数据科学实战手册（R+Python）（第2版）

第3章　基于Python的税收数据应用导向分析

本章包含以下主要内容。

• 高收入数据分析的准备工作。
• 导入并探索性地分析世界高收入数据集。
• 分析并可视化美国高收入数据。
• 进一步分析美国的高收入群体。
• 使用Jinja2报告结果。
• 基于R的数据分析再实现。

3.1　简介

本书中我们利用R和Python采取实用的方法进行数据分析。据此我们可以相对轻松地回答关于某个数据集的问题，对数据建模，并且输出可视化结果。因此，对于快速建立模型原型并进行分析，R语言是不错的选择，因为它就是一种为统计数据分析量身定制而用于该特定领域的语言，并且也确实很好用。

在本章，我们将介绍另一种分析方法，它更加适合产品环境和应用。数据科学管道往往包含假设建立、数据获取、清洗及转换、数据分析、模型建立、可视化与应用等一系列流程，而这些流程无论如何都不会是一个简单而线性的过程。此外，当数据分析需要以自动方式大规模地重复运行时，很多新的考虑和需求自然也会应运而生。因此，许多数据应用需要一个实用性很广的工具包。这个工具包需要提供快速建立模型原型的能力，可以广泛应用于不同的系统，并且能为一系列的计算应用（包括网络应用、数据操作、科学计算等）提供全面的支持。基于上述要求，Python成为应用型数据分析工具的有力竞争者。

与R语言很类似，Python是一种解释型语言（有时也称为脚本语言）。它不需要特殊的集成开发环境（IDE）或者软件编译工具，因此开发和建立模型原型的速度与R语言一样快。与R语言一样，Python也使用了C语言共享对象来改善计算性能。此外，Python还是Linux、UNIX和Mac OS X默认的系统工具的一种，并且在Windows下也得到支持。Python可以说是“自带电池”：它的标准程序库广泛地包括了从多进程到压缩工具的功能模块。正因为如此，作为一个灵活的计算工具，Python可以适用于任何问题领域。如果你需要标准程序库之外的程序库，那么Python与R语言一样也提供程序库管理工具来下载和安装其他的程序库。 ...