這篇文章介紹了 8 個使用 Python 進行數據分析的方法，不僅能夠提升運行效率，還能夠使代碼更加「優美」。
定義某種列表時，寫 For 循環過於麻煩，幸運的是，Python 有一種內置的方法可以在一行代碼中解決這個問題。
下面是使用 For 循環創建列表和用一行代碼創建列表的對比。
x = [1,2,3,4]
out = []
for item
in x:
out.append(item**2)
print(out)
[1, 4, 9, 16]
# vs.
x = [1,2,3,4]
out = [item**2 for item
in x]
print(out)
[1, 4, 9, 16]
厭倦了定義用不了幾次的函數？Lambda 表達式是你的救星！
Lambda 表達式用於在 Python 中創建小型，一次性和匿名函數對象， 它能替你創建一個函數。
lambda 表達式的基本語法是：
lambda arguments: expression
注意！只要有一個 lambda 表達式，就可以完成常規函數可以執行的任何操作。
你可以從下面的例子中，感受 lambda 表達式的強大功能：
double =
lambda x: x * 2
print(double(5))
10
一旦掌握了 lambda 表達式，學習將它們與 Map 和 Filter 函數配合使用，可以實現更為強大的功能。
具體來說，map 通過對列表中每個元素執行某種操作並將其轉換為新列表。
在本例中，它遍歷每個元素並乘以 2，構成新列表。 （注意！list()函數只是將輸出轉換為列表類型）
# Map
seq = [1, 2, 3, 4, 5]
result =
list(map(lambda var: var*2, seq))
print(result)
[2, 4, 6, 8, 10]
Filter 函數接受一個列表和一條規則，就像 map 一樣，但它通過比較每個元素和布爾過濾規則來返回原始列表的一個子集。
# Filter
seq = [1, 2, 3, 4, 5]
result =
list(filter(lambda x: x > 2, seq))
print(result)
[3, 4, 5]
Arange 返回給定步長的等差列表。
它的三個參數 start、stop、step 分別表示起始值，結束值和步長， 請注意！stop 點是一個「截止」值，因此它不會包含在數組輸出中。
# np.arange(start, stop, step)
np.arange(3, 7, 2)
array([3, 5])
Linspace 和 Arrange 非常相似，但略有不同。
Linspace 以指定數目均勻分割區間，所以給定區間 start 和 end，以及等分分割點數目 num，linspace 將返回一個 NumPy 數組。
這對繪圖時數據可視化和聲明坐標軸特別有用。
# np.linspace(start, stop, num)
np.linspace(2.0, 3.0, num=5)
array([ 2.0, 2.25, 2.5, 2.75, 3.0]
在 Pandas 中，刪除一列或在 NumPy 矩陣中求和值時，可能會遇到 Axis。
我們用刪除一列（行）的例子：
df.drop('Column A', axis=1)
df.drop('Row A', axis=0)
如果你想處理列，將 Axis 設置為 1，如果你想要處理行，將其設置為 0。
但為什麼呢？
回想一下 Pandas 中的 shape。
df.shape
(# of Rows, # of Columns)
從 Pandas DataFrame 中調用 shape 屬性返回一個元組，第一個值代表行數，第二個值代表列數。
如果你想在 Python 中對其進行索引，則行數下標為 0，列數下標為 1，這很像我們如何聲明軸值。
如果您熟悉 SQL，那麼這些概念對您來說可能會更容易。
無論如何，這些函數本質上就是以特定方式組合 DataFrame 的方式。
在哪個時間跟蹤哪一個最適合使用可能很困難，所以讓我們回顧一下。
Concat 允許用戶在表格下面或旁邊追加一個或多個 DataFrame（取決於您如何定義軸）。
Merge 將多個 DataFrame 合併指定主鍵（Key）相同的行。
Join 和 Merge 一樣，合併了兩個 DataFrame。
但它不按某個指定的主鍵合併，而是根據相同的列名或行名合併。
Apply 是為 Pandas Series 而設計的。如果你不太熟悉 Series，可以將它想成類似 Numpy 的數組。Apply 將一個函數應用於指定軸上的每一個元素。
使用 Apply，可以將 DataFrame 列（是一個 Series）的值進行格式設置和操作，不用循環，非常有用！
df = pd.DataFrame([[4, 9],] *
3, columns=['A', 'B'])
df
A B
0 4 9
1 4 9
2 4 9
df.apply(np.sqrt)
A B
0 2.0 3.0
1 2.0 3.0
2 2.0 3.0
df.apply(np.sum, axis=0)
A
12
B
27
df.apply(np.sum, axis=1)
0 13
1 13
2 13
如果您熟悉 Microsoft Excel，那麼你也許聽說過數據透視表。
Pandas 內置的 pivot_table 函數以 DataFrame 的形式創建電子表格樣式的數據透視表,，它可以幫助我們快速查看某幾列的數據。
下面是幾個例子：
非常智能地將數據按照「Manager」分了組：
pd.pivot_table(df, index=["Manager", "Rep"])
或者也可以篩選屬性值
pd.pivot_table(df,index=["Manager","Rep"],values=["Price"])
希望上面的這些描述能夠讓你發現 Python 一些好用的函數和概念。
來源：
https://codequs.com/p/HyY9AMYeQ/python-for-data-science-8-concepts-you-may-have-forgotten