白，想快速入门Python是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面还可以找到适合自己的学习方案

包括：Python永久使用安装包、Python web开发，Python爬虫，Python数据分析，人工智能、机器学习等学习教程。带你从零基础系统性的学好Python！

零基础Python学习资源介绍

10个Python简单技巧，让数据分析速度加快不止一倍（附零基础学习资料）相关推荐

【量化干货】用python搭建量化交易策略（附零基础学习资料）
前言技术已成为金融行业中的战略资产.而传统的金融机构现在正在转型成为科技公司,而不仅仅是专注于该领域的金融方面.(文末送读者福利) 数学算法带来了创新和速度,它们可以帮助我们在市场上获得竞争优势.金 ...
「github资料」40个Python可视化图表案例（附零基础学习资料）
前言数据可视化是数据科学中关键的一步.(文末为大家准备了学习资料) 在以图形方式表现某些数据时,Python能够提供很大的帮助. 不过有些小伙伴也会遇到不少问题,比如选择何种图表,以及如何制作,代码 ...
「github资料」40个Python可视化图表案例（附零基础学习资料）篇幅较长，建议收藏
前言数据可视化是数据科学中关键的一步.(文末为大家准备了学习资料) 在以图形方式表现某些数据时,Python能够提供很大的帮助. 不过有些小伙伴也会遇到不少问题,比如选择何种图表,以及如何制作,代码 ...
这个牛逼的Python模块，能让你轻松模拟并记录键盘操作（附零基础学习资料）
前言模拟键盘操作执行自动化任务,我们常用的有 pyautowin 等自动化操作模块.但是这些模块有一个很大的缺点,编译的时候非常依赖 windows 的C语言底层模块.(文末送福利) 今天介绍的这个 ...
Python自动生成手绘、证件照、九宫格...太炫酷了（附零基础学习资料）
前言 python像是叮当猫的口袋,几乎什么都能做,适合外行小白们去摸索学习,能极大的增加对编程的兴趣.(文末送福利) 有些工具用python来实现不一定是技术上的最优选择,但可能是最简洁.最面向大众 ...
python语言的单行注释以井号开头_推荐｜零基础学习Python基础知识
原标题:推荐|零基础学习Python基础知识 Python是一种面向对象.解释型计算机程序设计语言.语法简洁清晰,强制用空白符作为语句缩进. Python具有丰富和强大的库,又被称为胶水语言.能把其他 ...
分享一些我个人学习Python的一些学习建议（附Python零基础学习资料）
Python是1991年推出,是一个高层次的结合了解释性.编译性.互动性和面向对象的脚本语言,诞生之初定位是面向给系统管理,科研,教育和非程序员群体等使用的: 相比较其他语言,Python有简单易学. ...
一份超级详细的Python零基础学习资料（仅此一家，可能会被404抓紧收藏）
一.学习Python必备技能图谱二.0基础如何系统学习Python? 一.Python的普及入门 1.1 Python入门学习须知和书本配套学习建议 1.2 Python简史 1.3 Python的 ...
全套Python零基础学习资料，电子书整理好了，想要进行技术提升，转行的自取！
今天分享Python入门级宝典所有资料都是专业大佬总结整理出来的 Python的知识体系,从0开始学习Python看这一篇就够了! <Python入门思维导图> <看漫画学Pyth ...

10个Python简单技巧，让数据分析速度加快不止一倍（附零基础学习资料）

前言

1. 分析pandas数据框

2. 实现pandas 交互式绘图

3. 一些Magic

4. 发现并消除错误

5. 打印美观

6. 突出注释

7. 打印一个单元格的所有输出

8. 使用“i”选项运行python脚本

9. 自动注释代码

10. 删除容易恢复难

零基础Python学习资源介绍

10个Python简单技巧，让数据分析速度加快不止一倍（附零基础学习资料）相关推荐

最新文章

热门文章

10个Python简单技巧，让数据分析速度加快不止一倍（附零基础学习资料）

前言

1. 分析pandas数据框

2. 实现pandas 交互式绘图

3. 一些Magic

4. 发现并消除错误

5. 打印美观

6. 突出注释

7. 打印一个单元格的所有输出

8. 使用“i”选项运行python脚本

9. 自动注释代码

10. 删除容易恢复难

零基础Python学习资源介绍

insertAdIfNeeded();

10个Python简单技巧，让数据分析速度加快不止一倍（附零基础学习资料）相关推荐

最新文章

热门文章