python透視表

1. 想學習數據分析，有哪些書籍或資料參考學習

入門數據分析類
師父領進門，修行在個人。下面這兩本書是入門數據分析必看的書籍，也是檢驗自己是否真的喜歡數據分析。
從0到1:《深入淺出數據分析》
為什麼是它？借用一位讀者的評價「我家的貓都喜歡這本書！」

01 內容簡介
以類似「章回小說」的活潑形式，生動地向讀者展現優秀的數據分析人員應知應會的技術；正文以後，意猶未盡地以三篇附錄介紹數據分析十大要務、R工具及ToolPak工具，在充分展現目標知識以外，為讀者搭建了走向深入研究的橋梁。
02 推薦理由
書名已經很好地表現出了這本書的優點——「深入淺出」。忘記煩惱，這本書與現實世界緊密互動，讓你不再只有枯燥的理論，並且將知識圖形化，復雜的概念簡單化。
經典小黃書：《誰說菜鳥不會數據分析》
是本很好的書，但看過之後，這本書就真一文不值了。

01 內容簡介
很多人看到數據分析就望而卻步，擔心門檻高，無法邁入數據分析的門檻。《誰說菜鳥不會數據分析》努力將數據分析寫成像小說一樣通俗易懂，使讀者可以在無形之中學會數據分析,按照數據分析工作的完整流程來講解。
02 推薦理由
數據分析的入門極品，但真的很入門,優缺兼有。對於入門理解來說是絕佳選擇,對之後的修煉還是不夠的。建議之前全都是自己瞎摸瞎撞搞數據分析的同學進行閱讀，頗有醍醐灌頂之感。
分析工具類

與數據分析相關的工具非常之多，我們常用的有Excel、PPT、SQL等。如果您想精通他們，直接在嗶哩嗶哩搜索聚數雲海，即可找到相關優質課程。
1.Excel
大家常說的Excel，但是不要以為你很會Excel！Excel是所有職場人必備的辦公軟體。Excel功能非常強大，在數據量不是很大的情況下，基本上都能用Excel實現數據分析。推薦如下書籍：
《Excel高效辦公數據處理與分析》

01 內容簡介
根據現代企業決策和管理工作的主要特點，從實際應用出發，介紹了Excel強大的數據處理與分析功能在企業決策和管理工作中的具體應用。
02 推薦理由
本書同時提供了大量需要你做的實例，學而不練是不存在的！
《別怕，Excel函數其實很簡單》

01 內容簡介
《別怕，Excel 函數其實很簡單》用淺顯易懂的圖文、生動形象的比喻以及大量實際工作中的經典案例，介紹了Excel最常用的一部分函數的計算原理和應用技巧,還介紹了數據的科學管理方法，以避免從數據源頭就產生問題。
02 推薦理由
適合希望提高辦公效率的職場人士，特別是經常需要處理分析大量數據並製作統計報表的相關人員，以及相關專業的高校師生閱讀,小白需謹慎！
2. SQL
SQL是數據分析的基礎，是想要學會數據分析能力的必備技能。那這里我只給大家介紹三本書，第一本書零基礎入門，第二是進階，第三本是SQL中的字典，話不多說，我們直接上架。
《SQL基礎教程》

01 推薦理由
介紹了關系資料庫以及用來操作關系資料庫的SQL語言的使用方法。書中通過豐富的圖示、大量示常式序和詳實的操作步驟說明，讓讀者循序漸進地掌握SQL的基礎知識和使用技巧，切實提高編程能力。每章結尾設置有練習題，幫助讀者檢驗對各章內容的理解程度。另外，本書還將重要知識點總結為「法則」，方便讀者隨時查閱。
本書107張圖表+209段代碼+88個法則，是零基礎進階人士必備！
SQL進階：《SQL進階教程》

01 推薦理由
本書是為志在向中級進階的資料庫工程師編寫的一本SQL技能提升指南。全書可分為兩部分，第一部分介紹了SQL語言不同尋常的使用技巧，帶領讀者從SQL常見技術，去探索新發現。旨在幫助讀者提升編程水平；第二部分著重介紹關系資料庫的發展史，把實踐與理論結合起來，旨在幫助讀者加深對關系資料庫和SQL語言的理解。
本書不適合小白！適合具有半年以上SQL使用經驗、已掌握SQL基礎知識和技能、希望提升自己編程水平的讀者閱讀。
SQL輔導書籍

01 推薦理由
本書是麻省理工學院、伊利諾伊大學等眾多大學的參考教材，由淺入深地講解了SQL的內容，實例豐富，便於查閱。本書沒有過多闡述資料庫基礎理論，而是專門針對一線軟體開發人員，直接從SQL SELECT開始，講述實際工作環境中最常用和最必需的SQL知識，實用性極強。
有一定SQL基礎的人士可以將它當做一本字典使用，遇到問題可以查找相應內用。
3.python
「人生苦短，我用Python」。Python編程語言是最容易學習,並且功能強大的語言。但是很多人聲稱自己精通Python,自己卻寫不出Pythonic的代碼，對很多常用的包不是很了解。萬丈高樓平地起，咱們先從Python中最最基礎的開始。
《Python編程，從入門到實踐》

01 推薦理由
本書最大的特點就是零基礎完全不懂編程的小白也能夠學習，新手想學習選它絕對錯不了。知識點由淺入深循循漸進，並配有視頻教程手把手教學,同時所需的軟體也是免費的。本書也配有相關輔導書籍，有興趣的話可以去看看，但是請記住，這本書是最核心的。
《利用Python進行數據分析》

01 推薦理由
不像別的編程書一樣，從盤古開天闢地開始講起。這本書是直接應用到數據分析的，所以很多在數據分析上應用不那麼頻繁的模塊也就沒有講。
本書第二版針對Python 3.6進行了更新，並增加實際案例向你展示如何高效地解決一系列數據分析問題。你將在閱讀過程中學習到新版本的pandas、NumPy、IPython和Jupyter。
4.R語言
R是用於統計分析、繪圖的語言和操作環境。但是R是有一定難度的，沒有基礎的話請謹慎嘗試！推薦書籍：
《R語言入門與實踐》

01 推薦理由
本書通過三個精心挑選的例子，深入淺出地講解如何使用R語言玩轉數據。將數據科學家必需的專業技能融合其中，教會讀者如何將數據存儲到計算機內存中，如何在必要的時候轉換內存中的數據值，如何用R編寫自己的程序並將其用於數據分析和模擬運行。
案例提升類

《活用數據：驅動業務的數據分析實戰》

01 推薦理由
是一本用數據來幫助企業破解業務難題的實操書，有理論、有方法、有實戰案例。具有業務驅動、案例閉環、思維先導、實戰還原4大特色，同時在思路上清晰連貫，在表達上深入淺出，既能幫助數據分析從業者入門和提升，也能輔助企業各業務部門和各級管理人員做量化決策。
《精益數據分析》
01 推薦理由
本書展示了如何驗證自己的設想、找到真正的客戶、打造能賺錢的產品，以及提升企業知名度。30多個案例分析，全球100多位知名企業家的真知灼見，為你呈現來之不易、經過實踐檢驗的創業心得和寶貴經驗，值得每位創業家和企業家一讀。

2. 分析excel和python在處理數據時各自的優劣點

兩者都是數據分析處理工具，excel上手簡單，操作界面人性化，小批量數據處理神器；
python需要點編程基礎，安裝步驟、導入庫、編譯器、語法讓很多人不懂了，但它在擴展性強，存在大量外部擴展庫，什麼批量合並excel工作簿、批量發送郵件、自動化生成報表之類，雖然這些excel都可以，但涉及到VB語言，遠不及python語法簡單；但是如果一份幾百條數據，需要統計一個結果，excel插入透視表，分類匯總兩步搞定，你非要用python，先是導入pandas/numpy,又是xlrd，接著又是groupby，一頓操作猛如虎，看著十分高大上，人家excel2秒鍾早已搞定；
數據處理：兩者都很熟練的情況下，不考慮數據數量，基本平分秋色，excel成熟體系的快捷鍵、功能；python豐富的各類外部庫；
數據分析：這個的話excel雖然有規劃求解、方差分析、T檢驗之類的工具，但是你要搞個k-mean聚類、決策樹之類的，excel是不行的，還有就是處理數據級與運行效率的問題，excel單表100W，能處理得差不多就二三十萬，多了就卡死了，python就不存在這個問題。
總而言之，公司日常報表，財務類、考勤類、部門小組業績類，這些基本excel就可以搞定，但你要搞大數據分析，隨隨便便幾百萬條數據，excel表示心有餘而力不足。

3. python處理EXCEL數據

能提供一個樣例文件或截個圖看下具體是怎樣的格式

4. 如何使用python製作excel透視曲線圖

Excel功能之強大，每個人都會用到。你還在為怎麼做數據表煩惱么。Excel高版本自帶的數據圖表可以滿足一般需求，這就是高版本的好處自帶很多實用功能減輕繁重的工作。本文就2010版本的數據視圖做個簡單的功能介紹，製作一個孩子的各科目每年學習成績曲線圖
開啟分步閱讀模式
工具材料：
excel2010
操作方法
01
數據源，先做好每年孩子各科目學習成績的記錄

02
數據透視圖，首先要選擇數據，然後點擊『插入』-》數據透視表-》數據透視圖

03
選擇必要選項，在彈出的對話框中，有兩個選項供選擇，一個是數據源（可以選擇外部數據源，默認是當前選中的數據），一個是視圖要顯示的位置，可以在當前的表中呈現，也可以在另外一個sheet中展現。一般情況下我是在當前工作表中呈現，直觀，方便。

04
報錯，如果選擇了『現有工作表』，但是『位置』里為空，這樣直接確定是會報錯的，因為你還么有選擇圖標要顯示的位置。

05
選擇需要展示的數據，剛才選擇的數據源列都在上面提現出來了，現在是要選擇數據視圖展示的內容。我們來選擇科目、時間、成績。

06
橫軸、縱軸調整，圖1位置是我們所謂的X軸，圖2是我們要顯示的幾個內容，圖3是顯示的Y軸數值。

07
選擇圖標樣式，步驟6完成之後，默認是柱狀圖，但是這個不直觀，我想要的是曲線走勢圖，所以可以改變下顯示的樣式，

08
完美走勢圖，看曲線就可以知道小朋友數學、音樂成績在不斷提高，英語成績波動不大，語文成績在下滑。

5. 為什麼Python openxlsx寫入EXCEL表格會靠左的數據透視表還無法識別

1，python不熟，按道理在輸出數據的時候應當是可以設定輸出值的格式的；
2，就目前你這個情況，選定時間值所在的列，數據——分列（這里啥都別點，直接點完菜）。

6. python 實現excel透視表功能

發問前要善於使用搜索，大部分問題可能已經有了答案（有的甚至很精彩）。發問時要善於使用附件，多少文字描述也不如來個樣表能說明問題。

7. 如何用Python進行大數據挖掘和分析

如何用Python進行大數據挖掘和分析？快速入門路徑圖
大數據無處不在。在時下這個年代，不管你喜歡與否，在運營一個成功的商業的過程中都有可能會遇到它。
什麼是 大數據 ？
大數據就像它看起來那樣——有大量的數據。單獨而言，你能從單一的數據獲取的洞見窮其有限。但是結合復雜數學模型以及強大計算能力的TB級數據，卻能創造出人類無法製造的洞見。大數據分析提供給商業的價值是無形的，並且每天都在超越人類的能力。
大數據分析的第一步就是要收集數據本身，也就是眾所周知的「數據挖掘」。大部分的企業處理著GB級的數據，這些數據有用戶數據、產品數據和地理位置數據。今天，我將會帶著大家一起探索如何用 Python 進行大數據挖掘和分析？
為什麼選擇Python?
Python最大的優點就是簡單易用。這個語言有著直觀的語法並且還是個強大的多用途語言。這一點在大數據分析環境中很重要，並且許多企業內部已經在使用Python了，比如Google，YouTube，迪士尼等。還有，Python是開源的，並且有很多用於數據科學的類庫。
現在，如果你真的要用Python進行大數據分析的話，毫無疑問你需要了解Python的語法，理解正則表達式，知道什麼是元組、字元串、字典、字典推導式、列表和列表推導式——這只是開始。
數據分析流程
一般可以按「數據獲取-數據存儲與提取-數據預處理-數據建模與分析-數據可視化」這樣的步驟來實施一個數據分析項目。按照這個流程，每個部分需要掌握的細分知識點如下：
數據獲取：公開數據、Python爬蟲
外部數據的獲取方式主要有以下兩種。
第一種是獲取外部的公開數據集，一些科研機構、企業、政府會開放一些數據，你需要到特定的網站去下載這些數據。這些數據集通常比較完善、質量相對較高。
另一種獲取外部數據的方式就是爬蟲。
比如你可以通過爬蟲獲取招聘網站某一職位的招聘信息，爬取租房網站上某城市的租房信息，爬取豆瓣評分評分最高的電影列表，獲取知乎點贊排行、網易雲音樂評論排行列表。基於互聯網爬取的數據，你可以對某個行業、某種人群進行分析。
在爬蟲之前你需要先了解一些 Python 的基礎知識：元素（列表、字典、元組等）、變數、循環、函數………
以及，如何用 Python 庫（urllib、BeautifulSoup、requests、scrapy）實現網頁爬蟲。
掌握基礎的爬蟲之後，你還需要一些高級技巧，比如正則表達式、使用cookie信息、模擬用戶登錄、抓包分析、搭建代理池等等，來應對不同網站的反爬蟲限制。
數據存取：SQL語言
在應對萬以內的數據的時候，Excel對於一般的分析沒有問題，一旦數據量大，就會力不從心，資料庫就能夠很好地解決這個問題。而且大多數的企業，都會以SQL的形式來存儲數據。
SQL作為最經典的資料庫工具，為海量數據的存儲與管理提供可能，並且使數據的提取的效率大大提升。你需要掌握以下技能：
提取特定情況下的數據
資料庫的增、刪、查、改
數據的分組聚合、如何建立多個表之間的聯系
數據預處理：Python（pandas）
很多時候我們拿到的數據是不幹凈的，數據的重復、缺失、異常值等等，這時候就需要進行數據的清洗，把這些影響分析的數據處理好，才能獲得更加精確地分析結果。
對於數據預處理，學會 pandas （Python包）的用法，應對一般的數據清洗就完全沒問題了。需要掌握的知識點如下：
選擇：數據訪問
缺失值處理：對缺失數據行進行刪除或填充
重復值處理：重復值的判斷與刪除
異常值處理：清除不必要的空格和極端、異常數據
相關操作：描述性統計、Apply、直方圖等
合並：符合各種邏輯關系的合並操作
分組：數據劃分、分別執行函數、數據重組
Reshaping：快速生成數據透視表
概率論及統計學知識
需要掌握的知識點如下：
基本統計量：均值、中位數、眾數、百分位數、極值等
其他描述性統計量：偏度、方差、標准差、顯著性等
其他統計知識：總體和樣本、參數和統計量、ErrorBar
概率分布與假設檢驗：各種分布、假設檢驗流程
其他概率論知識：條件概率、貝葉斯等
有了統計學的基本知識，你就可以用這些統計量做基本的分析了。你可以使用 Seaborn、matplotlib 等（python包）做一些可視化的分析，通過各種可視化統計圖，並得出具有指導意義的結果。
Python 數據分析
掌握回歸分析的方法，通過線性回歸和邏輯回歸，其實你就可以對大多數的數據進行回歸分析，並得出相對精確地結論。這部分需要掌握的知識點如下：
回歸分析：線性回歸、邏輯回歸
基本的分類演算法：決策樹、隨機森林……
基本的聚類演算法：k-means……
特徵工程基礎：如何用特徵選擇優化模型
調參方法：如何調節參數優化模型
Python 數據分析包：scipy、numpy、scikit-learn等
在數據分析的這個階段，重點了解回歸分析的方法，大多數的問題可以得以解決，利用描述性的統計分析和回歸分析，你完全可以得到一個不錯的分析結論。
當然，隨著你實踐量的增多，可能會遇到一些復雜的問題，你就可能需要去了解一些更高級的演算法：分類、聚類。
然後你會知道面對不同類型的問題的時候更適合用哪種演算法模型，對於模型的優化，你需要去了解如何通過特徵提取、參數調節來提升預測的精度。
你可以通過 Python 中的 scikit-learn 庫來實現數據分析、數據挖掘建模和分析的全過程。
總結
其實做數據挖掘不是夢，5步就能讓你成為一個Python爬蟲高手!

8. python數據分析需要學習哪些內容

1.統計基礎
理工科的學生在本科階段學習過概率論與數理統計，單從做數據分析的角度已經夠用。其他方面，可以根據需要查看相關書籍，隨時進行查漏補缺即可。個人推薦《深入淺出統計學》，可以讓統計理論的學習有趣又自然。
2.資料庫知識
關系型資料庫很重要。在學習數據分析的初期甚至很長一段時間，你接觸到的數據都存儲在關系型資料庫中，需要學習SQL語言進行數據查詢。關於SQL語言，強力推薦《SQL必知必會》，整本書通俗易懂，是學習SQL語言的不二之選。
學習資料庫的本質就是在學習一種與數據打交道的邏輯思維與能力。編程中的很多思想都和關系型資料庫、SQL相通，比如：SQL中對data進行group by的操作，這個在Excel里類似於透視表，在Python/R中也有相應的group function去處理數據。甚至在以後的進階過程，你會接觸到分布式資料庫和所對應的no-SQL語句。
3.編程能力
Excel。 透視表(Pivot Table)是做數據分析的必備技能。透視表可以幫你迅速匯總數據，看到各類型數據的直觀特徵就像是讓你站在更高的視角看待數據。作為進階，Excel自帶的函數、各種插件，以及VBA也是很好的工具。

9. python數據分析師需要掌握什麼技能

首先是基礎篇
1、首先是Excel，貌似這個很簡單，其實未必。Excel不僅能夠做簡單二維表、復雜嵌套表，能畫折線圖/Column chart/Bar chart/Area chart/餅圖/雷達圖/Combo char/散點圖/Win Loss圖等，而且能實現更高級的功能，包括透視表（類似於BI的多維分析模型Cube），以及Vlookup等復雜函數，處理100萬條以內的數據沒有大問題。最後，很多更高級的工具都有Excel插件，例如一些AI Machine Learning的開發工具。
2. SQL（資料庫）

我們都知道數據分析師每天都會處理海量的數據，這些數據來源於資料庫，那麼怎麼從資料庫取數據？如何建立兩表、三表之間的關系？怎麼取到自己想要的特定的數據？等等這些數據選擇問題就是你首要考慮的問題，而這些問題都是通過SQL解決的，所以SQL是數據分析的最基礎的技能。
3. 統計學基礎
數據分析的前提要對數據有感知，數據如何收集？數據整體分布是怎樣的？如果有時間維度的話隨著時間的變化是怎樣的？數據的平均值是什麼？數據的最大值最小值指什麼？數據相關與回歸、時間序列分析和預測等等。
4、掌握可視化工具，比如BI，如Cognos/Tableau/FineBI等，具體看企業用什麼工具，像我之前用的是FineBI。這些工具做可視化非常方便，特別是分析報告能含這些圖，一定會吸引高層領導的眼球，一目瞭然了解，洞察業務的本質。另外，作為專業的分析師，用多維分析模型Cube能夠方便地自定義報表，效率大大提升。
進階階段需要掌握的：

1、系統的學好統計學
純粹的機器學習講究演算法預測能力和實現，但是統計一直就強調「可解釋性」。比如說，針對今天微博股票發行就上升20%，你把你的兩個預測股票上漲還是下跌的model套在新浪的例子上，然後給你的上司看。統計學就是這樣的作用。
數據挖掘相關的統計方法（多元Logistic回歸分析、非線性回歸分析、判別分析等）
定量方法（時間軸分析、概率模型、優化）
決策分析（多目的決策分析、決策樹、影響圖、敏感性分析）
樹立競爭優勢的分析（通過項目和成功案例學習基本的分析理念）
資料庫入門（數據模型、資料庫設計）
預測分析（時間軸分析、主成分分析、非參數回歸、統計流程式控制制）
數據管理（ETL（Extract、Transform、Load）、數據治理、管理責任、元數據）
優化與啟發（整數計劃法、非線性計劃法、局部探索法、超啟發（模擬退火、遺傳演算法））
大數據分析（非結構化數據概念的學習、MapRece技術、大數據分析方法）
數據挖掘（聚類（k-means法、分割法）、關聯性規則、因子分析、存活時間分析）
其他，以下任選兩門（社交網路、文本分析、Web分析、財務分析、服務業中的分析、能源、健康醫療、供應鏈管理、綜合營銷溝通中的概率模型）
風險分析與運營分析的計算機模擬
軟體層面的分析學（組織層面的分析課題、IT與業務用戶、變革管理、數據課題、結果的展現與傳達方法）
2、掌握AI Machine Learning演算法，會用工具（比如Python/R）進行建模。
傳統的BI分析能回答過去發生了什麼？現在正在發生什麼？但對於未來會發生什麼？必須靠演算法。雖然像Tableau、FineBI等自助式BI已經內置了一部分分析模型，但是分析師想要更全面更深度的探索，需要像Python/R的數據挖掘工具。另外大數據之間隱藏的關系，靠傳統工具人工分析是不可能做到的，這時候交由演算法去實現，無疑會有更多的驚喜。
其中，面向統計分析的開源編程語言及其運行環境「R」備受矚目。R的強項不僅在於其包含了豐富的統計分析庫，而且具備將結果進行可視化的高品質圖表生成功能，並可以通過簡單的命令來運行。此外，它還具備稱為CRAN（The Comprehensive R Archive Network）的包擴展機制，通過導入擴展包就可以使用標准狀態下所不支持的函數和數據集。R語言雖然功能強大，但是學習曲線較為陡峭，個人建議從python入手，擁有豐富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。
以上我的回答希望對你有所幫助

10. python(pandas模塊)

1.什麼是pandas? numpy模塊和pandas模塊都是用於處理數據的模塊。 numpy主要用於針對數組進行統計計算,處理數字數據比較方便。 pandas除了可以處理數字數據,還可...