当前位置：首页>python>数据分析前必须会的 Python 语法(只讲用得上的)

数据分析前必须会的 Python 语法(只讲用得上的)

2026-10-10 21:17:33

从一个真实的问题说起

你有没有过这样的经历：想学数据分析，结果买了本厚厚的 Python 教材，啃到第三章”面向对象编程”就放弃了？

说实话，这事真不怪你。教材是给程序员写的，而你要做的是数据分析。两者的关系有点像：你想学会开车去上班，结果驾校非要先教你造发动机。

这一篇，我们只挑数据分析里真正高频用到的语法来讲：变量与数据类型、列表、字典、for 循环、if 判断、函数。学完这一篇，你就能读懂后面 NumPy 和 Pandas 教程里 90% 的代码了。至于类、装饰器、生成器这些，等真正需要时再补也不迟。

打开你的 Jupyter Notebook，我们边敲边学。

一、变量与数据类型：给数据贴个标签

变量就是一个装东西的盒子，盒子上贴了名字。

#把数字3500装进名叫salary的盒子salary=3500#把文字装进名叫name的盒子，文字要用引号包起来name="张三"#打印出来看看print(salary)print(name)

在 Jupyter Notebook 里运行这段代码，结果如下：

Python 里最常打交道的是四种数据类型：

整数（int）：比如年龄 28、订单数 150
小数（float）：比如单价 9.9、转化率 0.032
字符串（str）：带引号的文字，比如城市名“北京”
布尔值（bool）：只有两个取值 True 和 False，后面做筛选时天天见

可以用type()查看任何数据的类型：

age=28price=9.9city="北京"is_member=Trueprint(type(age))#整数print(type(price))#小数print(type(city))#字符串print(type(is_member))#布尔值

在 Jupyter Notebook 里运行这段代码，结果如下：

数据分析里什么时候用到？读进来的销售数据里，“销量”列应该是数字，结果混进了文字”缺货”，这时你就得检查类型、做转换。类型不对，计算直接报错，这是新手最常踩的坑。

二、列表：一列数据的雏形

列表就是一串按顺序排好的数据，用方括号[]包起来，元素之间用逗号隔开。

#一周7天的销售额sales=[320,450,280,510,390,620,480]#取第1天的销售额（注意：Python从0开始数）print(sales[0])#取最后一天的销售额，-1表示倒数第1个print(sales[-1])#取前3天的数据，这叫切片，[0:3]包含0、1、2，不包含3print(sales[0:3])#列表里有多少个元素print(len(sales))

在 Jupyter Notebook 里运行这段代码，结果如下：

还可以往列表里追加数据：

sales.append(550)#第8天的数据来了，加到末尾print(sales)

数据分析里什么时候用到？列表是最基础的数据容器。以后你会发现，Pandas 里选多列时写 df[["姓名", "工资"]]，这个方括号里装的就是一个列表。理解了列表，你就理解了后面一半的语法。

三、字典：带名字的表格行

列表里的数据靠位置找，字典里的数据靠名字找。字典用大括号{}，每一项是”键: 值”的组合。

#一位员工的信息employee={"姓名":"李四","部门":"市场部","工资":8500}#通过名字取值print(employee["姓名"])print(employee["工资"])

在 Jupyter Notebook 里运行这段代码，结果如下：

新增和修改也很直观：

employee["工龄"]=3 #新增一项employee["工资"]=9000 #修改已有项print(employee)

在 Jupyter Notebook 里运行这段代码，结果如下：

数据分析里什么时候用到？用字典创建 DataFrame 是 Pandas 里最常见的操作之一：pd.DataFrame({"姓名": [...], "工资": [...]})。到时候你会觉得无比眼熟。

四、for 循环：重复的事情交给它

假设你要给每个销售额加上 10% 的奖金，7 个数字挨个算，手写太蠢了。for 循环就是干这个的：

sales=[320,450,280]#挨个取出sales里的每个元素，每次都叫sfor s in sales:        bonus=s*1.1 # 加10%print(bonus)

在 Jupyter Notebook 里运行这段代码，结果如下：

（第二个数字出现一长串小数，是计算机存储小数的正常误差，不影响理解。）

注意两个细节：for那一行末尾有冒号，下面要执行的代码必须缩进 4 个空格（Jupyter 里按 Tab 就行）。缩进是 Python 的语法规则，写错了会直接报错。

如果想生成一串连续数字，用range：

#range(5)生成0到4，共5个数for i in range(5):    print("第", i+1,"天")

在 Jupyter Notebook 里运行这段代码，结果如下：

数据分析里什么时候用到？批量处理文件、批量清洗多列数据时会用到。不过先剧透一下：学了 NumPy 之后你会发现，很多循环其实可以被更快的写法替代，但理解循环是理解一切的基础。

五、if 判断：让代码学会分情况

数据分析里经常要”分类”：销售额超过 500 的标记为”爆款”，否则标记为”普通”。if 判断就是干这个的：

sales = 620if sales > 500:    print("爆款")else:    print("普通")

在 Jupyter Notebook 里运行这段代码，结果如下：

情况多于两种时，用elif（否则如果）：

sales = 320if sales > 500:    print("爆款")elif sales > 300:    print("合格")else:    print("待改进")

在 Jupyter Notebook 里运行这段代码，结果如下：

循环和判断经常搭配着用：

sales = [320, 450, 280, 510, 620]count = 0 #准备一个计数器for s in sales:    if s > 400:                count = count + 1print("超过400的天数：", count)

在 Jupyter Notebook 里运行这段代码，结果如下：

数据分析里什么时候用到？这段代码其实就是 Pandas 里”布尔筛选 + 计数”的朴素版本。以后你写 df[df["销量"] > 400].shape[0]一行就能搞定，但背后的逻辑一模一样。

六、函数：把常用的步骤打包

函数就是把一段代码打包，起个名字，以后随叫随到。用def定义，用return返回结果：

#定义一个计算奖金的函数def calc_bonus(salary):    bonus = salary * 0.1 #奖金是工资的10%    return  bonus#调用函数，传入不同的工资print (calc_bonus(8000))print (calc_bonus(12000))

在 Jupyter Notebook 里运行这段代码，结果如下：

函数可以有多个参数，也可以有默认值：

def calc_bonus(salary, rate=0.1): #rate不给的话默认0.1    return salary * rateprint(calc_bonus(8000))  #用默认比例print(calc_bonus(8000,0.2)) #指定20%

在 Jupyter Notebook 里运行这段代码，结果如下：

数据分析里什么时候用到？你其实已经在用函数了：print()、len()、type()都是函数。以后 Pandas 里的 df.head()、df.groupby()本质上也一样，都是”传入数据，返回结果”。学着自己写函数，是为了看懂报错信息、也为了把重复的清洗步骤封装起来复用。

本篇小结

这一篇我们做了减法，只学了六样东西：

语法	一句话理解	数据分析里的用途
变量与数据类型	给数据贴标签	检查列类型、做类型转换
列表	一串有顺序的数据	选多列、存一组数据
字典	靠名字找数据	创建 DataFrame
for 循环	重复执行	批量处理
if 判断	分情况处理	数据分类、打标签
函数	把步骤打包	复用清洗逻辑