在当今大数据时代，数据处理与分析已成为各行各业不可或缺的一部分。Python作为一种功能强大的编程语言，凭借其丰富的库和易学易用的特点，逐渐成为数据处理与分析领域的首选工具。本文将介绍一些Python实用代码，帮助读者轻松应对数据处理与分析任务。

一、数据导入与预处理

1. 导入数据

Python中，pandas库是处理数据的首选工具。以下是一个简单的示例，展示如何使用pandas读取Excel文件：

```python

import pandas as pd

data = pd.read_excel('data.xlsx')

```

2. 数据清洗

数据清洗是数据处理过程中的重要环节，以下是一个使用pandas进行数据清洗的示例：

```python

删除重复行

data.drop_duplicates(inplace=True)

删除空值

data.dropna(inplace=True)

删除或填充异常值

data = data[(data['age'] >= 18) & (data['age'] <= 80)]

```

二、数据可视化

1. 绘制柱状图

Matplotlib库是Python中常用的绘图库，以下是一个绘制柱状图的示例：

```python

import matplotlib.pyplot as plt

data['age'].value_counts().plot(kind='bar')

plt.title('Age Distribution')

plt.xlabel('Age')

plt.ylabel('Number of People')

plt.show()

```

2. 绘制散点图

散点图常用于展示两个变量之间的关系，以下是一个绘制散点图的示例：

```python

import matplotlib.pyplot as plt

plt.scatter(data['age'], data['salary'])

plt.title('Age vs Salary')

plt.xlabel('Age')

plt.ylabel('Salary')

plt.show()

```

三、数据挖掘与机器学习

1. 决策树分类

Scikit-learn库是Python中常用的机器学习库，以下是一个使用决策树进行分类的示例：

```python

from sklearn.model_selection import train_test_split

from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import accuracy_score

数据准备

X = data[['age', 'salary']]

y = data['label']

划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

创建决策树分类器

clf = DecisionTreeClassifier()

训练模型

clf.fit(X_train, y_train)

预测结果

y_pred = clf.predict(X_test)

计算准确率

print('Accuracy:', accuracy_score(y_test, y_pred))

```

2. K-means聚类

K-means聚类是常用的一种聚类算法，以下是一个使用K-means进行聚类的示例：

```python

from sklearn.cluster import KMeans

创建K-means聚类器

kmeans = KMeans(n_clusters=3)

训练模型

kmeans.fit(X)

预测结果

labels = kmeans.predict(X)

将标签添加到原始数据中

data['cluster'] = labels

```

Python作为一种功能强大的编程语言，在数据处理与分析领域具有广泛的应用。通过本文所介绍的实用代码，读者可以轻松应对数据处理与分析任务。在实际应用中，还需不断学习新的技术和方法，以提升数据处理与分析能力。