“Python零基础”系列写到第14篇，今天聊聊数据分析。很多初学者一听“数据分析”四个字就发怵，觉得得先学一堆数学、统计知识才行，其实真不是这样。数据分析用大白话讲就四步：拿到一堆数据、把数据弄干净、找出里面的规律、把规律画成图给别人看。Python在这四步里几乎都有现成工具，零基础的人完全可以直接上手。这篇文章我会用一套完整的实操流程，带你从安装环境开始，到读入数据、清洗数据、统计计算、最后可视化成图表，每个环节都给出可以直接复制的代码和运行效果，以及我在实际教学中反复跟学员强调的那些坑。
这个系列适合谁呢？如果你完全没写过代码，那建议先把前13篇的基础语法过一遍，不需要精通，能看懂if、for、函数就够了；如果你已经零星写过一点Python，但对数据分析一头雾水，那这篇文章可以直接照做。我会尽量把每个“为什么要这么写”都讲清楚，而不是丢给你一堆命令让你死记硬背。
1. 数据分析到底在做什么
1.1 先建立工作流概念
我见过太多初学者拿起一本书就开始敲代码，敲了三个小时发现不知所以然，最后放弃了。问题不出在代码，出在他脑子里没有一幅“地图”。
数据分析完整的工作流其实是固定的，不管什么行业、什么数据规模，基本都是这样一个闭环：
- 获取数据：从本地文件、数据库或者接口拿到原始数据。
- 清洗数据：处理缺失值、重复值、格式错误，这步最耗时，通常占整个工作量的六到七成。
- 探索分析：用统计方法看数据的分布、聚合、趋势，比如求平均、分组统计。
- 可视化呈现：把分析结果画成图表，让结论一目了然。
- 输出结论：写报告也好，做PPT也好，落到业务决策上。
当你脑子里有了这五步，再来看Python里的各种库就非常清晰了：pandas负责第2步和第3步，matplotlib和seaborn负责第4步，第1步和第5步因人而异。这样学习就有了方向感，不会再迷失在语法细节里。
1.2 零基础为什么首选Python
有人会问：数据分析为什么不用Excel？为什么不用R语言？我个人的看法是：Excel适合处理几千行的数据，数据量一旦过万，公式卡得要命，操作步骤也很难记录复盘；R语言统计功能很强，但对编程零基础的人来说语法不够平易近人。
Python胜在“生态统一”。从爬虫获取数据、到pandas做清洗、再到画图展示，全在一门语言里搞定，学了不浪费。而且社区资料极多，你遇到任何报错，只要把错误信息复制到搜索引擎里，几乎都能找到解决方案。这种“遇到问题能查到答案”的特性，对零基础学员来说是最大的安全感。
我经常跟学员打比方：学数据分析不像是学数学，更像是学做饭。语法顶多是“认识厨房里的锅碗瓢盆”，而工作流是“做菜的顺序”。你不需要把所有厨具的说明书都背下来，只要有几道拿手菜，每做一次熟练一分，慢慢就会了。这篇文章就相当于带着你做一道完整的家常菜。
2. 环境准备和工具选型
2.1 用Anaconda还是原生Python
很多零基础学员在这第一步就卡住了，卡在“到底装哪个”。我直接给结论：如果你目标是数据分析，请直接安装Anaconda。原因有三个：
- 它自带pandas、numpy、matplotlib这些数据分析常用库，省去了一一安装的麻烦。
- 它自带Jupyter Notebook，这是数据分析场景下非常好用的交互式编辑器，写一段看一段结果，非常符合“边试边学”的节奏。
- 环境管理工具conda可以帮你轻松创建隔离的开发环境，万一项目之间依赖冲突了也不怕。
安装版本建议选择Python 3.x的64位版本，不要安装奇怪的beta版。装完之后，在系统命令行或Anaconda Prompt里输入python --version，能看到版本号就说明安装成功。
我遇到过不少学员在安装环节就放弃了，原因大多是网速慢或者安装路径里带了中文。这里特别提醒一点：Anaconda安装路径尽量不要有中文和空格，否则后面运行一些库可能莫名其妙报路径错误。这是我踩过多次坑的教训。
2.2 Jupyter Notebook的操作习惯
Jupyter Notebook在数据分析场景下几乎是标配，它的核心交互逻辑是“单元格”。你可以在一个格子里写代码，然后按Shift + Enter运行，运行结果直接显示在代码下方，非常直观。
我的建议是养成几个好习惯：
- 第一个格子永远用来写导入语句，比如
import pandas as pd，这样每次重新运行时，所有依赖都从顶部开始加载，不会出现“变量已定义但找不到”的诡异错误。 - 给每个分析阶段建一个Markdown标题单元格，相当于给自己的工作流加索引，方便回头查看。
- 每运行完一步就保存一次（Ctrl + S），Jupyter偶尔会崩溃，不保存的损失只有自己知道。
有一个坑值得单独说：Jupyter里单元格的上下是有依赖关系的。如果你随手删除中间某个单元格，后面的单元格再运行时提示“xxx not defined”，问题不一定出在语法，而是前面某一步的结果没跑过。这时候直接从菜单栏选择“Kernel -> Restart & Run All”，整个文档从头到尾重新执行一遍，就能排查掉绝大多数这类问题。
2.3 验证核心库是否可用
环境装好后，强烈建议先做一个小验证，而不是直接冲进业务代码。打开Jupyter Notebook，新建一个文档，执行以下代码：
import pandas as pd import numpy as np import matplotlib.pyplot as plt print(pd.__version__) print(np.__version__) print("环境就绪")如果三行代码都能正常输出，说明你的环境已经完全满足数据分析的基础要求。这一步障排得非常关键，因为很多网络教程默认你已经装好了库，直接开始讲demo，等你复现时才发现环境有问题，你还会以为是自己代码写错了，其实根本不是。
3. 零基础必懂的pandas核心数据结构
3.1 Series和DataFrame怎么理解
到了关键环节了。pandas里有两个核心对象，一个是Series，一个是DataFrame。把它们理解成Excel的概念就特别好懂：
- Series相当于一列数据，带有索引，你可以把它看成一维数组的升级版。
- DataFrame相当于一张完整的表格，它有行和列，每一列都可以是不同类型的值。操作DataFrame是数据分析里最高频的动作。
我教零基础学员的时候，总爱引用一个生活化类比：DataFrame就像是一个班级的花名册，每一行是一个学生，每一列是学生的一个属性（姓名、分数、年龄），而列名就是表头。所有常见的操作，比如筛选某几个学生、算全班平均分、按性别分组统计，都能用pandas一行命令完成。
创建DataFrame最简单的办法是传入一个字典，字典里面的每个键对应一列。比如：
import pandas as pd data = { '姓名': ['A同学', 'B同学', 'C同学'], '成绩': [88, 92, 79], '性别': ['女', '男', '女'] } df = pd.DataFrame(data) print(df)执行后你会看到一张整齐的三行三列表格，这比用纯Python列表硬拼数据方便太多了。
3.2 从文件读入数据
现实中数据大多不在Python里，而在CSV、Excel文件或者数据库里。对于零基础学员，碰得最多的就是CSV文件。
读CSV用read_csv函数，一行搞定：
df = pd.read_csv('sales_data.csv')但实际从来没有这么顺利过。三个最常见的问题是：
- 文件路径不对，报
FileNotFoundError。 - 文件编码不对，报
UnicodeDecodeError。 - 列名不是默认的英文，需要指定
header参数。
路径问题建议处理方法统一为：把数据文件和Notebook放在同一个文件夹下，然后只用文件名引用，不写完整路径，这样文件移动了也能正常打开。编码问题最常见的是UTF-8和GBK之间切换，报错了就尝试指定encoding='gbk'或encoding='utf-8'，来回试一两次就能解决。列名问题用pd.read_csv('xxx.csv', header=0)，如果文件本身没有表头，再补names=['列1', '列2', ...]。
3.3 数据预览三板斧
拿到数据之后，不要急着分析和“跑模型”。任何靠谱的分析流程，都要先“看看数据长什么样”。我习惯用三板斧：
# 查看前5行 print(df.head()) # 查看数据整体信息 print(df.info()) # 查看数值列的统计描述 print(df.describe())head()让你直观看到数据的表头和前几行内容，马上能发现列名是否合理、数据格式是否统一。info()会告诉你每一列的数据类型、有没有缺失值，这是后续清洗的重要依据。describe()针对数值列输出均值、标准差、最小值、最大值、四分位数，快速了解数据分布。
这三个命令永远是数据分析师最常用的“开场动作”，花两分钟扫一眼，后面少走半小时弯路。
4. 手把手做一个完整的数据分析小项目
4.1 项目背景和数据说明
环境、工具、基础概念都讲完了，接下来咱们动真格。用一个虚拟的案例来演示完整闭环。
我创建了一个模拟项目X的数据集，叫course_sales.csv，它模拟的是某学习平台的课程订单记录，包含大约500行的销售数据。字段如下：
| 字段名 | 含义 | 类型 |
|---|---|---|
| order_id | 订单编号 | 字符串 |
| course_name | 课程名称 | 字符串 |
| category | 课程分类 | 字符串 |
| price | 实际支付金额 | 浮点数 |
| user_city | 用户所在城市 | 字符串 |
| order_date | 下单日期 | 字符串 |
| pay_status | 支付状态 | 字符串 |
这个数据集是我故意设计的，里面藏了几类典型脏数据：有空值、有重复订单、有格式不统一的日期、有状态写错的记录。真实的业务数据只会比这更乱，不会更干净，所以这个练习非常值得做。
任务目标是：统计各课程分类的销售总金额和订单量，找出销售额最高的top 5课程，并通过图表展示最近三个月的销售趋势。这套任务覆盖了清洗、聚合、可视化三类核心能力，做一遍之后，你基本可以处理工作中七八成的简单分析需求。
4.2 读入数据并进行初步探索
首先把文件读进来，然后做三板斧预览：
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('course_sales.csv') print(df.head()) print(df.info())通过info()我发现在order_date列有少量缺失值，price列存在非数值类型的记录，order_id出现了重复。同时多条记录的支付状态写法不一致，有的写“已完成”，有的简写成“完成”。如果这些数据不处理，后面统计出来的数字就是错的，结论也不可信。
这里我想强调一个观念：数据分析里，数据清洗比分析算法更重要。你花80%的时间处理数据，剩下20%的时间做统计和画图，这是常态。很多零基础学员总幻想拿到数据就能直接分析，结果做出来的图自己都不敢信，问题根源就在清洗没做干净。
我先把预览结果和清洗目标整理成了一个待办清单，这样思路就清晰了：
- 处理
price列的非数值记录。 - 解决
order_date缺失值。 - 删除
order_id重复行。 - 统一
pay_status的文本规范。
4.3 数据清洗：缺失值和重复值处理
先说重复值。用duplicated()判断重复行，用drop_duplicates()去除：
# 检测重复订单 duplicate_mask = df.duplicated(subset='order_id', keep=False) print(f"重复记录数: {duplicate_mask.sum()}") # 删掉重复行，保留第一条 df = df.drop_duplicates(subset='order_id', keep='first') print(f"去重后总行数: {len(df)}")删除重复值的目标是为了让每条订单在统计中只被计算一次。如果不做这步，销售额会虚高，这是最基础但最重要的一步。
然后是缺失值。缺失值的处理方式取决于业务含义。对于order_date这种关键字段，如果缺失了，我的处理方案是直接删除这些行，而不是强行填充一个假日期。因为日期是订单的核心属性，填一个假日期会让趋势统计失真。如果只是某个不关键字段缺失，可以考虑填充默认值，但日期不建议这么做。
# 删除下单日期为空的行 df = df.dropna(subset=['order_date']) print(f"删缺失后总行数: {len(df)}")关于price列，我们发现的是非数值记录，比如它可能被读成了字符串。先看看问题数据：
# 检查price列的非数字记录 price_issue = pd.to_numeric(df['price'], errors='coerce') print(df[pd.isna(price_issue)])pd.to_numeric能把字符串转成数字，转换不了的就变成NaN。这里的思路是先用errors='coerce'做一次“体检”，把转换失败的行打印出来看具体内容。看完后再决定是删除还是根据业务做其他处理。如果问题是“数字带了后缀符号”之类，那就用替换修正；如果是完全没意义的记录，就直接删除。模拟项目X里我直接删除了转换失败的行。
统一支付状态的写法，用replace替换：
df['pay_status'] = df['pay_status'].replace({'完成': '已完成', '已付款': '已完成'}) print(df['pay_status'].value_counts())到这里，数据已经在形态上“干净”了，可以进入统计环节。
4.4 分组统计和透视表应用
清洗完毕，先做分组统计。任务里要统计各课程分类的销售总金额和订单量，这用groupby聚合最合适：
category_stats = df.groupby('category').agg( 订单量=('order_id', 'count'), 销售总额=('price', 'sum') ).reset_index() print(category_stats.sort_values('销售总额', ascending=False))groupby('category')是按分类分组，agg是同时做多个聚合计算：订单量算count，销售总额算sum。这里agg接收一个字典或更清晰的命名方式（如示例所示），直接生成一列叫“订单量”、一列叫“销售总额”的汇总表。这就是数据分析师最核心的“算数”动作，逻辑非常简单——分组、聚合。
接下来找销售额top 5的课程。先按course_name分组汇总，再排序取前5：
course_stats = df.groupby('course_name')['price'].sum().sort_values(ascending=False).head(5) print(course_stats)这行代码属于pandas里非常经典的一行式链式调用：先分组，再取price列求和，然后排序，最后取前5。代码虽然短，但每一步都值得拆开理解。
如果你想同时看不同城市、不同分类交叉的销售情况，可以用pivot_table透视表：
pivot = pd.pivot_table( df, values='price', index='user_city', columns='category', aggfunc='sum', fill_value=0 ) print(pivot.head())pivot_table相当于Excel的数据透视表，它把user_city放在行、category放在列，交叉格子里放销售额。fill_value=0的意思是没有销售额的交叉位置补0，避免报表里一堆NaN看着心烦。
4.5 用matplotlib做可视化
数字表格算完了，但不够直观，领导要看的往往是图。Python基础可视化最常用matplotlib，配合pandas画图会更顺手。
先做各分类销售额占比柱状图：
import matplotlib.pyplot as plt import matplotlib as mpl # 解决中文显示问题 mpl.rcParams['font.sans-serif'] = ['SimHei'] mpl.rcParams['axes.unicode_minus'] = False category_stats.plot(x='category', y='销售总额', kind='bar', figsize=(10, 5), title='各课程分类销售额') plt.show()这里有个必踩的坑：matplotlib默认字体不支持中文，所以需要指定SimHei字体。如果不设这两行，图里所有中文都会显示成方块。这可以说是每个Python新手都会遇到的经典问题之一。
再看最近三个月的销售趋势。先保证order_date能按正确顺序排序，最好统一转成日期类型：
df['order_date'] = pd.to_datetime(df['order_date']) df['月份'] = df['order_date'].dt.to_period('M').astype(str) monthly_sales = df.groupby('月份')['price'].sum().sort_index() monthly_sales.plot(kind='line', marker='o', figsize=(10, 5), title='月度销售总额趋势') plt.ylabel('销售额') plt.show()pd.to_datetime把日期列转为时间类型，然后dt.to_period('M')提取出“年月”。之后按月份分组求和，就得到每月的销售额序列。sort_index()保证图上的时间从左到右是从早到晚，否则出现倒序的折线会很尴尬。
到这一步，你已经独立跑完了一个微型的完整分析流程。这个能力放在实际工作中，可以迁移到电商、教育、运营、金融等多个行业，因为底层的模型是一样的，都走“读取-清洗-聚合-可视化”这条路径。
5. 常见问题与排查技巧实录
5.1 高频报错速查表
我在带学员的过程中收集了一批高频问题，这里整理成一张速查表，每个问题都附上排查思路：
| 报错或现象 | 核心原因 | 解决思路 |
|---|---|---|
FileNotFoundError | 文件路径不对或文件名拼错 | 确认文件是否在Notebook同目录，打印os.getcwd()查看当前目录 |
UnicodeDecodeError | 文件编码与默认编码不一致 | 尝试在read_csv中加encoding='gbk'或encoding='utf-8' |
| 图表中文显示为方块 | matplotlib默认字体不支持中文 | 设置mpl.rcParams['font.sans-serif'] = ['SimHei'] |
KeyError: 'xxx' | 列名拼错或不存在 | 用df.columns查看全部列名，注意大小写和空格 |
| 计算出的金额与预期不符 | 重复值或缺失值没处理干净 | 回到清洗步骤，打印df.info()和df.duplicated().sum() |
NameError: name 'pd' is not defined | 单元格中没导入pandas | 回到顶部执行import pandas as pd |
这里面最容易被忽略的是最后一种情况。在Jupyter里，它跟写完整脚本不一样，每个单元格独立执行，如果某一轮的import代码没被运行过，后面的所有单元格都会报NameError。这种问题很常见，重启内核全跑一遍往往就解决了。
5.2 那些不会写进文档的细节
很多经验只有在真实项目中踩过坑才会懂。这里挑几个我认为最有价值的心得分享。
第一个心得：永远不要用“肉眼去数”来验证代码结果。我见过学员做完去重后，凭感觉认为还有重复，结果又去手动跑了一遍drop_duplicates。正确做法是先在重复数据上留下可复现的“数字痕迹”，比如打印去重前后行数对比，这样逻辑才严密，别人看你的脚本也知道你做了什么处理。
第二个心得：操作之前先复制一份原始数据。数据清洗是破坏性操作，一不小心就把源头数据改坏了。我自己的习惯是：
df_raw = pd.read_csv('course_sales.csv') df = df_raw.copy()后续所有清洗操作都在df上做，万一洗脏了，随时从df_raw重新来。这个习惯成本几乎为零，但救过我很多次，强烈建议每个新手都养成。
第三个心得：把分析脚本拆成有意义的函数。哪怕你只是个零基础初学者，一旦脚本超过几十行，结构就很重要了。最简单的拆法是按“清洗”“统计”“画图”三块分开写，中间留空行并使用注释。这样做的好处是bug容易定位，逻辑也更清楚。等以后做更大项目，这套习惯会成为你最大的底牌。
第四个心得：时刻关注数据的“业务意义”。数字跑出来了，不代表结论正确。比如某个月销售额突然暴增，要先想想是不是因为重复记录没清理干净，而不是急着欢呼。数据分析到最后，真正区分水平高低的是对业务的理解和数据敏感度，这是Python语法给不了你的东西，只能靠一次次实操慢慢养出来。
5.3 怎么让它变成自己的工作能力
学完这个流程后，很多人会面临“好像懂了，但换一份数据又不会了”的尴尬。我的建议是：不要满足于跟着教程跑通一遍，试着做三次“迁移练习”。
第一次迁移：换一份CSV数据，重复跑同样的清洗和统计流程，哪怕数据字段名换了也没关系，逼自己靠理解修改代码。第二次迁移：新增一个聚合维度，比如同时按分类和月份统计，体会groupby多列分组的写法。第三次迁移：把画图部分改成柱状图和箱线图以外的其他图表类型，比如散点图或饼图，加深对kind参数的理解。
只需这样练三次，你的数据分析能力就有了质的提升。因为这三次练的不是代码，而是“识别需求-拆解步骤-组织代码”的思路，这才是真正能在工作中迁移的核心能力。我曾经用这种方法带过不少零基础学员，最快的一个在两周内就能独立完成常规报表，靠的就是这种反复迁移练习，而不是一遍遍刷语法题。
回到开头说的那句话：数据分析不是数学，而是做饭。跟着炒熟一道菜后，换食材、换调料都不该难倒你。现在你手头已经有了完整的锅和铲，剩下的就是开火，多做几道菜。
