子供部屋
例如收集數據的方法是使用問卷，實驗軟件（例如，PsychoPy，OpenSesame）和觀察。
當問卷和實驗軟件使用數字應用程序時，我們當然也會以數字文件格式（例如，Excel電子表格和逗號分隔，CSV，文件）獲取數據。
如果數據集非常小，則可以使用Python和Pandas直接創建數據框：
然而當數據集很大時如果手動處理數據非常耗時且不推薦。 下面您將學習如何在Python和Pandas中閱讀Excel Spreadsheets和CSV文件。
使用Pandas read_excel讀取Excel文件，將數據集讀入Python的一種方法是使用read_excel方法，該方法有許多參數。
pd.read_excel(io, sheet_name=0, header=0)
io是包含數據的Excel文件。 它應該是類型字符串數據類型，可以是本地存儲的文件以及URL。
sheet_name可以是我們要加載的特定工作表的字符串，也可以是零索引工作表位置的整數。 如果我們指定None，則所有工作表都將讀入數據框。
header可以是整數或整數列表。 默認值為0，整數表示列名稱的行。 如果Excel文件中沒有列名，請添加0。
如果要了解其他參數，請參閱read_excel文檔。
pandas閱讀Excel示例：
這是一個關於如何使用Pandas read_excel的工作示例：
在上面的示例中，我們正在讀取Excel文件（'conflictdata.xlsx'）。 數據集只有一個工作表，但為了清楚起見我們添加了“conflictdata”工作表名稱作為參數。 也就是說在這種情況下，sheet_name不需要我們使用。
R用戶可能熟悉最後一行，以下是打印DataFrane的前X行：
您可能已經注意到，當我們閱讀上面的Excel文件時，我們沒有使用header參數。 如果我們將標題設置為None，我們將獲得數字作為列名。 不幸的是，這使得使用Pandas數據框有點煩人。
我們可以傳遞一個列名列表作為參數。 最後，由於示例xlsx文件包含列名，我們使用skiprows跳過第一行。 注意，可以使用跳過跳過多行。 只需添加一個列表，其中包含要跳過的行號。
這是另一個使用Python Pandas讀取Excel文件的示例：
我們還可以使用Pandas to_excel方法保存新的xlsx（或覆蓋舊的，如果你喜歡這樣做的話）。
excel_writer可以是字符串（您的文件名）或ExcelWriter對象。
sheet_name應該是包含工作表名稱的字符串。 默認為'Sheet1'。
index應該是布爾值（即，True或False）。 通常，我們不希望用數字編寫新列。 默認為True。
df.to_excel('newfilename.xlsx', sheet_name='NewColNames', index=False)
有許多方法可用於篩選數據。 一種簡單的方法是使用查詢， 此方法類似於R中的函數子集。現在我們來篩選出“piq”大於80：
df_piq = df.query('piq > 80')
df_piq.head(4)
- df_males = df [df ['sex'] =='man']
下面顯示瞭如何使用多個條件篩選數據框。 在這種情況下，我們從性別為男性且iq大於80的df中選擇觀察值。請注意Pandas中的＆符號“＆”是首選的AND運算符。
df_male80 = df.query（'iq> 80＆sex ==“Male”'）
也可以使用OR運算符。 在下面的示例中，我們基於年齡大於或等於40或年齡小於14的行來過濾DataFrame。此外我們還可以通過列'piq'和'viq'篩選條件。
df.query('age >= 40 | age < 14')[['piq', 'viq']].head()
以上就是簡單用pandas進行數據分析中讀取數據、篩選數據一環，你還可以用它還做很多數據操作，是一個很有用的工具包。
我會在這裡發佈所有與科技、科學有關的有趣文章，歡迎訂閱我的頭條號。偶爾也回答有趣的問題，有問題可隨時在評論區回覆和討論。
楊沐白
python做數據分析可以說有一定的優勢，python很多人學習就是因為其在大數據、人工智能方面的應用。
操作數據庫，支持關係型數據庫和非關係型數據
傳統的關係型數據庫Mysql應用比較廣泛，python對mysql的支持很友好，通過調用第三方庫mysqldb可以很好的訪問數據庫的數據。
對於非關係型數據庫，也就是我們常說的Nosql，連接起來也很方便，通過pymongo這個第三方庫，我們就可以訪問和操作mongodb。
所以對於Python來說，訪問數據庫甚至於其它文件都不是一件難事，相反很方便。
數據分析中的重要的數據可視化部分
我們在做數據分析的時候，經常要將數據分析後的結果，通過數據圖形展示出來。同時，在我們做分析的時候，通過圖形可以一步一步地逼近數據分析結果，在這方面Python有很豐富的庫支持，R語言流行的ggplot2庫在Python上也可以使用，同時特有seaborn庫在可視化方面也是相當的不錯，此庫結合了matplotlib庫相關的畫圖特性。比如下圖中的圖就是利用seaborn畫出來的，看起來特別舒服。
python在數據分析上的應用具有其一定的優勢，而且應用也比較廣泛，我們碰到的問題，可以利用第三方庫得麼完美的支持，這和Python語言的設計初衷有直接有的關係。
Bean蠶豆
數據分析是學習Python的主要就業方向之一，隨著大數據分析、數據挖掘等數據相關領域的持續火熱， 用Python做數據分析的工作相信也越來越多，這也是促使Python語言本身再次火熱的原因之一。
讓我們從下面幾個方面來看看為什麼Python適合做數據分析：
1， 語言特性
Python是一門開源的、功能強大的動態編程語言， 對於動態語言來說， 往往提供開發友好的編程方式。 Python有強大的社區支持、有成千上萬的成熟庫和框架的支持。這使得使用Python做開發非常便捷。
2， 由於數據分析的庫和框架的支持
正是由於Python語言的流行性，在細分的各種工作領域中的庫的層出不窮，在數據分析領域尤為如此。 不僅僅是性能良好的基礎的Numpy庫, Scipy庫, 還有支持統計分析的Pandas庫， 支持機器學習的Scikit-Learn庫以及支持數據可視化的matplotlib以及seaborn等等。每種庫和框架都足夠成熟適合現實生活中的數據分析工作要求。
另外，對於大數據領域中的流行框架如Spark, Tensorflow, PyTorch等, Python也是官方支持的主要接口語言。
3， 工具的支持
各種Python的IDE如PyCharm, Jupyter也對Python進行了良好的支持，使得數據分析的效率進一步提升。
4， 用Python作數據分析的資料豐富
用Python作數據分析、數據統計這幾年在國內才慢慢興起，其實在國外很早就開始了，因此這方面的書籍、Blog等資料也非常豐富。我這裡也收集到一些書籍(不多但是比較經典），有需要的可以私信我.
希望這個回答有所幫助，歡迎交流！！
樂之天空
可以啊，現在Python語言主要應用於爬蟲技術，對數據的抓取很精準，並且之所以Python會成為做數據分析的首選，也是因為有比較齊全的數據庫，利於抓取，很適合做數據分析。而且現在大數據技術和機器學習，都會用Python開發。
碼農視界
做數據分析是必須要學習python的，你要可以學會python很好就業的，現在市場這方面人才都不多，所以現在把python學好，未來發展前途還是非常好的。
可以關注微信公眾號【python教程】會不定期分享關於python的知識
