前言

数据是不同的信息片段，通常以特殊的方式格式化。

数据被测量、收集、报告和分析，因此通常使用图形、图像或其他分析工具来可视化。原始数据（“未处理的数据”）可能是在被研究人员“清理”和纠正之前的数字或字符的集合。它必须得到纠正，以便我们可以删除离群值，仪器或数据输入错误。

数据处理通常分阶段进行，因此，来自一个阶段的“处理数据”也可以被认为是后续阶段的“原始数据”。现场数据是在不受控制的“现场”环境中收集的数据。实验数据是在科学调查的观察中产生的数据。

数据可通过以下方式生成：

它通常可以在任何以结构化或非结构化格式生成和存储任何信息的地方生成。

【----帮助数据分析学习，以下所有学习资料文末免费领！----】

一般来说，数据可以分为两部分：

在分类数据中，我们看到具有定义的类别的数据，例如：

数值数据可以进一步分为两类：

在高级级别，我们可以将数据进一步分为四个部分：

3. 间隔量表：

间隔标度可以是有序标度，在该有序标度期间，测量值之间的差异是有意义的量，但是测量值不具有真实的零点。例如：

4. 比例尺：

比率标度可以是有序标度，在该有序标度期间，测量值之间的差是有意义的量，因此测量值具有真实零点。因此，我们可以对真实的规模的数据执行算术运算。例如：体重、年龄、工资等。

Python在过去的几年里一直很受欢迎，最近的调查也表明了同样的情况，Python在TIOBE索引和PYPL索引中的顶级编程语言中名列前茅。然而，为了支持这一点，背后有五个具体原因。

易于学习：作为一个开源平台，Python具有简单直观的语法，易于学习和阅读。这使得它成为初学者学习数据科学的一种很好的语言。
跨平台：作为一名开发人员，您不需要担心数据类型。原因是，Python允许开发人员在Windows、Mac OS X、UNIX和Linux上运行代码。
可移植性：作为一种简单且初学者友好的编程语言，Python在本质上具有高度的可移植性，这意味着开发人员可以在不同的机器上运行他们的代码，而无需进行任何进一步的更改。
广泛的库：Python有几个功能强大的库，使数据分析和可视化变得容易。Pandas是一个数据操作和分析库，NumPy是一个数值计算库，Matplotlib是一个数据可视化库。
社区支持：Python有一个庞大而活跃的社区，支持并促进各种数据科学库和工具的开发。这个社区创建了许多有用的库，包括Pandas、NumPy、matplotlib和SciPy，它们在数据科学中得到了广泛的应用。

然而，选择Python用于数据分析的原因还有很多，例如OOP，表达性语言，动态分配内存的能力等。这就是为什么要将Python编程语言用于数据分析。