这个问题大家都会遇到。学习数据科学的过程从来都不是一帆风顺的。在编写代码时，您是否经常要搜索相同的问题、相同的概念，甚至相同语法结构的相同特征？是的，你并不孤单。我也一直在为同样的情况而苦苦挣扎。虽然遇到问题搜索StackOverflow很正常，但是相对于掌握和理解语言特性来说，反复遇到问题+找找找会严重拖慢你的速度。如今，无穷无尽的免费资源无时无刻不在充斥着互联网，一搜就能找到。然而，对于初学者来说，这既是福也是祸。如果管理不当，过度依赖在线资源会导致不良习惯，从长远来看会影响您的成长。以我自己为例，我经常从许多内容相似的帖子中复制代码并使用它，而不是花时间和精力去学习和巩固所需的技术概念，以便下次自己编写所需的代码。这是一种懒惰的方法，虽然它在短期内看起来像是一种快速简便的方法来完成任务，但从长远来看，它会严重阻碍你的成长，破坏你的创造力，并从根本上动摇你回忆某些语法的能力特征。能力（这在技术面试中是致命的）。那我该如何解决呢？最近，我在做一个在线数据分析课程，叫做《数据科学和机器学习中的 Python 》。当发布前几个视频教程时，我被提醒在用Python进行数据分析时，我一直遗漏了一些重要的概念和语法。为了进一步巩固自己对这些概念的理解，也为了帮助大家节省每次上网搜索的时间，我在这里整理了一些自己在使用Python、NumPy和Pandas时遇到的常见小问题。希望对您有所帮助。01.只有一行代码的列表生成器如果每次生成列表都要写一个循环，是不是很烦？幸运的是，Python已经有一个内置的方法，只需要一行代码就可以解决这个问题。如果你不熟悉这个语法，可能会有点难以理解，但是一旦你习惯了这个技巧，你绝对不会爱不释手！GIF：如何将循环更改为列表生成器（来源：TreyHunner）上面的GIF是一个很好的例子。原来的代码是用for循环的方式生成列表，但是在图中一步一步，就变成了只有一行代码的列表生成方式，就不用再循环了。是不是很简洁？再举一个对比例子：使用循环：输出结果为[1,4,9,16]使用产生式：输出结果也为[1,4,9,16]02，Lambda表达式显然，这个函数不会用过几次。每次写一大串函数构造代码不累吗？别怕，Lambda表达式来拯救你！Lambda表达式可以轻松创建简单的、一次性使用的匿名函数对象。基本上，它们允许您使用函数而无需费心构造函数。Lambda表达式的基本语法是：欧莎汉化，优达学城出品。请记住，Lambda表达式创建的函数与普通def构建的函数没有区别，只是函数体只是一个单独的表达式。看看下面这个例子：输出是1003，Map和Filter函数一旦你掌握了Lambda表达式，将它们与map或filter函数一起使用是非常强大的。具体来说，map()函数接受一个列表和一个函数，该函数对列表中的每个元素调用一个函数，并将结果放入一个新列表中。在下面的例子中，map()函数遍历seq中的每一个元素，将其乘以2，将结果放入一个新的列表中，并返回这个列表。最外层list()函数将map()返回的对象转换成列表格式。输出结果为[2,4,6,8,10]和filter()函数略有不同。它接收一个列表和一个规则函数。为列表中的每个元素调用这个规则函数后，它把所有返回false的元素从列表中移除，并返回这个过滤后的子列表。输出为[3,4,5]04，arange和linspace函数为了快速方便地生成numpy数组，你必须熟悉arange()和linspace()这两个函数。这两个函数有其特定的用途，但对我们来说，它们都可以很好地生成numpy数组（而不是使用range()），这对于数据科学分析工作非常有用。arange()函数根据指定的步长返回等差数列。除了起始值和结束值，您还可以自定义步长和数据类型。请注意，给定的结束值参数不会包含在结果中。输出是一个数组对象：array([3,5])linspace()函数的用法类似，但有一点不同。linspace()在给定区间被平分多次后返回一个二分点数组。所以你传入的参数包括起始值，结束值，以及具体的等份数。linspace()对区间进行等分后，将起始值、结束值和每个等分点放入一个NumPy数组中。这在进行数据可视化和绘制轴时很有用。输出是一个数组对象：array([2.0,2.25,2.5,2.75,3.0])05.Pandas中坐标轴（axis参数）的含义是在Pandas中过滤掉某列，或者在pandas中修正NumPy矩阵你可能在对数据求和时遇到过轴参数这个问题。如果您还没有看过它，提前了解一下也没什么坏处。比如像这样处理一个Pandas表：在我真正理解之前，我基本上每次要用drop都要重新查询哪个轴值对应哪个，多到我自己数不过来清空了向上。在上面的例子中，你大概可以看出，如果要处理列，axis应该设置为1，如果要处理行，axis应该设置为0，对吧？但这是为什么呢？我最喜欢的一个解释（或者我是怎么记得的）是这样的：获取一个PandasDataTable对象的shape属性，你会得到一个元组，元组的最后一个元素是数据表的行数，第二个元素是数据表的列数。想想Python中这两个元素的下标，第一个是0，第二个是1吧？所以对于axis参数，0是前面的行数，1是后面的列数。怎么样，好记吧？06.使用Concat、Merge和Join合并数据表。如果您熟悉SQL，那么这些概念对您来说轻而易举。但无论如何，这些功能本质上只是合并多个数据表的不同方式。当然，要记住在什么情况下使用哪个功能并不容易，所以我们一起回顾一下。concat()可以简单的按行（或列）方向堆叠一张或多张数据表（看你传入的axis参数是0还是1）。merge()会将两个或多个数据表与用户指定的同名列的主键对齐。join()与merge()非常相似，只是join()是按数据表的索引对齐，而不是按同一列对齐。当表缺少索引时，对应的值为空（NaN）。如果有需要，您还可以参考Pandas官方文档，了解更详细的语法规则和应用示例，熟悉您可能遇到的一些特殊情况。07.apply函数你可以把apply()看成一个map()函数，但这个函数是专门为Pandas数据表和series对象创建的。对于初学者，您可以将系列对象想象成NumPy中的数组对象。它是一维索引数据表结构。apply()函数是对你在数据表中指定的行或列中的每个元素应用一个函数。是不是很方便？特别是当你需要格式化或修改一列的所有元素时，你不必一遍又一遍地循环！下面举几个简单的例子，让大家熟悉基本的语法规则：08、数据透视表（PivotTables）***最重要的是数据透视表。如果你对MicrosoftExcel有一定的了解，你很可能用过（或听说过）Excel中的“数据透视表”功能。Pandas中内置的pivot_table()函数做同样的事情。它可以帮助您格式化数据表格并输出类似Excel工作表的表格。在实际使用中，数据透视表会将数据按照一个或多个key进行分组，将函数传入参数aggfunc，数据会按照你指定的函数进行统计，并将结果分发到表中。下面是几个pivot_table()的应用例子：总结以上是我在自学过程中经常遇到的一些问题，以及如何理解这些问题。就我而言，把这些概念写下来，用尽可能简单的一句话描述，然后与大家分享的整个过程，也让我对这些技术有了更深入的理解和掌握。***，我希望当您与数据科学中这些难以捉摸的方法、函数和概念进行斗智斗勇时，我今天看到的一些内容可能会派上用场。
