子供部屋
例如收集数据的方法是使用问卷，实验软件（例如，PsychoPy，OpenSesame）和观察。
当问卷和实验软件使用数字应用程序时，我们当然也会以数字文件格式（例如，Excel电子表格和逗号分隔，CSV，文件）获取数据。
如果数据集非常小，则可以使用Python和Pandas直接创建数据框：
然而当数据集很大时如果手动处理数据非常耗时且不推荐。 下面您将学习如何在Python和Pandas中阅读Excel Spreadsheets和CSV文件。
使用Pandas read_excel读取Excel文件，将数据集读入Python的一种方法是使用read_excel方法，该方法有许多参数。
pd.read_excel(io, sheet_name=0, header=0)
io是包含数据的Excel文件。 它应该是类型字符串数据类型，可以是本地存储的文件以及URL。
sheet_name可以是我们要加载的特定工作表的字符串，也可以是零索引工作表位置的整数。 如果我们指定None，则所有工作表都将读入数据框。
header可以是整数或整数列表。 默认值为0，整数表示列名称的行。 如果Excel文件中没有列名，请添加0。
如果要了解其他参数，请参阅read_excel文档。
pandas阅读Excel示例：
这是一个关于如何使用Pandas read_excel的工作示例：
在上面的示例中，我们正在读取Excel文件（'conflictdata.xlsx'）。 数据集只有一个工作表，但为了清楚起见我们添加了“conflictdata”工作表名称作为参数。 也就是说在这种情况下，sheet_name不需要我们使用。
R用户可能熟悉最后一行，以下是打印DataFrane的前X行：
您可能已经注意到，当我们阅读上面的Excel文件时，我们没有使用header参数。 如果我们将标题设置为None，我们将获得数字作为列名。 不幸的是，这使得使用Pandas数据框有点烦人。
我们可以传递一个列名列表作为参数。 最后，由于示例xlsx文件包含列名，我们使用skiprows跳过第一行。 注意，可以使用跳过跳过多行。 只需添加一个列表，其中包含要跳过的行号。
这是另一个使用Python Pandas读取Excel文件的示例：
我们还可以使用Pandas to_excel方法保存新的xlsx（或覆盖旧的，如果你喜欢这样做的话）。
excel_writer可以是字符串（您的文件名）或ExcelWriter对象。
sheet_name应该是包含工作表名称的字符串。 默认为'Sheet1'。
index应该是布尔值（即，True或False）。 通常，我们不希望用数字编写新列。 默认为True。
df.to_excel('newfilename.xlsx', sheet_name='NewColNames', index=False)
有许多方法可用于筛选数据。 一种简单的方法是使用查询， 此方法类似于R中的函数子集。现在我们来筛选出“piq”大于80：
df_piq = df.query('piq > 80')
df_piq.head(4)
- df_males = df [df ['sex'] =='man']
下面显示了如何使用多个条件筛选数据框。 在这种情况下，我们从性别为男性且iq大于80的df中选择观察值。请注意Pandas中的＆符号“＆”是首选的AND运算符。
df_male80 = df.query（'iq> 80＆sex ==“Male”'）
也可以使用OR运算符。 在下面的示例中，我们基于年龄大于或等于40或年龄小于14的行来过滤DataFrame。此外我们还可以通过列'piq'和'viq'筛选条件。
df.query('age >= 40 | age < 14')[['piq', 'viq']].head()
以上就是简单用pandas进行数据分析中读取数据、筛选数据一环，你还可以用它还做很多数据操作，是一个很有用的工具包。
我会在这里发布所有与科技、科学有关的有趣文章，欢迎订阅我的头条号。偶尔也回答有趣的问题，有问题可随时在评论区回复和讨论。
杨沐白
python做数据分析可以说有一定的优势，python很多人学习就是因为其在大数据、人工智能方面的应用。
操作数据库，支持关系型数据库和非关系型数据
传统的关系型数据库Mysql应用比较广泛，python对mysql的支持很友好，通过调用第三方库mysqldb可以很好的访问数据库的数据。
对于非关系型数据库，也就是我们常说的Nosql，连接起来也很方便，通过pymongo这个第三方库，我们就可以访问和操作mongodb。
所以对于Python来说，访问数据库甚至于其它文件都不是一件难事，相反很方便。
数据分析中的重要的数据可视化部分
我们在做数据分析的时候，经常要将数据分析后的结果，通过数据图形展示出来。同时，在我们做分析的时候，通过图形可以一步一步地逼近数据分析结果，在这方面Python有很丰富的库支持，R语言流行的ggplot2库在Python上也可以使用，同时特有seaborn库在可视化方面也是相当的不错，此库结合了matplotlib库相关的画图特性。比如下图中的图就是利用seaborn画出来的，看起来特别舒服。
python在数据分析上的应用具有其一定的优势，而且应用也比较广泛，我们碰到的问题，可以利用第三方库得么完美的支持，这和Python语言的设计初衷有直接有的关系。
Bean蚕豆
数据分析是学习Python的主要就业方向之一，随着大数据分析、数据挖掘等数据相关领域的持续火热， 用Python做数据分析的工作相信也越来越多，这也是促使Python语言本身再次火热的原因之一。
让我们从下面几个方面来看看为什么Python适合做数据分析：
1， 语言特性
Python是一门开源的、功能强大的动态编程语言， 对于动态语言来说， 往往提供开发友好的编程方式。 Python有强大的社区支持、有成千上万的成熟库和框架的支持。这使得使用Python做开发非常便捷。
2， 由于数据分析的库和框架的支持
正是由于Python语言的流行性，在细分的各种工作领域中的库的层出不穷，在数据分析领域尤为如此。 不仅仅是性能良好的基础的Numpy库, Scipy库, 还有支持统计分析的Pandas库， 支持机器学习的Scikit-Learn库以及支持数据可视化的matplotlib以及seaborn等等。每种库和框架都足够成熟适合现实生活中的数据分析工作要求。
另外，对于大数据领域中的流行框架如Spark, Tensorflow, PyTorch等, Python也是官方支持的主要接口语言。
3， 工具的支持
各种Python的IDE如PyCharm, Jupyter也对Python进行了良好的支持，使得数据分析的效率进一步提升。
4， 用Python作数据分析的资料丰富
用Python作数据分析、数据统计这几年在国内才慢慢兴起，其实在国外很早就开始了，因此这方面的书籍、Blog等资料也非常丰富。我这里也收集到一些书籍(不多但是比较经典），有需要的可以私信我.
希望这个回答有所帮助，欢迎交流！！
乐之天空
可以啊，现在Python语言主要应用于爬虫技术，对数据的抓取很精准，并且之所以Python会成为做数据分析的首选，也是因为有比较齐全的数据库，利于抓取，很适合做数据分析。而且现在大数据技术和机器学习，都会用Python开发。
码农视界
做数据分析是必须要学习python的，你要可以学会python很好就业的，现在市场这方面人才都不多，所以现在把python学好，未来发展前途还是非常好的。
可以关注微信公众号【python教程】会不定期分享关于python的知识
