作者：Shreyas Raghavan
翻译：老齐
与本文相关的图书推荐：《数据准备和特征工程》
本书已经由电子工业出版社出版发行，购买地址： 电子工业出版社天猫旗舰店
不是很久以前，商人们往往找占星家来预测下明年是否能挣钱，虽然这毫无根据，并且结果也不确定，但如果听专家的建议来为自己的商业行为作出决定，与此有什么本质却别？现在不同了，我们正在变化，目前已经可以基于事实和数字进行预测。
我们生活在一个大数据的世界中，去Domino商店订购披萨，他们首先要问你的手机号，通过该手机号，他们能够提取出你的住址、购买记录等信息，但是是否仅限于列出这些数据？ 还是我们可以根据这些数据做些什么？这就是数据科学家的职责了。
现在，我们就来探讨一些分析数据的工具。
-
SAS，是“ Statistical Analysis System”的简称，可以用于高级分析、数据管理、商业智能，它是NCSU（北卡罗来纳州立大学）从1966年到1976年研发的许可软件，现在仍然被广泛应用，特别是财富500强的公司都在应用。
-
R语言，是一种开源高级语言，提供了很多分析和统计的模块，包含了很多开源库，主要操作在命令行界面实现。
-
Python语言，我个人最喜欢了。Python是门革命性的语言，本文就要使用此语言。它是由吉多·范罗索姆（Guido Van Rossum）发明的一种高级编程语言，开源，每天都会有很多库产生。如果你打算在机器学习、人工智能领域从业，Python是一门理想的编程语言。
现在，我们就要来看看Python在数据科学中的应用。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
复制代码此处，我们引入了三个基本的库，你的项目大概有90%都会用到这三个库，它们都有什么作用呢？
- Numpy：这个库实现众多数学函数运算，比如矩阵乘法、转置等。
- Pandas：很重要的库，比如加载数据集、创建DataFrame对象，Pandas在分析和预测方面能够实现你想做的任何事情。
- %matplotlib inline：写上这句话，就可以将制作的可视化图像插入到Jupyter中。
train = pd.read_csv('train.csv')
复制代码
以上，我们载入了数据集，
pd
是对
pandas
的重命名（
import pandas as pd
），
read_csv
是pandas里的一个函数，
train.csv
是一个已经存在的文件。用上面的命令成功地在当前Python环境中加载了文件，从而创建了一个DataFrame对象。
train.head()
复制代码
什么是head？不是人体的顶部的吗？Pandas用
head
函数，是要给我们呈现DataFrame对象中前面的若干条记录，默认显示前5条。
如果
head(20)
就会返回前20条记录，是不是很有意思？
我们也可以用
tail()
查看最后5条记录（默认值是5）。
下面是
head()
的输出结果：
到现在，已经从DataFrame数据集中得到了前5条记录了。
接下来，重要的事情是你要了解所处理的数据集，比如大小、形状和描述性统计，这些信息对我们进一步处理数据都非常有用，也就是说，我们必须了解数据集（ 注： 《数据准备和特征工程》一书中对此内容做了更详细的阐述，请参考。）因为有少数数据集很大，处理它们才是真正的痛苦工作，我们需要从中找到有用的信息，并剔除不需要的内容，这听起来似乎很容易，但真正做起来，非常困难。
从输出结果中可以看到，我们现在操作的数据有891行，12列，总共有10692个数据。
让我们再来看看基本的统计：
这里呈现的统计数据，比如计数、平均值、百分位、标准差等，在我们处理金融数据或者研究数据间关系是，都是非常重要的。
继续，我们要实施数据可视化，这是数据科学中最重要的技能，必须会。前面已经导入了matplotlib，这是数据可视化中应用非常广泛的库，如果你去搜索，还会发现别的库，但matplotlib是广受欢迎的。
