使用Python加速数据分析的10个简单技巧分别是什么

这期内容当中小编将会给大家带来有关使用python加速数据分析的10个简单技巧分别是什么，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

提示和技巧，尤其是在编程领域，可能是非常有用的。有时，一个小技巧可以节省时间和生命。一个小的快捷方式或附加组件有时会被证明是天赐之物，并能真正提高生产力。因此，下面是我最喜欢的一些提示和技巧，我将它们以本文的形式一起使用和编译。有些可能是我们相当熟悉的，有些可能是新的，但我确信它们将在你下一次处理数据分析项目时派上用场。

1.分析pandas数据帧

Profiling(分析)是一个帮助我们理解数据的过程，而pandas Profiling就是执行这一过程的Python包。这是一种对Pandas  Dataframe(数据帧)进行探索性数据分析的简便、快速的方法。Pandas的df.describe()和df.info()函数通常用作EDA过程的第一步。但是，它只提供了一个非常基本的数据概览，对于大型数据集的情况并没有多大帮助。另一方面，Pandas  Profiling(分析)函数使用df.profile_report()对pandas数据帧进行了扩展，以便快速进行数据分析。它用一行代码显示了很多信息，在交互式html报告中也是如此。

对于一个给定的数据集，pandas profiling(分析)包会计算以下统计数据：

Pandas Profiling 包计算出的统计数据。

安装

用法

我们来使用古老的titanic数据集来演示多功能python分析器的功能。

编者注：本文发布一周后，Pandas-Profiling发布了一个重大的升级版本——2.0.0。语法发生了一些变化，事实上，它的功能已经包含在pandas本身中了，并且报告也变得更加全面。下面是最新的用法语法：

Usage

要在 Jupyter notebook中显示报告，请运行以下代码：

你只需要这一行代码就可以在一个Jupyter notebook中显示数据分析报告。报告非常详细，包括了必要的图表。

你也可以使用以下代码将这个报告输出到一个交互式HTML文件中。

2.为pandas 图表带来交互性

Pandas有一个内置的.plot()函数，它是DataFrame类的一部分。然而，使用该函数呈现的可视化效果并不具有交互性，这使得它的吸引力降低。相反，也不能排除使用pandas.  datafram  .plot()函数绘制图表的方便性。如果我们不需要对代码进行重大修改，就可以使用pandas绘制出像plotly那样的交互式图表，那会怎么样呢?实际上，你可以使用Cufflinks库做到这一点。

Cufflinks库结合了plotly的强大功能和pandas的灵活性，便于轻松绘图。现在我们来看看如何安装这个库并让它在pandas中运行。

安装

用法

是时候看看使用Titanic数据集展开的神奇之处了。

df.iplot() 对比 df.plot()

右边的可视化显示的是静态图表，而左边的图表是交互式的，并且更加详细，所有这些都没有对语法进行任何重大更改。

3. 一点魔法

魔法命令是Jupyter  Notebook中的一组方便的函数，旨在解决标准数据分析中的一些常见问题。你可以通过%lsmagic命令来查看所有可用的魔法命令。

所有可用魔法函数的列表

魔法命令有两种类型: line magics(行魔法)和cell  magics(单元魔法)，前者以单个%字符作为前缀，并在一行输入上进行操作;后者与两个%%前缀关联，并在多行输入上进行操作。如果将魔法函数的选项设置为1时，不需要键入初始%就可调用它。

我们来看看在常见的数据分析任务中可能有用的一些魔法函数：

% pastebin

%pastebin将代码上传到Pastebin并返回其url。Pastebin是一个在线内容托管服务，我们可以在其中存储纯文本，如源代码片段，然后可以将url与他人共享。事实上，GitHub  GISt也类似于Pastebin，尽管它有版本控制。

我们假设有一个包含以下内容的python脚本file.py：

在Jupyter Notebook中使用%pastebin生成一个pastebin的url地址。

%matplotlib notebook

%matplotlib inline函数用于在Jupyter  notebook中呈现静态matplotlib绘图。尝试用notebook替换inline部分，你就可以轻松获得可缩放和可调整大小的绘图。确保在导入matplotlib库之前调用该函数。

%matplotlib inline 对比 %matplotlib notebook

%run

%run函数会在一个notebook中运行一个python脚本。

%%writefile

%%writefile 会将单元格的内容写入文件。这里的代码将被写入一个名为foo.py的文件，并保存在当前目录中。

%%latex

%%latex函数会将单元格的内容呈现为LaTeX。它对在单元格中编写数学公式和方程很有用。

4.发现和消除错误

Interactive  debugger(交互式调试器)也是一个magic函数，但是我已经将它单独归为一类。如果在运行代码单元格时出现异常，请在一个新行中键入%debug并运行它。这会打开一个交互式调试环境，它会将你带到异常发生的位置。你还可以检查程序中分配的变量的值，并在这里执行操作。要退出这个调试器，请按q。

5. 打印输出也可以很漂亮

如果你想为你的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。我们来看一个同时使用print和pprint显示输出的例子。

6. 让注释突出显示。

我们可以在Jupyter  Notebook中使用信息提示/备注框来醒目显示一些重要的或任何需要突出的东西。注释的颜色取决于你指定的提示类型。你只需在需要高亮显示的单元格中添加以下任何或所有代码即可。

蓝色信息提示框: 信息

黄色信息提示框: 警告

绿色提示框: 成功

红色提示框: 危险

7.打印一个单元格中的所有输出

假设有一个含有以下代码行的Jupyter Notebook单元格：

只打印最后一个输出是单元格的一个正常属性，而对于其他输出，我们需要添加print()函数。事实上，我们只要在notebook的顶部添加以下代码片段，就可以打印出所有输出。

现在所有的输出一个接一个的被打印出。

还原到原始设置：

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。但是，如果你在运行相同的脚本时添加一个附加的-i，例如python -i  hello.py，它会提供更多的优点。我们来一探究竟。

首先，一旦程序结束，python并不会退出解释器。因此，我们可以检查变量的值和程序中定义的函数的正确性。

其次，我们可以很容易地使用以下代码调用python调试器，因为我们仍然在解释器中：

这会将我们带到异常发生的位置，然后我们就可以处理代码。

这个技巧的初始来源。(Http://www.bnikolic.co.uk/blog/python-running-cline.html )

9.自动对代码进行注释

Ctrl/Cmd + / 会自动注释单元格中选定的行。再次敲击该组合键将取消对同一行代码的注释。

10.能删除是人，能恢复是神。

你是否曾经不小心删除了Jupyter Notebook中的一个单元格?如果是，那么这里有一个快捷方式可以撤消此删除操作。

• 如果你删除了一个单元格的内容，按CTRL/CMD+Z可以很容易地恢复它

• 如果你需要恢复一个全部删除的单元格，请点击ESC+Z或EDIT > Undo Delete Cells

结论

我列出了在使用Python和JupyterNotebook时收集到的主要技巧。

上述就是小编为大家分享的使用Python加速数据分析的10个简单技巧分别是什么了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注编程网Python频道。