之前就一直有打算出一个结合Excel的Python数据分析的教程，刚好张俊红同学就出了书籍，后面写相关文章又多了一本好书。我首先说说我的看法，为什么要和Excel做结合了。

• Excel大家都熟悉，结合讲解好入门

• Python数据分析书，推荐的《利用Python进行数据分析》对于初学者来说还是比较难入手

所以结合来讲，不仅能再学习下Excel知识，又能轻松入门Python数据分析，我看了下书的目录，和我的想法是有很多共同点的，numpy写到最后面（numpy很重要，但学习起来很枯燥）。

接下来，就看看张俊红同学对于书的介绍吧~

1.本书简介

集Python、Excel、数据分析为一体是本书的一大特色。

本书围绕整个数据分析的常规流程：熟悉工具—明确目的—获取数据—熟悉数据—处理数据—分析数据—得出结论—验证结论—展示结论进行Excel和Python的对比实现，告诉 你每一个过程中都会用到什么，过程与过程之间有什么联系。本书既可以作为系统学习数 据分析操作流程的说明书，也可以作为一本数据分析师案头必备的实操工具书。

本书通过对比Excel功能操作去学习Python的代码实现，而不是直接学习Python代码，大大降低了学习门槛，消除了读者对代码的恐惧心理。适合刚入行的数据分析师，也适合对Excel比较熟练的数据分析师，以及从事其他岗位想提高工作效率的职场人。

2.为什么要写这本书

本书既是一本数据分析的书，也是一本Excel数据分析的书，同时还是一本Python数据分析的书。在互联网上，无论是搜索数据分析，还是搜索Excel数据分析，亦或是搜索Python数据分析，我们都可以找到很多相关的图书。既然已经有这么多同类题材的书了，为什么我还要写呢？因为在我准备写这本书时，还没有一本把数据分析、Excel 数据分析、Python数据分析这三者结合在一起的书。

为什么我要把它们结合在一起写呢？那是因为，我认为这三者是一个数据分析师必备的技能，而且这三者本身也是一个有机统一体。数据分析让你知道怎么分析以及分析什么；Excel和Python是你在分析过程中会用到的两个工具。

3.为什么要学习Python

既然Python在数据分析领域是一个和Excel类似的数据分析工具，二者实现的功能都一样，为什么还要学 Python，把Excel学好不就行了吗？我认为学习Python的主要原因有以下几点：

1．在处理大量数据时，Python的效率高于Excel

当数据量很小的时候，Excel和Python的处理速度基本上差不多，但是当数据量较大或者公式嵌套太多时，Excel 就会变得很慢，这个时候怎么办呢？我们可以使用Python，Python对于海量数据的处理效果要明显优于 Excel。用Vlookup函数做一个 实验，两个大小均为23MB的表（6 万行数据），在未作任何处理、没有任何公式嵌套之前，Excel中直接在一个表中用 Vlookup 函数获取另一个表的数据需要20秒（我的 计算机性能参数是 I7、8GB 内存、256GB 固态硬盘），配置稍微差点的计算机可能打开这个表都很难。但是用Python实现上述过程只需要580毫秒，即 0.58 秒，是 Excel 效率的 34 倍。

2．Python可以轻松实现自动化

你可能会说Excel的VBA也可以自动化，但是VBA主要还是基于Excel内部的 自动化，一些其他方面的自动化VBA 就做不了，比如你要针对本地某一文件夹下面的文件名进行批量修改，VBA就不能实现，但是Python可以。

3．Python可用来做算法模型

虽然你是做数据分析的，但是一些基础的算法模型还是有必要掌握的，Python可以让你在懂一些基础的算法原理的情况下就能搭建一些模型，比如你可以使用聚类算法搭建一个模型去对用户进行分类。

4.为什么要对比Excel学习Python

Python虽然是一门编程语言，但是在数据分析领域实现的功能和Excel的基本功 能一样，而Excel又是大家比较熟悉、容易上手的软件，所以可以通过Excel数据分析去对比学习Python数据分析。对于同一个功能，本书告诉你在Excel中怎么做，并告诉你对应到Python中是什么样的代码。例如数值替换，即把一个值替换成另一个值， 对把“Excel”替换成“Python”这一要求，在Excel中可以通过鼠标点选实现，如下图所示。:

在 Python 中则通过具体的代码实现，如下所示:

df.replace(“Excel”,”Python”)#表示将表df中的Excel替换成Python 

本书将数据分析过程中涉及的每一个操作都按这种方式对照讲解，让你从熟悉的Excel操作中去学习对应的 Python实现，而不是直接学习Python代码，大大降低了学习门槛，消除了大家对代码的恐惧心理。这也是本书的一大特色，也是我为什么要写本书的主要原因，就是希望帮助你不再惧怕代码，让你可以像学Excel数据分析一 样，轻松学习Python数据分析。

5.本书目录

本书分为三篇，入门篇主要讲数据分析的一些基础知识，介绍数据分析是什么，为什么要做数据分析，数据分析究竟在分析什么，以及数据分析的常规流程；实践篇围绕数据分析的整个流程，为了让大家便于理解，又将数据分析整个过程与买菜做饭相联系，分别介绍每一个步骤中的操作，这些操作用Excel如何实现，用Python又如何实现；进阶篇：介绍几个实战案例，让你体会一下在实际业务中如何使用Python。

入门篇
第 1 章  数据分析基础

实践篇
第 2 章  熟悉锅——Python 基础知识
第 3 章  Pandas 数据结构 
第 4 章  准备食材——获取数据源
第 5 章  淘米洗菜——数据预处理
第 6 章  菜品挑选——数据选择
第 7 章  切配菜品——数值操作
第 8 章  开始烹调——数据运算
第 9 章  炒菜计时器——时间序列
第 10 章  菜品分类——数据分组/数据透视表
第 11 章  水果拼盘——多表拼接 
第 12 章  盛菜装盘——结果导出
第 13 章  菜品摆放——数据可视化

进阶篇
第 14 章  典型数据分析案例 
第 15 章  NumPy数组

6.专家推荐

来看看一些行业大佬怎么讲，在此再次感谢为这本书写推荐的各位老师。

---

数据分析的门槛可以很高，也可以很低，但它一定很重要！这本书不是晦涩难懂的学术教材，而是适合不同层次职场人士学习的工具书，通俗易懂的阐述了数据分析的基础及在不同工具下的主要实践，对于初学者或是资深数据爱好者都有很好的启发和助益。

by--黄小伟 有赞数据分析团队负责人/R语言中文社区创始人

---

大数据时代，数据分析是每个职场人士的必备技能之一，你掌握了吗？本书以一种人人都熟悉的炒菜的故事作为主线，用轻松的语言深入浅出的讲述数据分析的各个核心要素，是初入数据分析领域的同学一个很好的入门教材，同时也是有一定分析经验同学的参考工具书。

by--黄崇杰 平安壹钱包数据营销总监

---

数据分析工作中的80%以上的时间都在处理底层数据。一份“高大上”的报告实际上只占了分析师不到20%的时间。张老师的这本书出现的正是时候——Excel好用但是在大数据是的效率低，但是结合上Python的能力以后，会让分析师如虎添翼。数据分析师们动动手指产出INSIGHT的美好时光指日可待了！

by--刘洋 阿里巴巴高级产品专家

---

本书为传统数据分析人员迈向大数据时代指明方向，并终将带来竞争优势

by--闵军 找钢网数据中心总经理

---

一本少见的结合了Excel及Python来学习数据分析的好书。作为基本的数据分析工具，Excel技能及Python技能的掌握，对于数据分析师来说都是十分必要的，相信任何一个有志于学习数据分析的朋友，都能从此书收获良多。

by--张浩彬 广东柯内特环境科技有限公司首席数据科学家

---

本书是实用并且可操作，通过Python来分析数据，从书中内容看出作者在陈列操作步骤过程中包括了大量的分析思维，对于那些想转型或者入门想从事数据分析的同学，是一步很好的教材级书本。

by--赵良 中国统计网联合创始人

---

作为这几年最火的语言之一，Python在数据分析方面的能力几乎是无限的，可能唯一的限制就在于使用者本身的能力和认知。对数据分析师而言，用Python做数据分析已经成为必需技能。这本Python数据分析基于熟知的Excel做对照和解释，深入浅出，娓娓道来。既兼顾到不同工具的应用场景，又将使用技巧融入其中。推荐刚入门的数据分析师阅读。

by--宋天龙 《Python数据分析与数据化运营》作者

---

Excel与Python都是数据分析利器，本书从Excel与Python的实际作用出发，书中的知识都是作者多年一线工作的经验总结。

by-- 王颖祥 永辉超市大数据合伙人

7.本书样章

全书采用对比Excel操作的方式来讲解Python代码，以下为书中介绍数据透视表的部分内容：

数据透视表实现的功能与数据分组相类似但又不同，数据分组是在一维(行)方向上不断进行拆分，而数据透视表是在行列方向上同时进行拆分。

下图为数据分组与数据透视表的对比图：

数据透视表不管是在Excel还是Python中都是一个很重要的功能，大家都需要熟练掌握。

Excel实现

Excel中的数据透视表在插入菜单栏中，选择插入透视表以后就会看到下图的界面。下图左侧为数据表中的所有字段，右侧为数据透视表选项，把左侧字段拖到右侧对应的框中即完成了数据透视表的制作。

下图为让客户分类作为行标签，区域作为列标签，用户ID作为值，且值字段的计算类型为计数的结果。

在数据透视表中把多个字段作拖到行对应的框作为行标签，把多个字段拖到列对应的框作为列标签，把多个字段拖到值对应的框作为值，且可以对不同的值字段选择不同的计算类型，大家自行练习。

Python实现

在Python中的数据透视表制作原理与Excel制作原理是一样的。Python中的数据透视表用到的是pivot_table()方法。

pivot_table的全部参数如下：

pd.pivot_table(data, values=None, index=None, columns=None, aggfunc='mean',                   fill_value=None, margins=False, dropna=True, margins_name='All')

#data表示要做数据透视表的整个表#values对应Excel中值那个框#index对应Excel中行那个框#columns对应Excel中列那个框#aggfunc表示对values的计算类型#fill_value表示对空值的填充值#margins表示是否显示合计列#dropna表示是否删除缺失,一整行全为缺失值#margins_name表示合计列列名

接下来看一些具体实例：

客户分类作为index，区域作为columns，用户ID作为values，对values执行count运算运行结果：

>>>pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc='count')区域    一线城市  三线城市  二线城市客户分类            A类        1.0       NaN       2.0B类        NaN       2.0       NaNC类        1.0       NaN       NaN

上面的运行结果和Excel的不同的就是没有合计列，Python透视表中的合计列默认是关闭，让其等于True就可以显示出来。

pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc='count',margins = True)区域    一线城市  三线城市  二线城市  All客户分类                A类        1.0       NaN       2.0       3B类        NaN       2.0       NaN       2C类        1.0       NaN       NaN       1All        2.0       2.0       2.0       6

合计列名称默认为All，可以通过设置参数margins_name的值进行修改。

pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc='count',margins = True,margins_name = "总计")区域    一线城市  三线城市  二线城市  总计客户分类                A类        1.0       NaN       2.0       3B类        NaN       2.0       NaN       2C类        1.0       NaN       NaN       1总计       2.0       2.0       2.0       6

NaN表示缺失值，我们可以通过设置参数fill_value的值对缺失值进行填充。

#将缺失值填充为0pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc='count',margins = True,fill_value = 0)区域    一线城市  三线城市  二线城市  All客户分类                A类        1         0         2         3B类        0         2         0         2C类        1         0         0         1All        2         2         2         6

aggfunc用来表示计算类型，当只传入一种类型时，表示对所有的值字段都进行同样的计算；如果需要对不同的值进行不同的计算类型，需要传入一个字典，键为列名，值为计算方式,下面对用户ID进行计数、对7月销量进行求和：

pd.pivot_table(df,values = ["用户ID","7月销量"],,columns = "区域",index = "客户分类",aggfunc={"用户ID":"count","7月销量":"sum"})     7月销量                        用户ID区域 一线城市 三线城市 二线城市    一线城市 三线城市   二线城市客户分类                        A类     6.0      NaN      50.0     1.0      NaN        2.0B类     NaN      46.0     NaN      NaN      2.0        NaNC类     7.0      NaN      NaN      1.0      NaN        NaN

为了便于进一步的分析与处理，我们一般对数据透视表的结果也会重置索引，利用的方法同样是reset_index()。

pd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc='count')区域    一线城市  三线城市  二线城市客户分类            A类        1.0       NaN       2.0B类        NaN       2.0       NaNC类        1.0       NaN       NaNpd.pivot_table(df,values = "用户ID",columns = "区域",index = "客户分类",aggfunc='count').reset_index()区域    客户分类        一线城市        三线城市        二线城市0        A类          1.0         NaN         2.01        B类          NaN          2.0        NaN2        C类          1.0         NaN         NaN

8.福利时刻

福利1
在微信公众号（张俊红）后台回复『我想试读』，即可获得本书试读部分+Python数据分析师知识图谱电子版一份。

福利2
购买纸质书可获得以下福利：
1、赠送纸质Python数据分析师知识图谱一份
2、赠送价值89元的『入职数据分析师』电子书一份
3、赠送价值99元的『数据分析师入职第一课』视频课程一套
4、加入读者群与作者随时交流
5、加入我组建的打卡圈子，30天学会Python数据分析
tip:可加入读者群咨询上述福利获取方式

9.购买方式

目前书籍已经在京东、淘宝、当当网全面上线，大家搜索『对比Excel，轻松学习Python数据分析』即可进行购买，请认准小黄书哦。也可以直接扫描下方二维码进行购买，本书目前在当当网可以享受满100减50的活动哦。

如果你已经购买了纸质书，可添加我为好友(请备注“读者”)，我会邀请你进读者群，同时也会邀请你进入打卡圈子，30天带你学会Python数据分析，有任何关于书相关的问题也都可以咨询我。