从零开始利用Excel与Python进行数据分析

Name: 从零开始利用Excel与Python进行数据分析
ISBN: 9787301332146

兰一杰2025年8月

3.2

字数: 9.5万字
章节数: 294
ISBN: 9787301332146

信息有误查询本书

内容简介

本书介绍了数据分析的方法和步骤，并分别通过Excel和Python实施和对比。通过本书一方面可以拓宽对Excel功能的认识，另一方面可以学习和掌握Python的基础操作。

本书分为11章，涵盖的主要内容有Excel和Python在数据分析领域的定位与核心功能对比、统计量介绍、Excel与Python实践环境搭建、数据处理与分析的基本方法、ETL方法、数据建模理论、数据挖掘基础、数据可视化的基本方法、分析报告的制作方法。

本书内容由浅入深，注重功能实用性，适合数据分析工作者、相关专业学生、Python初学者、Excel深入学习者阅读。

编辑推荐

本书的独特之处在于把Excel和Python放在同一张桌面上对照讲：同一个数据分析任务，先用Excel做一遍，再用Python实现，让读者看清两种工具各自的定位与边界。内容从统计量、环境搭建、数据处理与分析方法，延伸到ETL、数据建模、数据挖掘基础、可视化和分析报告制作，覆盖了数据分析的完整流程。对习惯Excel的职场人，这是一条拓宽工具视野的路径；对Python初学者，Excel的对照能降低抽象代码的理解难度。书中强调由浅入深和功能实用性，适合边读边在电脑上操作。需要提醒的是，数据分析能力最终来自反复动手，仅阅读不实践收效有限。

适合谁读

适合

日常使用Excel的数据分析工作者，希望拓展Python技能
Python初学者，想通过熟悉的数据分析任务入门编程
经济、管理、统计等相关专业学生，需要掌握实用分析流程
希望系统了解从数据处理到分析报告完整链条的自学者

不适合

已熟练使用Python进行数据分析、寻求高阶算法内容的读者
完全没有电脑操作基础、不打算动手实践的读者
只想学习Excel高级技巧、对编程无兴趣的读者

阅读建议

按章节顺序阅读，每章先看Excel实现，再对照Python代码亲手运行一遍。
准备一份自己的真实数据，随章节推进完成从清洗到可视化的完整练习。
读到ETL和建模部分时，回头对比前面Excel与Python的做法差异并做笔记。
学完后独立制作一份分析报告，检验对全书流程的掌握程度。

版权信息
前言
第1章 Excel与Python的定位与功能对比
1.1 数据分析简介
1.1.1 发展趋势
1.1.2 赋能增值
1.2 Excel与Python的特征对比
1.2.1 定位对比
1.2.2 操作方式对比
1.2.3 适用场景和对象
1.3 Excel与Python的功能范围
1.3.1 Excel的功能区
1.3.2 Python数据处理包和工具
1.3.3 Excel与Python的数据处理功能对比
1.4 Excel与Python的选择和协作
1.4.1 如何选择
1.4.2 如何协作
第2章统计量
2.1 常用统计量介绍
2.1.1 集中趋势
2.1.2 离散程度
2.1.3 可能性评估
2.1.4 条件概率
2.2 随机变量及其分布
2.2.1 随机变量
2.2.2 离散型随机变量分布
2.2.3 连续型随机变量分布
第3章实践环境的搭建
3.1 Excel数据分析环境
3.1.1 配置和扩展功能区
3.1.2 Excel的操作方法
3.2 Python开发环境
3.2.1 安装Python
3.2.2 安装Anaconda开发环境
3.3 Python基础语法
3.3.1 认识Python的工作方式
3.3.2 基础语法——Python的独特“口音”
3.3.3 变量与类型——角色扮演
3.3.4 运算符——算术演示
3.3.5 字符串操作——以语文实例演示
3.3.6 条件控制——以物理实例演示
3.3.7 循环控制——以数学实例演示
3.3.8 GUI编程——以美术实例演示
3.3.9 复合数据类型——以地理实例演示
3.3.10 函数——以化学实例演示
3.3.11 类——时间对象的演示
3.3.12 包和模块
3.3.13 主要的数据科学包
3.3.14 数据库操作
3.4 Excel与Python的整合环境
3.4.1 安装openpyxl包
3.4.2 构建测试数据
3.4.3 Excel文件读写
3.4.4 自动化处理
第4章数据处理与分析
4.1 各种统计量的计算
4.1.1 平均数的计算
4.1.2 中位数的计算
4.1.3 众数的计算
4.1.4 最大值、最小值的计算
4.1.5 四分位数的计算
4.1.6 标准差的计算
4.1.7 频率计算
4.1.8 Excel与Python中统计量函数对比
4.2 数据分析与概率统计
4.2.1 描述统计
4.2.2 排列组合
4.2.3 二项分布计算
4.2.4 几何分布计算
4.2.5 正态分布计算
4.2.6 抽样工具
4.2.7 相关系数
4.2.8 方差分析
4.2.9 Excel和Python数据分析和概率计算功能对比
4.3 逻辑运算
4.3.1 逻辑“与”的运算
4.3.2 逻辑假的设置
4.3.3 逻辑条件判断
4.3.4 逻辑错误处理
4.3.5 异常值处理
4.3.6 逻辑“非”的运算
4.3.7 逻辑“异或”的运算
4.3.8 Excel与Python逻辑运算对比
4.4 文本处理
4.4.1 拼接字符串
4.4.2 对比字符串
4.4.3 查找字符串
4.4.4 计算字符串长度
4.4.5 大小写转换
4.4.6 替换字符串
4.4.7 去除空格
4.4.8 Excel和Python的文本处理函数对比
4.5 日期与时间
4.5.1 构建日期和时间数据
4.5.2 拆分日期和时间数据
4.5.3 日期的加减
4.5.4 星期制度数据
4.5.5 转换日期和时间格式
4.5.6 Excel和Python的日期和时间函数对比
4.6 查找与引用
4.6.1 定义引用关系
4.6.2 LOOKUP函数
4.6.3 VLOOKUP函数
4.6.4 TRANSPOSE函数
4.6.5 MATCH函数
4.6.6 Excel和Python的查找引用功能对比
4.7 数学与三角函数
4.7.1 数值处理
4.7.2 转换计算
4.7.3 三角函数
4.7.4 指数与对数
4.8 数据的排序、查重、汇总
4.8.1 数据的排序
4.8.2 数据的查重
4.8.3 数据的汇总
4.8.4 Excel和Python的数据排序、查重、汇总功能对比
第5章数据抽取——ETL中的E
5.1 连接数据库的配置
5.1.1 Excel中的配置方式
5.1.2 Python中的配置方式
5.2 使用Power Query
5.2.1 打开Power Query
5.2.2 使用Power Query
5.3 从数据库抽取数据
5.3.1 连接SQLite数据库
5.3.2 连接SQL Server数据库
5.3.3 连接Oracle数据库
5.3.4 连接MySQL数据库
5.3.5 连接PostgreSQL数据库
5.3.6 连接MongoDB数据库
5.3.7 Excel和Python连接数据库的方法对比
5.4 从数据文件中读取数据
5.4.1 从CSV文件中读取数据
5.4.2 从XML文件中读取数据
5.4.3 从JSON文件中读取数据
5.4.4 从TXT文件中读取数据
5.4.5 Excel和Python读取各类文件数据的方法对比
5.5 从互联网获取数据
5.5.1 构建测试用网站数据
5.5.2 抓取网页数据
5.5.3 调用Web API服务
5.5.4 Excel和Python抓取互联网数据方法对比
5.6 验证抓取的数据
5.6.1 数据统计
5.6.2 确定数据类型
5.6.3 检查数据边界
第6章数据清洗——ETL中的T
6.1 问题数据类型与数据清洗方法
6.1.1 问题数据类型
6.1.2 数据清洗方法
6.2 使用Python抓取演示用金融数据
6.3 数据清洗方法说明
6.3.1 Power Query清洗方法
6.3.2 DataFrame类型数据清洗方法
6.4 数据清洗实践
6.4.1 重复数据的处理
6.4.2 缺失数据的处理
6.4.3 添加自定义列
6.4.4 错误、异常数据的处理
6.4.5 数据关联
6.4.6 数据追加
6.4.7 分类汇总
6.4.8 步骤编排和复用
6.4.9 总结
第7章数据装载——ETL中的L
7.1 数据仓库ETL技术
7.1.1 ETL
7.1.2 ELT
7.2 通过Excel装载数据
7.2.1 保存为CSV文件
7.2.2 保存为HTML文件
7.2.3 保存为XML文件
7.2.4 发布到SharePoint
7.2.5 发布到Power BI
7.2.6 发布到OneDriver
7.3 通过Python装载数据
7.3.1 写入HDF5文件
7.3.2 写入关系数据库
7.3.3 生成HTML文件
7.3.4 保存到JSON文件
7.3.5 保存为LaTeX数据
7.3.6 保存为Parquet格式数据
7.3.7 转换为NumPy数据
7.3.8 生成Markdown格式数据
7.3.9 总结
7.4 数据装载策略
7.4.1 装载的方式
7.4.2 装载的频率
7.4.3 操作的方式
第8章数据建模
8.1 数据模型相关概念
8.1.1 关系模型
8.1.2 多维度建模
8.1.3 测试数据说明
8.2 使用Power Pivot构建数据模型
8.2.1 启用Power Pivot
8.2.2 认识Power Pivot
8.2.3 构建Power Pivot关系模型
8.2.4 应用Power Pivot数据模型
8.3 使用SQLAlchemy构建模型
8.3.1 启用SQLAlchemy
8.3.2 认识SQLAlchemy
8.3.3 通过SQLAlchemy构建数据模型
8.3.4 应用SQLAlchemy数据模型
8.4 Excel和Python构建关系数据模型对比
第9章数据挖掘
9.1 认识数据挖掘
9.1.1 数据分析和数据挖掘
9.1.2 数据挖掘算法的分类
9.1.3 数据挖掘步骤
9.2 Excel数据挖掘方案
9.2.1 安装数据挖掘插件
9.2.2 认识数据挖掘插件
9.2.3 使用数据挖掘插件
9.2.4 创建数据挖掘模型
9.2.5 管理数据挖掘模型
9.2.6 使用Excel函数进行数据挖掘
9.3 Python数据挖掘方案
9.3.1 安装scikit-learn
9.3.2 认识scikit-learn
9.3.3 scikit-learn API接口
9.4 scikit-learn操作
9.4.1 特征抽取
9.4.2 算法选择
9.4.3 验证操作
9.5 具体挖掘算法
9.5.1 线性回归
9.5.2 逻辑回归
9.5.3 聚类分析
9.5.4 贝叶斯算法
9.5.5 决策树算法
第10章数据可视化
10.1 数据可视化基础
10.1.1 数据可视化图的构成
10.1.2 数据可视化陷阱
10.2 可视化方案
10.2.1 Excel数据可视化方案
10.2.2 Python数据可视化方案
10.2.3 辨认数据类型
10.2.4 选择可视化图
10.3 散点图
10.3.1 散点图说明
10.3.2 在Excel中绘制散点图
10.3.3 在Python中绘制散点图
10.4 饼图
10.4.1 饼图说明
10.4.2 在Excel中绘制饼图
10.4.3 在Python中绘制饼图
10.5 条形图
10.5.1 分段条形图说明
10.5.2 堆积条形图说明
10.5.3 在Excel中绘制条形图
10.5.4 在Python中绘制条形图
10.6 面积图
10.6.1 面积图说明
10.6.2 在Excel中绘制面积图
10.6.3 在Python中绘制面积图
10.7 折线图
10.7.1 折线图说明
10.7.2 在Excel中绘制折线图
10.7.3 在Python中绘制折线图
10.8 柱形图
10.8.1 柱形图说明
10.8.2 在Excel中绘制柱形图
10.8.3 在Python中绘制柱形图
10.9 特殊可视化图
10.9.1 绘制股票K线图
10.9.2 数据挖掘可视化
10.9.3 其他学科数据可视化
10.10 Excel与Python可视化处理方式对比
第11章分析报告
11.1 分析报告基础
11.1.1 仪表板和报表的差异
11.1.2 设计的原则
11.1.3 内容的确定
11.1.4 Excel分析报告制作方案
11.1.5 Python分析报告制作方案
11.2 Excel数据透视
11.3 Excel数据仪表板
11.3.1 确定内容
11.3.2 布局设计
11.3.3 表格样式设置
11.3.4 添加目标值和计算百分比
11.3.5 使用迷你图
11.3.6 增强表格可视化效果
11.3.7 添加切片器
11.4 安装JupyterLab插件
11.4.1 安装插件
11.4.2 验证使用插件
11.5 JupyterLab交互式设计
11.5.1 使用Markdown添加说明
11.5.2 读取处理数据
11.5.3 添加交互功能
11.5.4 添加可视化控件

常见问题

完全不懂Python，能直接读这本书吗？

可以。本书面向Python初学者，内容由浅入深，并配有Excel与Python的对照，能用熟悉的任务帮助理解代码。但仍需按书中步骤搭建实践环境并亲手运行示例，只看不练很难掌握。若有基本的电脑文件操作和Excel使用经验，入门会更顺利。

书里的Excel和Python是对比讲还是分开讲？

按内容介绍，本书分别通过Excel和Python实施和对比数据分析的方法与步骤，属于对照式讲解。读者既能看到Excel在数据分析中的定位与核心功能，也能学习Python的基础操作，从而理解两种工具各自适合的任务场景，而不是把它们当作互不相关的两套内容。

这本书覆盖数据分析的哪些环节？

按目录范围，涵盖统计量介绍、实践环境搭建、数据处理与分析的基本方法、ETL方法、数据建模理论、数据挖掘基础、数据可视化的基本方法以及分析报告的制作方法，基本覆盖从数据准备到成果呈现的完整流程，适合建立整体认识。

学完能直接胜任数据分析工作吗？

本书提供的是方法框架和工具入门，能帮助读者理解数据分析的步骤并在Excel与Python中实施。实际工作能力还取决于对业务的熟悉程度和项目练习量。建议把书中方法用于自己的真实数据，完成若干完整分析并撰写报告，再逐步承担实际分析任务。

读者评论

查询本书

本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。

作者简介

兰一杰作者 · 中国

兰一杰，资深软件工程师、项目经理，长期关注并实践数据分析与深度学习技术的整合运用。公开资料有限，其职业履历与个人背景未见详尽披露，但从已出版作品可见其写作面向实际应用。他多年从事通过Python实施数据化运维、主数据项目与大数据分析项目的开发工作，技术积累横跨小数据与大数据两个层面。其代表作品包括《从零开始利用Excel与Python进行数据分析》《Python大数据分析从入门到精通》以及《AI提示工程实战：从零开始利用提示工程学习应用大语言模型》，多归入编程设计与计算机综合类。这些作品以入门到实战为线索，注重工具方法与真实场景的结合，适合希望系统掌握数据处理与提示工程技能的读者参考。