1、大数据最基本特点数据体量巨大。

2、pandas 是 Python的一个数据分析包，主要有 Series 和 DataFrame 两种类型的数据对象。

3、字典中的键可以是 Python 中的任意不可变数据，如整数、字符串、元组等。字典中的键不允许重复。

4、在Python中，所有数据类型都被视为对象，如字符串、列表、字典、元组等内置数据类型都具有和对象相似的语法和用法。

5、Python提供了两种实现循环的语句，分别是 for 和 while 。

6、matplotlib 是 Python 中最常用的可视化工具之一。

7、数据分析是指利用合适的工具在统计学理论的支撑下，对数据进行一定程度的处理，然后结合具体业务分析数据，进行监控、定位、分析、解决问题。达到高效决策、提高经营效率，发现业务机会点，从而占有优势。

数据分析可以把隐藏在大量数据背后的信息提炼出来，总结出数据的内在规律。

数据分析究竟在分析什么：

（1）总体概览指标：总体概览指标又称统计绝对数，是反映某一数据整体规模大小，总量多少的指标。

（2）对比性指标：说明现象之间数量对比关系的指标，常见的就是同比、环比、差比这几个指标。

（3）集中趋势指标：用来反映某一现象在一定时间段内所达到的一般水平，通常用平均指标来表示。

（4）离散程度指标：用来表示总体分布的离散（波动）情况的指标，如果这个指标较大，则说明数据波动较大，反之则说明数据相对比较稳定。

（5）相关性指标：反映数据整体内的变量之间存在什么关系，一个变化会引起另一个怎么变化，我们把用来反映这种关系的指标交做相关系数，相关系数常用r来表示。

8、网络爬虫的基本工作流程如下：

（1）首先选取一部分精心挑选的种子URL；

（2）将这些 URL 放入待抓取 URL 队列；

（3）从待抓取 URL 队列中取出待抓取的 URL ，解析 DNS ，并且得到主机的 IP ，将 URL 对应的网页下载下来，然后进行解析，存储到已下载网页库中。此外，还要将这些 URL 放进已抓取 URL 队列。

（4）分析已抓取 URL 队列中的 URL ，提取其中待抓取的 URL ，将其放入待抓取 URL 队列，从而进入下一个循环。

9、请编程，实现100分制成绩转换为A、B、C、D、E五级等级制成绩。100分制与五级等级制的对应关系：90分及以上为A，80~89分为B，70~79分为C，60~69分为D，60分以下为E。

（1）根据IPO程序设计模式分析如下。

I：一个输入数据，即学生的成绩。

O：A、B、C、D、E中的一个。

P：90分及以上为A，80~89分为B，70~79分为C，60~69分为D，60分以下为E。

（2）算法设计（控制流图如下）

（3）编写程序

#ch9.py
#100分制与五级等级制成绩的转换

score = float(input("请输入成绩： "))
if score >=90:
          grade='A'
elif score >=80:
          grade='B'
elif score >=70:
          grade='C'
elif score >=60:
          grade='D'
else:
          grade='E'

print("等级为：",grade)

(4）调试程序

请输入成绩：98
等级为：A
请输入成绩：88
等级为：B
请输入成绩：78
等级为：C
请输入成绩：68
等级为：D
请输入成绩：58
等级为：E

        对于分支结构程序的调试，应注意至少每个分支都被执行一次，因此所提供的调试数据要分布在每个分支里。

10、创建一个模块，包含一个判断水仙花的函数。

水仙花数也被称为超完全数字不变数、自恋数、自幂数、阿姆斯壮数或阿姆斯特朗数。水仙花数是指一个3位数，它的每个位上的数字的3次幂之和等于它本身（如1^3+5^3+3^3=153）。

#水仙花数模块
#模块名：ch10.py
def narcissistic_number(x):
    z=x
    series=[]
    while x:         #取每一位数字存入列表中
        i=x%10
        series.append(i)
        x=x//10
        y=0
        for i in series:       #判断是不是水仙花数
              y=y+i**3
        if y==z:
            return False
if__name__== "__main__":
    print(narcissistic_number(153))
    print(narcissistic_number(161)) 

11、大数据分析流程

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