最近，Analysis with Programming加入了Planet Python。作為該網站的首批特約博客，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

這是很關鍵的一步，為了后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：

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。

數據變換

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：

對R語言程序員來說，上述操作等價于通過print(head(df))來打印數據的前6行，以及通過print(tail(df))來打印數據的后6行。當然Python中，默認打印是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)，打印數據尾部也是同樣道理。

在R語言中，數據列和行的名字通過colnames和rownames來分別進行提取。在Python中，我們則使用columns和index屬性來提取，如下：

數據轉置使用T方法，

其他變換，例如排序就是用sort屬性。現在我們提取特定的某列數據。Python中，可以使用iloc或者ix屬性。但是我更喜歡用ix，因為它更穩定一些。假設我們需數據第一列的前5行，我們有：

順便提一下，Python的索引是從0開始而非1。為了取出從11到20行的前3列數據，我們有：

上述命令相當于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

為了舍棄數據中的列，這里是列1(Apayao)和列2(Benguet)，我們使用drop屬性，如下：

axis 參數告訴函數到底舍棄列還是行。如果axis等于0，那么就舍棄行。

統計描述

下一步就是通過describe屬性，對數據的統計特性進行描述：

假設檢驗

Python有一個很好的統計推斷包。那就是scipy里面的stats。ttest_1samp實現了單樣本t檢驗。因此，如果我們想檢驗數據Abra列的稻谷產量均值，通過零假設，這里我們假定總體稻谷產量均值為15000，我們有：

返回下述值組成的元祖：

    t : 浮點或數組類型
    t統計量
    prob : 浮點或數組類型
    two-tailed p-value 雙側概率值

通過上面的輸出，看到p值是0.267遠大于α等于0.05，因此沒有充分的證據說平均稻谷產量不是150000。將這個檢驗應用到所有的變量，同樣假設均值為15000，我們有：

第一個數組是t統計量，第二個數組則是相應的p值。

可視化

Python中有許多可視化模塊，最流行的當屬matpalotlib庫。稍加提及，我們也可選擇bokeh和seaborn模塊。之前的博文中，我已經說明了matplotlib庫中的盒須圖模塊功能。

現在，我們可以用pandas模塊中集成R的ggplot主題來美化圖表。要使用ggplot，我們只需要在上述代碼中多加一行，

這樣我們就得到如下圖表：

比matplotlib.pyplot主題簡潔太多。但是在本博文中，我更愿意引入seaborn模塊，該模塊是一個統計數據可視化庫。因此我們有：

多性感的盒式圖，繼續往下看。

創建自定義函數

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：

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語言中使用大括號{…}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u=3和o.
    基于95%的置信度，計算 x_bar 和 x_bar2 ;
    重復100次; 然后
    計算出置信區間包含真實均值的百分比

Python中，程序如下：

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。