简介：用于数据科学的 Python

章节概述

在本章中，你将首次接触 Python 和 Jupyter 笔记本——这是数据科学家最常用的工具之一。随后，你会初步了解本课程核心案例研究项目的数据集。你将开始建立对数据质量保障检查的直观理解，这些检查是建模前必不可少的步骤。到本章结束时，你将能够使用 pandas（Python 中处理表格数据最主流的包）进行探索性数据分析、质量检查和数据清洗。

大多数企业都拥有大量关于其运营和客户的数据。通过描述性的图表、图形和表格来呈现这些数据，有助于理解企业的当前状况。然而，若要为未来的业务策略和运营提供量化的指导，则需要更进一步。这时就需要用到机器学习和预测建模的方法。在本课程中，我们将展示如何从描述性分析过渡到对未来运营的具体建议，借助预测模型实现这一目标。

为了达成这一目标，我们将通过 Python 及其众多库介绍一些最广泛使用的机器学习工具。你还将了解成功实施项目所需的一些实践技能：分析数据时的好奇心，以及与客户的有效沟通。花时间细致地查看数据集，并批判性地评估其是否准确满足预期用途，是非常值得的投入。你将在本章学习多种评估数据质量的技术。

在本章中，我们首先熟悉用于数据探索的基本工具，然后讨论几种你可能接收数据的典型工作场景。接着，我们将深入探索案例研究的数据集，帮助你学会发现潜在问题，从而在进入建模阶段时更加自信。

用于数据科学的 Python

在本课程中，我们将使用 Python 编程语言。Python 是数据科学领域的主流语言之一，也是增长最快的编程语言之一。人们普遍认为 Python 易于学习，这是它受欢迎的重要原因。如果你已有 Python 经验，那非常好；即使你熟悉其他语言（如 C、Matlab 或 R），也应该能较快上手 Python。为了更好地学习本课程，你应该具备计算机编程的基本概念基础，例如控制程序流程的 for 循环和 if 条件语句。无论你之前使用何种语言，这类结构都很常见，而在 Python 中也同样存在。

Python 与其他一些语言的一个关键区别在于它是“零索引”的：也就是说，有序集合的第一个元素的索引为 0。Python 还支持负索引，其中索引 -1 表示有序集合的最后一个元素，负数索引从末尾向前计数。切片操作符 : 可用于选取有序集合中某个范围内的多个元素，可以是从开头或结尾开始的一段。

索引与切片操作符

下面我们演示索引和切片操作符的使用方式。为了有对象可供索引，我们将创建一个列表（list），这是一种可包含任意类型数据（包括数值和字符串）的可变有序集合。“可变”意味着列表中的元素在赋值后仍可被修改。为了生成列表中的数字（连续整数），我们将使用内置的 range() 函数。严格来说，range() 函数生成的是一个迭代器，需通过 list() 函数转换为列表，但此处无需深究这一细节。

以下 Python 命令展示了如何打印前五个正整数的列表，执行若干索引操作，并将列表的第一个元素更改为另一种数据类型的值：

1>>> example_list = list(range(1,6))
2>>> example_list
3[1, 2, 3, 4, 5]
4>>> example_list[0]
51
6>>> example_list[-1]
75
8>>> example_list[-2]
94
10>>> example_list[:3]
11[1, 2, 3]
12>>> example_list[0] = 'a string'
13>>> example_list
14['a string', 2, 3, 4, 5]

你可以通过运行上述代码来练习列表和索引操作。可在下方终端中执行这些代码。

需要注意的是：无论是切片操作还是 range() 函数，区间都是“左闭右开”的。换句话说，当你指定 range() 的起始和终止点时，起始点 1 包含在结果中，而终止点 6 不包含。类似地，在使用切片 [:3] 对列表进行索引时，包含索引从 0 到 2 的元素，不包含索引为 3 的元素。

我们提到了“有序集合”，但 Python 也支持无序集合。其中一种重要类型是字典（dictionary）。字典是一种无序的键/值对集合。你不再通过整数索引来查找字典中的值，而是通过键（可以是数字或字符串）进行查找。字典使用花括号 {} 创建，键值对之间用逗号分隔。以下命令展示了如何创建一个记录水果数量的字典：先查看苹果的数量，然后添加一种新水果及其数量：

1>>> example_dict = {'apples':5, 'oranges':8}
2>>> example_dict['apples']
35
4>>> example_dict['bananas'] = 13
5>>> example_dict
6{'apples':5, 'oranges':8, 'bananas':13}

Python 还有许多其他独特特性，这里仅作简要介绍，不深入细节。实际上，在 Python 中处理数据时，你大概率会使用像 pandas (pandas) 和 NumPy (numpy) 这样的第三方包。NumPy 提供了对数组和矩阵的高效数值计算能力，而 pandas 则提供了丰富的数据整理和探索功能，作用对象是被称为DataFrame的表格型数据结构。不过，了解一些 Python 基础知识仍然很重要，毕竟它是所有这些工具的基础。例如，NumPy 和 pandas 中的索引机制与原生 Python 是一致的。

Python 的一大优势在于它是开源的，并拥有活跃的开发者社区，不断推出强大的工具。本课程将使用其中多个工具。但来自不同开发者的开源包也可能带来依赖关系的问题。例如，安装 pandas 时可能依赖特定版本的 NumPy，而该版本你可能尚未安装。包管理系统在此方面大大简化了工作：当你通过包管理器安装新包时，系统会自动确保所有依赖项都被满足；若不满足，会提示你升级或安装必要的新包。