数据分析在做什么
3 道练习题·预计 40 分钟·做对一题解锁下一段
前言
各位童鞋学到这里，手里其实已经攒了不少数据：实战 6 的记账本，记下了每一笔花销；学过爬虫课的童鞋，还从书店网站上抓下了一整个书店的图书。
数据是有了，可光把它们存着，并没有什么用。咱们真正想知道的是：这些数据能告诉我们什么？
比如，一年下来，钱主要花在了哪儿？哪个月花得最多？书店里，贵的书评分会不会更高？这些问题的答案，其实就藏在数据里。把答案找出来的过程，就叫数据分析。
那么，拿什么来做数据分析呢？这门课一共 10 章，用的是 Python 里做数据分析最常用的两个工具：
- pandas：把数据装进一张「表」里。筛选、统计、分组、合并，几行代码就能搞定。
- matplotlib：把数字画成图，让人一眼就看出趋势和差别。
练习用的数据有两份，都是编出来的：一份是 2026 年一整年的记账本，另一份是两点书店的图书和读者评分。前 8 章一样一样地学工具，最后两章是两个完整的分析项目，每个项目都要写出一份分析结论。
有一件事要先说在前面：pandas 和 matplotlib 加起来有几十 MB，第一次运行代码时，网页要先把它们下载下来。这时候输出区会显示下载进度，请耐心等一会儿。下载过一次以后，浏览器就记住了，下次不用再等这么久。
最后还想说一句。学数据分析，最怕的其实不是不会写代码，而是算出一个数，就急着下结论。所以这门课在教每一样工具的同时，还会一直追问两个问题：这个数说明了什么？它会不会骗了你？
学这一章之前，需要先学完基础课的第 0～9 章和实战 1～6，尤其是 实战 5 里的 csv 文件读写，这一章马上就会用到。爬虫课没学过也不要紧：最后一个项目要用到爬虫抓下的数据，网站已经提前替你准备好了。
目录
这一章会学到：
- 一、从一个问题开始——什么样的问题能用数据回答
- 二、数据分析的六步——提问、获取、清洗、探索、分析、结论
- 三、先用学过的办法算一算——csv 模块加字典
- 四、换成 pandas 试试——同样的事，三行代码
- 五、常见坑
- 六、自己查一次文档——pandas 的说明书在哪儿
- 七、小结与回看
学完这一章，你会知道数据分析要做哪几件事，并用 pandas 读进第一份数据、算出第一个结果。
一、从一个问题开始
拿到一份数据，很多童鞋的第一反应是：赶紧写代码，算点什么出来。其实先别急，第一件事应该是想清楚：我到底想知道什么？
比如手里有一年的记账本，你对自己说：「分析一下我的账。」这算不算一个问题呢？其实不算。因为它太笼统了，根本不知道该从哪儿下手：是算一共花了多少？还是看哪一类花得最多？
好的问题，要具体到能用数据回答。对比一下就清楚了：
| 笼统的 | 具体的 |
|---|---|
| 我花钱多不多？ | 2026 年一共花了多少？平均每个月多少？ |
| 钱都去哪儿了？ | 每个类别各花了多少，哪个类别最多？ |
| 我是不是乱花钱？ | 单笔超过 200 元的花销有几笔，都是什么？ |
| 周末是不是花得多？ | 周末平均每天花多少，工作日平均每天花多少？ |
那么，右边这些具体的问题，有什么共同点呢？仔细看，有三点：
- 说得出要算的数：总和、平均、个数，或者最大的那几笔。
- 说得出比的是什么：类别和类别比，月份和月份比，周末和工作日比。
- 数据里有对应的那一项：记账本的每一笔都记了日期、名称、类别、金额和付款方式，上面这些问题都用得上它们。
反过来，有些问题就没法用这份数据回答。比如「我买的东西值不值」，账本里根本没有记「值不值」，再怎么算也算不出来。问题提得出来，数据却回答不了，这种情况很常见。这时候只有两条路：要么换个问题，要么去找更多的数据。
道理说完了，咱们挑一个最简单的问题来练手：2026 年，每个类别各花了多少钱？
这个问题，第三节就动手来算。在那之前，先花两分钟看看数据分析的全貌：从提出问题到得出结论，一共要走哪几步？
二、数据分析的六步
不管分析的是账单、图书还是天气，要做的事情大体都是下面这六步：
① 提问：想清楚要回答什么
② 获取：把数据拿到手（自己记的、爬虫抓的、别人给的）
③ 清洗：处理缺失、重复、写错的数据
④ 探索：看看数据长什么样，有多少行、每列是什么、有没有怪的值
⑤ 分析：统计、分组、比较，必要时画成图
⑥ 结论：用大白话说清楚发现了什么，以及这个结论靠不靠得住这门课的章节，基本就是沿着这六步来排的。每一步在哪一章学，可以对照这张表：
| 步骤 | 在哪一章 |
|---|---|
| 获取、探索 | 第 2 章「认识 DataFrame」 |
| 探索 | 第 3 章「挑出想要的数据」、第 4 章「用几个数说清一列」 |
| 清洗 | 第 5 章「把数据洗干净」 |
| 分析 | 第 6 章「分组汇总与透视表」、第 7 章「把几张表拼起来」 |
| 分析、画图 | 第 8 章「把数字画成图」 |
| 全部六步 | 第 9、10 章两个项目 |
不过要注意，这六步并不是一条直线，走完一步就再也不回头。比如探索的时候发现数据有问题，就得回到清洗；分析出一个意想不到的结果，可能还要回到提问，换个角度再问一遍。这样来回走好几趟，是很正常的事。
六步里面，最容易被跳过的是第 ⑥ 步的后半句：结论靠不靠得住。为什么这么说呢？因为算出一个数很容易，难的是说清楚这个数能说明什么、不能说明什么，而这恰恰是分析里最有价值的部分。
三、先用学过的办法算一算
回到第一节的问题：2026 年，每个类别各花了多少钱？pandas 还没学，咱们先用已经学过的办法试试看。
记账本存在 ledger_2026.csv 这个文件里。在网页里运行时，网站已经替你放好了这个文件；要是在自己电脑上运行，就得先从 练习靶场 把它下载下来，放在代码文件的旁边。
动手算之前，先看看文件里长什么样。下面的代码只读出文件的前 4 行：
with open('ledger_2026.csv', encoding='utf-8') as f:
for _ in range(4):
print(f.readline().strip())输出的结果：
date,item,category,cost,payment
2026-01-01,房租,居住,2500,银行卡
2026-01-01,水电燃气,居住,156,支付宝
2026-01-01,早饭,餐饮,13,支付宝第一行是表头，说明每一列记的是什么。可以看到，每一笔花销都记了五项：日期、名称、类别、金额和付款方式。
数据的样子清楚了，接下来就可以算了。思路是这样的：一行一行地读，碰到哪个类别，就把这一笔的金额加到这个类别的总数上。读文件用实战 5 学过的 csv 模块，累加用实战 2 学过的字典：
import csv
totals = {}
with open('ledger_2026.csv', encoding='utf-8', newline='') as f:
for row in csv.DictReader(f):
totals[row['category']] = totals.get(row['category'], 0) + float(row['cost'])
for category, money in sorted(totals.items(), key=lambda item: item[1], reverse=True):
print(f'{category}：{money:.2f} 元')输出的结果：
居住：32888.50 元
餐饮：23583.00 元
购物：4992.50 元
娱乐：3178.00 元
交通：1713.00 元
学习：1659.00 元
医疗：1181.50 元这段代码里，最难懂的大概是最后那个 for 后面的一长串排序。咱们把它拆开来看：
totals.items()把字典变成一对一对的（类别, 金额），比如('居住', 32888.5)。sorted()负责排序。它不会改动原来的字典，而是排好以后，返回一个新的列表。- 那按什么排呢？
key=lambda item: item[1]就是在告诉sorted()：每一对里取第 2 个值，也就是金额，按金额来排。lambda是基础课第 6 章讲过的匿名函数，忘了的话可以回去看一眼。 reverse=True的意思是倒过来排，从大到小。
这样一来，花得最多的类别就排在了最前面。看输出，答案出来了：居住花得最多，主要是因为每个月 2500 元的房租；其次是餐饮。
用学过的办法，这个问题总算是算出来了。不过回头看看这段代码，为了得到这几个数，咱们一共做了五件事：打开文件、一行一行地读、把金额从字符串转成数字、用字典累加，最后再排序。
而这还只是最简单的一个问题。要是接着再问一句「每个月、每个类别各花了多少？」，代码还得再长一截。
那么，有没有更省事的办法呢？有，下一节就来试试 pandas。在那之前，先做一道练习，用同样的办法把全年的花销加起来，把这个思路练熟。
用 csv 模块读 ledger_2026.csv ，数一数一共记了几笔，把金额（cost 列）全部加起来。金额读出来是字符串，记得先转成数字。
运行后的输出应该是：
1354 笔，共 69195.50 元推荐一个，全网最全最友好的中文 AI 编程指南： coding.stormzhang.ai