python中的merge
❶ python兩個列表進行合並
A=[['A','A1'],['B','A2'],['C','A3'],['D','A4']]
B=[['A','B1'],['B','B2'],['C','B3'],['D','B4']]
C=[['A','C1'],['B','C2'],['C','C3'],['D','C4']]
D=[['A','D1'],['B','D2'],['C','D3'],['D','D4']]
arr=[A,B,C,D]
dic_all={x[0][0]:[y[1]foryinx]forxinzip(*arr)}
list_all=[[x[0][0]]+[y[1]foryinx]forxinzip(*arr)]
if__name__=='__main__':
print(list_all)
print(dic_all)
結果:
[['A','A1','B1','C1','D1'],['B','A2','B2','C2','D2'],['C','A3','B3','C3','D3'],['D','A4','B4','C4','D4']]
{'D':['A4','B4','C4','D4'],'A':['A1','B1','C1','D1'],'C':['A3','B3','C3','D3'],'B':['A2','B2','C2','D2']}
❷ python可以做數據分析，好處是什麼呢怎麼學習
鏈接：https://pan..com/s/1FJZAznKSbwv-X52AM7uSfg
煉數成金:Python數據分析。Python是一種面向對象、直譯式計算機程序設計語言。也是一種功能強大而完善的通用型語言，已經具有十多年的發展歷史，成熟且穩定。Python 具有腳本語言中最豐富和強大的類庫，足以支持絕大多數日常應用。 Python語法簡捷而清晰，具有豐富和強大的類庫。它常被昵稱為膠水語言，它能夠很輕松的把用其他語言製作的各種模塊（尤其是C/C++）輕松地聯結在一起。
課程將從Python的基本使用方法開始，一步步講解，從ETL到各種數據分析方法的使用，並結合實例，讓學員能從中借鑒學習。
課程目錄：
Python基礎
Python的概覽——Python的基本介紹、安裝與基本語法、變數類型與運算符
了解Python流程式控制制——條件、循環語句與其他語句
常用函數——函數的定義與使用方法、主要內置函數的介紹
.....
❸ Python數據分析師主要做什麼Python基礎
伴隨著大數據時代的到來，Python的熱度居高不下，已成為職場人士必備的技能，它不僅可以從事網路爬蟲、人工智慧、Web開發、游戲開發等工作，還是數據分析的首選語言。那麼問題來了，利用Python數據分析可以做什麼呢?簡單來講，可以做的事情有很多，具體如下。
第一、檢查數據表
Python中使用shape函數來查看數據表的維度，也就是行數和列數。你可以使用info函數查看數據表的整體信息，使用dtypes函數來返回數據格式。Lsnull是Python中檢查空置的函數，你可以對整個數據進行檢查，也可以單獨對某一列進行空置檢查，返回的結果是邏輯值，包括空置返回True，不包含則返回False。使用unique函數查看唯一值，使用Values函數用來查看數據表中的數值。
第二，數據表清洗
Python中處理空值的方法比較靈活，可以使用Dropna函數用來刪除數據表中包括空值的數據，也可以使用fillna函數對空值進行填充。Python中dtype是查看數據格式的函數，與之對應的是asstype函數，用來更改數據格式，Rename是更改名稱的函數，drop_plicate函數函數重復值，replace函數實現數據轉換。
第三，數據預處理
數據預處理是對清洗完的數據進行整理以便後期統計和分析工作，主要包括數據表的合並、排序、數值分列、數據分組以及標記等工作。在Python中可以使用merge函數對兩個數據表進行合並，合並的方式為inner，此外還有left、right和outer方式。使用ort_values函數和sort_index函數完成排序，使用where函數完成數據分組，使用split函數實現分列。
第四，數據提取
主要是使用三個函數：loc、iloc和ix，其中loc函數按標准值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取。除了按標簽和位置提取數據意外，還可以按照具體的條件進行提取。
第五，數據篩選匯總
Python中使用loc函數配合篩選條件來完成篩選功能，配合sum和count函數還能實現Excel中sumif和countif函數的功能。Python中使用的主要函數是groupby和pivot_table。
❹ 數據分析員用python做數據分析是怎麼回事，需要用到python中的那些內容，具體是怎麼操作的
最近，Analysis with Programming加入了Planet Python。我這里來分享一下如何通過Python來開始數據分析。具體內容如下：
數據導入
導入本地的或者web端的CSV文件；
數據變換；
數據統計描述；
假設檢驗
單樣本t檢驗；
可視化；
創建自定義函數。
數據導入
1
這是很關鍵的一步，為了後續的分析我們首先需要導入數據。通常來說，數據是CSV格式，就算不是，至少也可以轉換成CSV格式。在Python中，我們的操作如下：
import pandas as pd
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
# Reading data from web
data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"
df = pd.read_csv(data_url)
為了讀取本地CSV文件，我們需要pandas這個數據分析庫中的相應模塊。其中的read_csv函數能夠讀取本地和web數據。
1
既然在工作空間有了數據，接下來就是數據變換。統計學家和科學家們通常會在這一步移除分析中的非必要數據。我們先看看數據（下圖）
對R語言程序員來說，上述操作等價於通過print(head(df))來列印數據的前6行，以及通過print(tail(df))來列印數據的後6行。當然Python中，默認列印是5行，而R則是6行。因此R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，列印數據尾部也是同樣道理
9
plt.show(sns.lmplot("Benguet", "Ifugao", df))
在Python中，我們使用def函數來實現一個自定義函數。例如，如果我們要定義一個兩數相加的函數，如下即可：
def add_2int(x, y):
return x + y
print add_2int(2, 2)
# OUTPUT
4
順便說一下，Python中的縮進是很重要的。通過縮進來定義函數作用域，就像在R語言中使用大括弧{…}一樣。這有一個我們之前博文的例子：
產生10個正態分布樣本，其中和
基於95%的置信度，計算和;
重復100次; 然後
計算出置信區間包含真實均值的百分比
Python中，程序如下：
import numpy as np
import scipy.stats as ss
def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
m = np.zeros((rep, 4))
for i in range(rep):
norm = np.random.normal(loc = mu, scale = sigma, size = n)
xbar = np.mean(norm)
low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
if (mu > low) & (mu < up):
rem = 1
else:
rem = 0
m[i, :] = [xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
上述代碼讀起來很簡單，但是循環的時候就很慢了。下面針對上述代碼進行了改進，這多虧了Python專家
import numpy as np
import scipy.stats as ss
def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))
xbar = norm.mean(1)
low = xbar - scaled_crit
up = xbar + scaled_crit
rem = (mu > low) & (mu < up)
m = np.c_[xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
數據變換
創建自定義函數
❺ 在python中,如i=
1 #python ++i,-+i,+-i.--i
2
3 #Author : Hongten
4 #Mailto : [email protected]
5 #Blog : http://www.cnblogs.com/hongten
6 #QQ : 648719819
7 #Version : 1.0
8 #Create : 2013-08-30
9
10 #初始化所需列表
11 testA = []
12 testB = []
13 testC = []
14 testD = []
15 testE = []
16 testF = []
17 testG = []
18 testH = []
19
20 for a in range(-5, 5, 1):
21 testA.append(++(a)) #++a
22 testB.append(-+(a)) #-+a
23 testC.append(+-(a)) #+-a
24 testD.append(--(a)) #--a
25 testE.append(+(+(a))) #+(+a)
26 testF.append(-(+(a))) #-(+a)
27 testG.append(+(-(a))) #+(-a)
28 testH.append(-(-(a))) #-(-a)
29
30 print('++i : {}'.format(testA))
31 print('+(+i) : {}'.format(testE))
32 print('可以看出:++i和+(+i)輸出結果是一樣的，說明他們是等效的\n')
33 print('-+i : {}'.format(testB))
34 print('-(+i) : {}'.format(testF))
35 print('可以看出:-+i和-(+i)輸出結果是一樣的，說明他們是等效的\n')
36 print('+-i : {}'.format(testC))
37 print('+(-i) : {}'.format(testG))
38 print('可以看出:+-i和+(-i)輸出結果是一樣的，說明他們是等效的\n')
39 print('--i : {}'.format(testD))
40 print('-(-i) : {}'.format(testH))
41 print('可以看出:--i和-(-i)輸出結果是一樣的，說明他們是等效的\n')
42
43 test_plus = []
44 test_sub = []
45
46 #使用b += 1實現自增
47 for b in range(-5, 5, 1):
48 b += 1
49 test_plus.append(b)
50
51 #使用c -= 1實現自減
52 for c in range(-5, 5, 1):
53 c -= 1
54 test_sub.append(c)
55
56 print('#' * 50)
57 print('i += 1 : {}'.format(test_plus))
58 print('i -= 1 : {}'.format(test_sub))
59 print('我們可以使用：i += 1, i -= 1來實現遞增，遞減。')