如何使用Python通過函數(shù)式編程完成excel中的數(shù)據(jù)處理及分析工作

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數(shù)據(jù)分析的，一類是平常用Excel做分析但不太會用Python分析的。如果和你很像，那下面這篇系統(tǒng)長文會很適合你，建議先收藏。

Excel是數(shù)據(jù)分析中最常用的工具，本文通過Python與excel的功能對比介紹如何使用Python通過函數(shù)式編程完成excel中的數(shù)據(jù)處理及分析工作。從1787頁的pandas官網(wǎng)文檔中總結(jié)出最常用的36個函數(shù)，通過這些函數(shù)介紹如何通過Python完成數(shù)據(jù)生成和導入、數(shù)據(jù)清洗、預處理、數(shù)據(jù)分類、數(shù)據(jù)篩選、分類匯總、透視等最常見的操作。

文章內(nèi)容共分為9個部分目錄如下：

目錄

01 生成數(shù)據(jù)表

第一部分是生成數(shù)據(jù)表，常見的生成方法有兩種，第一種是導入外部數(shù)據(jù)，第二種是直接寫入數(shù)據(jù)。Excel中的文件菜單中提供了獲取外部數(shù)據(jù)的功能，支持數(shù)據(jù)庫和文本文件和頁面的多種數(shù)據(jù)源導入。

獲取外部數(shù)據(jù)

python支持從多種類型的數(shù)據(jù)導入。在開始使用python進行數(shù)據(jù)導入前需要先導入pandas庫，為了方便起見，我們也同時導入numpy庫。

1importnumpyasnp2importpandasaspd

導入數(shù)據(jù)表

下面分別是從excel和csv格式文件導入數(shù)據(jù)并創(chuàng)建數(shù)據(jù)表的方法。代碼是最簡模式，里面有很多可選參數(shù)設置，例如列名稱，索引列，數(shù)據(jù)格式等等。感興趣的朋友可以參考pandas的官方文檔。

1df=pd.DataFrame(pd.read_csv('name.csv',header=1))2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創(chuàng)建數(shù)據(jù)表

另一種方法是通過直接寫入數(shù)據(jù)來生成數(shù)據(jù)表，excel中直接在單元格中輸入數(shù)據(jù)就可以，python中通過下面的代碼來實現(xiàn)。生成數(shù)據(jù)表的函數(shù)是pandas庫中的DateFrame函數(shù)，數(shù)據(jù)表一共有6行數(shù)據(jù)，每行有6個字段。在數(shù)據(jù)中我們特意設置了一些NA值和有問題的字段，例如包含空格等。后面將在數(shù)據(jù)清洗步驟進行處理。后面我們將統(tǒng)一以DataFrame的簡稱df來命名數(shù)據(jù)表。

1df=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],2"date":pd.date_range('20130102',periods=6),3"city":['Beijing','SH','guangzhou','Shenzhen','shanghai','BEIJING'],4"age":[23,44,54,32,34,32],5"category":['100-A','100-B','110-A','110-C','210-A','130-F'],6"price":[1200,np.nan,2133,5433,np.nan,4432]},7columns=['id','date','city','category','age','price'])

這是剛剛創(chuàng)建的數(shù)據(jù)表，我們沒有設置索引列，price字段中包含有NA值，city字段中還包含了一些臟數(shù)據(jù)。

df

02 數(shù)據(jù)表檢查

第二部分是對數(shù)據(jù)表進行檢查，python中處理的數(shù)據(jù)量通常會比較大，比如我們之前的文章中介紹的紐約出租車數(shù)據(jù)和Citibike的騎行數(shù)據(jù)，數(shù)據(jù)量都在千萬級，我們無法一目了然的了解數(shù)據(jù)表的整體情況，必須要通過一些方法來獲得數(shù)據(jù)表的關鍵信息。數(shù)據(jù)表檢查的另一個目的是了解數(shù)據(jù)的概況，例如整個數(shù)據(jù)表的大小，所占空間，數(shù)據(jù)格式，是否有空值和重復項和具體的數(shù)據(jù)內(nèi)容。為后面的清洗和預處理做好準備。

數(shù)據(jù)維度(行列)

Excel中可以通過CTRL+向下的光標鍵，和CTRL+向右的光標鍵來查看行號和列號。Python中使用shape函數(shù)來查看數(shù)據(jù)表的維度，也就是行數(shù)和列數(shù)，函數(shù)返回的結(jié)果(6,6)表示數(shù)據(jù)表有6行，6列。下面是具體的代碼。

1#查看數(shù)據(jù)表的維度2df.shape3(6,6)

數(shù)據(jù)表信息

使用info函數(shù)查看數(shù)據(jù)表的整體信息，這里返回的信息比較多，包括數(shù)據(jù)維度，列名稱，數(shù)據(jù)格式和所占空間等信息。

1#數(shù)據(jù)表信息 2df.info() 3 4 5RangeIndex:6entries,0to5 6Datacolumns(total6columns): 7id6non-nullint64 8date6non-nulldatetime64[ns] 9city6non-nullobject10category6non-nullobject11age6non-nullint6412price4non-nullfloat6413dtypes:datetime64[ns](1),float64(1),int64(2),object(2)14memoryusage:368.0+bytes

查看數(shù)據(jù)格式

Excel中通過選中單元格并查看開始菜單中的數(shù)值類型來判斷數(shù)據(jù)的格式。Python中使用dtypes函數(shù)來返回數(shù)據(jù)格式。

Dtypes是一個查看數(shù)據(jù)格式的函數(shù)，可以一次性查看數(shù)據(jù)表中所有數(shù)據(jù)的格式，也可以指定一列來單獨查看。

1#查看數(shù)據(jù)表各列格式 2df.dtypes 3 4idint64 5datedatetime64[ns] 6cityobject 7categoryobject 8ageint64 9pricefloat6410dtype:object1112#查看單列格式13df['B'].dtype1415dtype('int64')

查看空值

Excel中查看空值的方法是使用“定位條件”功能對數(shù)據(jù)表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull是Python中檢驗空值的函數(shù)，返回的結(jié)果是邏輯值，包含空值返回True，不包含則返回False?？梢詫φ麄€數(shù)據(jù)表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數(shù)據(jù)空值2df.isnull()

df_isnull1#檢查特定列空值 2df['price'].isnull() 3 40False 51True 62False 73False 84True 95False10Name:price,dtype:bool

查看唯一值

Excel中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python中使用unique函數(shù)查看唯一值。

查看唯一值

Unique是查看唯一值的函數(shù)，只能對數(shù)據(jù)表中的特定列進行檢查。下面是代碼，返回的結(jié)果是該列中的唯一值。類似與Excel中刪除重復項后的結(jié)果。

1#查看city列中的唯一值2df['city'].unique()34array(['Beijing','SH','guangzhou','Shenzhen','shanghai','BEIJING'],dtype=object)

查看數(shù)據(jù)表數(shù)值

Python中的Values函數(shù)用來查看數(shù)據(jù)表中的數(shù)值。以數(shù)組的形式返回，不包含表頭信息。

1#查看數(shù)據(jù)表的值 2df.values 3 4array([[1001,Timestamp('2013-01-0200:00:00'),'Beijing','100-A',23, 51200.0], 6[1002,Timestamp('2013-01-0300:00:00'),'SH','100-B',44,nan], 7[1003,Timestamp('2013-01-0400:00:00'),'guangzhou','110-A',54, 82133.0], 9[1004,Timestamp('2013-01-0500:00:00'),'Shenzhen','110-C',32,105433.0],11[1005,Timestamp('2013-01-0600:00:00'),'shanghai','210-A',34,12nan],13[1006,Timestamp('2013-01-0700:00:00'),'BEIJING','130-F',32,144432.0]],dtype=object)

查看列名稱

Colums函數(shù)用來單獨查看數(shù)據(jù)表中的列名稱。

1#查看列名稱2df.columns34Index(['id','date','city','category','age','price'],dtype='object')

查看前 10 行數(shù)據(jù)

Head函數(shù)用來查看數(shù)據(jù)表中的前N行數(shù)據(jù)，默認head()顯示前10行數(shù)據(jù)，可以自己設置參數(shù)值來確定查看的行數(shù)。下面的代碼中設置查看前3行的數(shù)據(jù)。

1`#查看前3行數(shù)據(jù)``df.head(``3``)`

df_head(3)

查看后 10 行數(shù)據(jù)

Tail行數(shù)與head函數(shù)相反，用來查看數(shù)據(jù)表中后N行的數(shù)據(jù)，默認tail()顯示后10行數(shù)據(jù)，可以自己設置參數(shù)值來確定查看的行數(shù)。下面的代碼中設置查看后3行的數(shù)據(jù)。

1`#查看最后3行``df.tail(``3``)`

df_tail(3)

03 數(shù)據(jù)表清洗

第三部分是對數(shù)據(jù)表中的問題進行清洗。主要內(nèi)容包括對空值，大小寫問題，數(shù)據(jù)格式和重復值的處理。這里不包含對數(shù)據(jù)間的邏輯驗證。

處理空值(刪除或填充)

我們在創(chuàng)建數(shù)據(jù)表的時候在price字段中故意設置了幾個NA值。對于空值的處理方式有很多種，可以直接刪除包含空值的數(shù)據(jù)，也可以對空值進行填充，比如用0填充或者用均值填充。還可以根據(jù)不同字段的邏輯對空值進行推算。

Excel中可以通過“查找和替換”功能對空值進行處理，將空值統(tǒng)一替換為0或均值。也可以通過“定位”空值來實現(xiàn)。

查找和替換空值

Python中處理空值的方法比較靈活，可以使用Dropna函數(shù)用來刪除數(shù)據(jù)表中包含空值的數(shù)據(jù)，也可以使用fillna函數(shù)對空值進行填充。下面的代碼和結(jié)果中可以看到使用dropna函數(shù)后，包含NA值的兩個字段已經(jīng)不見了。返回的是一個不包含空值的數(shù)據(jù)表。

1#刪除數(shù)據(jù)表中含有空值的行2df.dropna(how='any')

df_dropna

除此之外也可以使用數(shù)字對空值進行填充，下面的代碼使用fillna函數(shù)對空值字段填充數(shù)字0。

1#使用數(shù)字0填充數(shù)據(jù)表中空值2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數(shù)，在要填充的數(shù)值中使用 mean 函數(shù)先計算 price 列當前的均值，然后使用這個均值對 NA 進行填充。可以看到兩個空值字段顯示為3299.5

1#使用price均值對NA進行填充 2df['price'].fillna(df['price'].mean()) 3 401200.0 513299.5 622133.0 735433.0 843299.5 954432.010Name:price,dtype:float64

df_nan

清理空格

除了空值，字符中的空格也是數(shù)據(jù)清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除city字段中的字符空格2df['city']=df['city'].map(str.strip)

大小寫轉(zhuǎn)換

在英文字段中，字母的大小寫不統(tǒng)一也是一個常見的問題。Excel中有UPPER，LOWER等函數(shù)，python中也有同名函數(shù)用來解決大小寫的問題。在數(shù)據(jù)表的city列中就存在這樣的問題。我們將city列的所有字母轉(zhuǎn)換為小寫。下面是具體的代碼和結(jié)果。

1#city列大小寫轉(zhuǎn)換2df['city']=df['city'].str.lower()

lower

更改數(shù)據(jù)格式

Excel中通過“設置單元格格式”功能可以修改數(shù)據(jù)格式。Python中通過astype函數(shù)用來修改數(shù)據(jù)格式。

設置單元格格式

Python中dtype是查看數(shù)據(jù)格式的函數(shù)，與之對應的是astype函數(shù)，用來更改數(shù)據(jù)格式。下面的代碼中將price字段的值修改為int格式。

1#更改數(shù)據(jù)格式 2df['price'].astype('int') 3 401200 513299 622133 735433 843299 95443210Name:price,dtype:int32

更改列名稱

Rename是更改列名稱的函數(shù)，我們將來數(shù)據(jù)表中的category列更改為category-size。下面是具體的代碼和更改后的結(jié)果。

1#更改列名稱2df.rename(columns={'category':'category-size'})

df_rename

刪除重復值

很多數(shù)據(jù)表中還包含重復值的問題，Excel的數(shù)據(jù)目錄下有“刪除重復項”的功能，可以用來刪除數(shù)據(jù)表中的重復值。默認Excel會保留最先出現(xiàn)的數(shù)據(jù)，刪除后面重復出現(xiàn)的數(shù)據(jù)。

刪除重復項

Python中使用drop_duplicates函數(shù)刪除重復值。我們以數(shù)據(jù)表中的city列為例，city字段中存在重復值。默認情況下drop_duplicates()將刪除后出現(xiàn)的重復值(與excel邏輯一致)。增加keep=’last’參數(shù)后將刪除最先出現(xiàn)的重復值，保留最后的值。下面是具體的代碼和比較結(jié)果。

原始的city列中beijing存在重復，分別在第一位和最后一位。

1df['city']20beijing31sh42guangzhou53shenzhen64shanghai75beijing8Name:city,dtype:object

使用默認的drop_duplicates()函數(shù)刪除重復值，從結(jié)果中可以看到第一位的beijing被保留，最后出現(xiàn)的beijing被刪除。

1#刪除后出現(xiàn)的重復值2df['city'].drop_duplicates()30beijing41sh52guangzhou63shenzhen74shanghai8Name:city,dtype:object

設置keep=’last‘’參數(shù)后，與之前刪除重復值的結(jié)果相反，第一位出現(xiàn)的beijing被刪除，保留了最后一位出現(xiàn)的beijing。

1#刪除先出現(xiàn)的重復值2df['city'].drop_duplicates(keep='last')31sh42guangzhou53shenzhen64shanghai75beijing8Name:city,dtype:objec

數(shù)值修改及替換

數(shù)據(jù)清洗中最后一個問題是數(shù)值修改或替換，Excel中使用“查找和替換”功能就可以實現(xiàn)數(shù)值的替換。

查找和替換空值

Python中使用replace函數(shù)實現(xiàn)數(shù)據(jù)替換。數(shù)據(jù)表中city字段上海存在兩種寫法，分別為shanghai和SH。我們使用replace函數(shù)對SH進行替換。

1#數(shù)據(jù)替換2df['city'].replace('sh','shanghai')30beijing41shanghai52guangzhou63shenzhen74shanghai85beijing9Name:city,dtype:object

本篇文章這是系列的第二篇，介紹第4-6部分的內(nèi)容，數(shù)據(jù)表生成，數(shù)據(jù)表查看，和數(shù)據(jù)清洗。

4-6 目錄

04 數(shù)據(jù)預處理

第四部分是數(shù)據(jù)的預處理，對清洗完的數(shù)據(jù)進行整理以便后期的統(tǒng)計和分析工作。主要包括數(shù)據(jù)表的合并，排序，數(shù)值分列，數(shù)據(jù)分組及標記等工作。

數(shù)據(jù)表合并

首先是對不同的數(shù)據(jù)表進行合并，我們這里創(chuàng)建一個新的數(shù)據(jù)表df1，并將df和df1兩個數(shù)據(jù)表進行合并。在Excel中沒有直接完成數(shù)據(jù)表合并的功能，可以通過VLOOKUP函數(shù)分步實現(xiàn)。在python中可以通過merge函數(shù)一次性實現(xiàn)。下面建立df1數(shù)據(jù)表，用于和df數(shù)據(jù)表進行合并。

1#創(chuàng)建df1數(shù)據(jù)表2df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],3"gender":['male','female','male','female','male','female','male','female'],4"pay":['Y','N','Y','Y','N','Y','N','Y',],5"m-point":[10,12,20,40,40,40,30,20]})

df1

使用merge函數(shù)對兩個數(shù)據(jù)表進行合并，合并的方式為inner，將兩個數(shù)據(jù)表中共有的數(shù)據(jù)匹配到一起生成新的數(shù)據(jù)表。并命名為df_inner。

1#數(shù)據(jù)表匹配合并，inner模式2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了inner方式以外，合并的方式還有l(wèi)eft，right和outer方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數(shù)據(jù)表匹配模式2df_left=pd.merge(df,df1,how='left')3df_right=pd.merge(df,df1,how='right')4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數(shù)據(jù)表的合并后，我們對df_inner數(shù)據(jù)表設置索引列，索引列的功能很多，可以進行數(shù)據(jù)提取，匯總，也可以進行數(shù)據(jù)篩選等。設置索引的函數(shù)為set_index。

1#設置索引列2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數(shù)值)

Excel中可以通過數(shù)據(jù)目錄下的排序按鈕直接對數(shù)據(jù)表進行排序，比較簡單。Python中需要使用ort_values函數(shù)和sort_index函數(shù)完成排序。

排序

在python中，既可以按索引對數(shù)據(jù)表進行排序，也可以看制定列的數(shù)值進行排序。首先我們按age列中用戶的年齡對數(shù)據(jù)表進行排序。使用的函數(shù)為sort_values。

1#按特定列的值排序2df_inner.sort_values(by=['age'])

sort_values

Sort_index函數(shù)用來將數(shù)據(jù)表按索引列的值進行排序。

1#按索引列排序2df_inner.sort_index()

sort_index

數(shù)據(jù)分組

Excel中可以通過VLOOKUP函數(shù)進行近似匹配來完成對數(shù)值的分組，或者使用“數(shù)據(jù)透視表”來完成分組。相應的python中使用where函數(shù)完成數(shù)據(jù)分組。

Where函數(shù)用來對數(shù)據(jù)進行判斷和分組，下面的代碼中我們對price列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，并使用group字段進行標記。

1#如果price列的值>3000，group列顯示high，否則顯示low2df_inner['group']=np.where(df_inner['price']>3000,'high','low')

where

除了where函數(shù)以外，還可以對多個字段的值進行判斷后對數(shù)據(jù)進行分組，下面的代碼中對city列等于beijing并且price列大于等于4000的數(shù)據(jù)標記為1。

1#對復合多個條件的數(shù)據(jù)進行分組標記2df_inner.loc[(df_inner['city']=='beijing')&(df_inner['price']>=4000),'sign']=1

sign

數(shù)據(jù)分列

與數(shù)據(jù)分組相反的是對數(shù)值進行分列，Excel中的數(shù)據(jù)目錄下提供“分列”功能。在python中使用split函數(shù)實現(xiàn)分列。

數(shù)據(jù)分列

在數(shù)據(jù)表中category列中的數(shù)據(jù)包含有兩個信息，前面的數(shù)字為類別id，后面的字母為size值。中間以連字符進行連接。我們使用split函數(shù)對這個字段進行拆分，并將拆分后的數(shù)據(jù)表匹配回原數(shù)據(jù)表中。

1#對category字段的值依次進行分列，并創(chuàng)建數(shù)據(jù)表，索引值為df_inner的索引列，列名稱為category和size2pd.DataFrame((x.split('-')forxindf_inner['category']),index=df_inner.index,columns=['category','size'])split1#將完成分列后的數(shù)據(jù)表與原?df_inner?數(shù)據(jù)表進行匹配2df_inner=pd.merge(df_inner,split,right_index=True,?left_index=True)

merge_1

05 數(shù)據(jù)提取

第五部分是數(shù)據(jù)提取，也是數(shù)據(jù)分析中最常見的一個工作。這部分主要使用三個函數(shù)，loc，iloc和ix，loc函數(shù)按標簽值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取。下面介紹每一種函數(shù)的使用方法。

按標簽提取(loc)

Loc函數(shù)按數(shù)據(jù)表的索引標簽進行提取，下面的代碼中提取了索引列為3的單條數(shù)據(jù)。

1#按索引提取單行的數(shù)值 2df_inner.loc[3] 3id1004 4date2013-01-0500:00:00 5cityshenzhen 6category110-C 7age32 8price5433 9genderfemale10m-point4011payY12grouphigh13signNaN14category_111015sizeC16Name:3,dtype:object

使用冒號可以限定提取數(shù)據(jù)的范圍，冒號前面為開始的標簽值，后面為結(jié)束的標簽值。下面提取了0到5的數(shù)據(jù)行。

1#按索引提取區(qū)域行數(shù)值2df_inner.loc[0:5]

df_inner_loc1

Reset_index函數(shù)用于恢復索引，這里我們重新將date字段的日期設置為數(shù)據(jù)表的索引，并按日期進行數(shù)據(jù)提取。

1#重設索引2df_inner.reset_index()

reset_index1#設置日期為索引2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數(shù)據(jù)的范圍，冒號前面為空表示從0開始。提取所有2013年1月4日以前的數(shù)據(jù)。

1#提取4日之前的所有數(shù)據(jù)2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用iloc函數(shù)按位置對數(shù)據(jù)表中的數(shù)據(jù)進行提取，這里冒號前后的數(shù)字不再是索引的標簽名稱，而是數(shù)據(jù)所在的位置，從0開始。

1#使用iloc按位置區(qū)域提取數(shù)據(jù)2df_inner.iloc[:3,:2]

iloc1

iloc函數(shù)除了可以按區(qū)域提取數(shù)據(jù)，還可以按位置逐條提取，前面方括號中的0,2,5表示數(shù)據(jù)所在行的位置，后面方括號中的數(shù)表示所在列的位置。

1#使用iloc按位置單獨提取數(shù)據(jù)2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標簽和位置提?。╥x）

ix是loc和iloc的混合，既能按索引標簽提取，也能按位置進行數(shù)據(jù)提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用ix按索引標簽和位置混合提取數(shù)據(jù)2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區(qū)域和條件值）

除了按標簽和位置提起數(shù)據(jù)以外，還可以按具體的條件進行數(shù)據(jù)。下面使用loc和isin兩個函數(shù)配合使用，按指定條件對數(shù)據(jù)進行提取。

使用isin函數(shù)對city中的值是否為beijing進行判斷。

1#判斷city列的值是否為beijing 2df_inner['city'].isin(['beijing']) 3 4date 52013-01-02True 62013-01-05False 72013-01-07True 82013-01-06False 92013-01-03False102013-01-04False11Name:city,dtype:bool

將isin函數(shù)嵌套到loc的數(shù)據(jù)提取函數(shù)中，將判斷結(jié)果為Ture數(shù)據(jù)提取出來。這里我們把判斷條件改為city值是否為beijing和shanghai。如果是就把這條數(shù)據(jù)提取出來。

1#先判斷city列里是否包含beijing和shanghai，然后將復合條件的數(shù)據(jù)提取出來。2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數(shù)值提取還可以完成類似數(shù)據(jù)分列的工作，從合并的數(shù)值中提取出制定的數(shù)值。

1category=df_inner['category'] 20100-A 33110-C 45130-F 54210-A 61100-B 72110-A 8Name:category,dtype:object 910#提取前三個字符，并生成數(shù)據(jù)表11pd.DataFrame(category.str[:3])category_str

06 數(shù)據(jù)篩選

第六部分為數(shù)據(jù)篩選，使用與，或，非三個條件配合大于，小于和等于對數(shù)據(jù)進行篩選，并進行計數(shù)和求和。與excel中的篩選功能和countifs和sumifs功能相似。

按條件篩選（與，或，非）

Excel數(shù)據(jù)目錄下提供了“篩選”功能，用于對數(shù)據(jù)表按不同的條件進行篩選。Python中使用loc函數(shù)配合篩選條件來完成篩選功能。配合sum和count函數(shù)還能實現(xiàn)excel中sumif和countif函數(shù)的功能。

篩選

使用“與”條件進行篩選，條件是年齡大于25歲，并且城市為beijing。篩選后只有一條數(shù)據(jù)符合要求。

1#使用“與”條件進行篩選2df_inner.loc[(df_inner['age']>25)&(df_inner['city']=='beijing'),['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大于25歲或城市為beijing。篩選后有6條數(shù)據(jù)符合要求。

1#使用“或”條件篩選2df_inner.loc[(df_inner['age']>25)|(df_inner['city']=='beijing'),['id','city','age','category','gender']].sort3(['age'])

或

在前面的代碼后增加price字段以及sum函數(shù)，按篩選后的結(jié)果將price字段值進行求和，相當于excel中sumifs的功能。

1#對篩選后的數(shù)據(jù)按price字段進行求和2df_inner.loc[(df_inner['age']>25)|(df_inner['city']=='beijing'),3['id','city','age','category','gender','price']].sort(['age']).price.sum()4519796

使用“非”條件進行篩選，城市不等于beijing。符合條件的數(shù)據(jù)有4條。將篩選結(jié)果按id列進行排序。

1#使用“非”條件進行篩選2df_inner.loc[(df_inner['city']!='beijing'),['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼后面增加city列，并使用count函數(shù)進行計數(shù)。相當于excel中的countifs函數(shù)的功能。

1#對篩選后的數(shù)據(jù)按city列進行計數(shù)2df_inner.loc[(df_inner['city']!='beijing'),['id','city','age','category','gender']].sort(['id']).city.count()34

還有一種篩選的方式是用query函數(shù)。下面是具體的代碼和篩選結(jié)果。

1#使用query函數(shù)進行篩選2df_inner.query('city==["beijing","shanghai"]')

query

在前面的代碼后增加price字段和sum函數(shù)。對篩選后的price字段進行求和，相當于excel中的sumifs函數(shù)的功能。

1#對篩選后的結(jié)果按price進行求和2df_inner.query('city==["beijing","shanghai"]').price.sum()312230

這是第三篇，介紹第7-9部分的內(nèi)容，數(shù)據(jù)匯總，數(shù)據(jù)統(tǒng)計，和數(shù)據(jù)輸出。

7-9 目錄

07 數(shù)據(jù)匯總

第七部分是對數(shù)據(jù)進行分類匯總，Excel中使用分類匯總和數(shù)據(jù)透視可以按特定維度對數(shù)據(jù)進行匯總，python中使用的主要函數(shù)是groupby和pivot_table。下面分別介紹這兩個函數(shù)的使用方法。

分類匯總

Excel的數(shù)據(jù)目錄下提供了“分類匯總”功能，可以按指定的字段和匯總方式對數(shù)據(jù)表進行匯總。Python中通過Groupby函數(shù)完成相應的操作，并可以支持多級分類匯總。

分類匯總 1

Groupby是進行分類匯總的函數(shù)，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby按列名稱出現(xiàn)的順序進行分組。同時要制定分組后的匯總方式，常見的是計數(shù)和求和兩種。

1#對所有列進行計數(shù)匯總2df_inner.groupby('city').count()

groupby

可以在groupby中設置列名稱來對特定的列進行匯總。下面的代碼中按城市對id字段進行匯總計數(shù)。

1#對特定的ID列進行計數(shù)匯總2df_inner.groupby('city')['id'].count()3city4beijing25guangzhou16shanghai27shenzhen18Name:id,dtype:int64

在前面的基礎上增加第二個列名稱，分布對city和size兩個字段進行計數(shù)匯總。

1#對兩個字段進行匯總計數(shù) 2df_inner.groupby(['city','size'])['id'].count() 3citysize 4beijingA1 5F1 6guangzhouA1 7shanghaiA1 8B1 9shenzhenC110Name:id,dtype:int64

除了計數(shù)和求和外，還可以對匯總后的數(shù)據(jù)同時按多個維度進行計算，下面的代碼中按城市對price字段進行匯總，并分別計算price的數(shù)量，總金額和平均金額。

1#對city字段進行匯總并計算price的合計和均值。2df_inner.groupby('city')['price'].agg([len,np.sum,np.mean])

groupby1

數(shù)據(jù)透視

Excel中的插入目錄下提供“數(shù)據(jù)透視表”功能對數(shù)據(jù)表按特定維度進行匯總。Python中也提供了數(shù)據(jù)透視表功能。通過pivot_table函數(shù)實現(xiàn)同樣的效果。

數(shù)據(jù)透視

數(shù)據(jù)透視表也是常用的一種數(shù)據(jù)分類匯總方式，并且功能上比groupby要強大一些。下面的代碼中設定city為行字段，size為列字段，price為值字段。分別計算price的數(shù)量和金額并且按行與列進行匯總。

1#數(shù)據(jù)透視表2pd.pivot_table(df_inner,index=["city"],values=["price"],columns=["size"],aggfunc=[len,np.sum],fill_value=0,margins=True)

pivot_table

08 數(shù)據(jù)統(tǒng)計

第九部分為數(shù)據(jù)統(tǒng)計，這里主要介紹數(shù)據(jù)采樣，標準差，協(xié)方差和相關系數(shù)的使用方法。

數(shù)據(jù)采樣

Excel的數(shù)據(jù)分析功能中提供了數(shù)據(jù)抽樣的功能，如下圖所示。Python通過sample函數(shù)完成數(shù)據(jù)采樣。

數(shù)據(jù)抽樣

Sample是進行數(shù)據(jù)采樣的函數(shù)，設置n的數(shù)量就可以了。函數(shù)自動返回參與的結(jié)果。

1#簡單的數(shù)據(jù)采樣2df_inner.sample(n=3)

簡單隨機采樣

Weights參數(shù)是采樣的權(quán)重，通過設置不同的權(quán)重可以更改采樣的結(jié)果，權(quán)重高的數(shù)據(jù)將更有希望被選中。這里手動設置6條數(shù)據(jù)的權(quán)重值。將前面4個設置為0，后面兩個分別設置為0.5。

1#手動設置采樣權(quán)重2weights=[0,0,0,0,0.5,0.5]3df_inner.sample(n=2,weights=weights)

手動設置采樣權(quán)重 1

從采樣結(jié)果中可以看出，后兩條權(quán)重高的數(shù)據(jù)被選中。

手動設置采樣權(quán)重 2

Sample函數(shù)中還有一個參數(shù)replace，用來設置采樣后是否放回。

1#采樣后不放回2df_inner.sample(n=6,replace=False)

采樣后不放回1#采樣后放回2df_inner.sample(n=6,replace=True)

采樣后放回

描述統(tǒng)計

Excel中的數(shù)據(jù)分析中提供了描述統(tǒng)計的功能。Python中可以通過Describe對數(shù)據(jù)進行描述統(tǒng)計。

描述統(tǒng)計

Describe函數(shù)是進行描述統(tǒng)計的函數(shù)，自動生成數(shù)據(jù)的數(shù)量，均值，標準差等數(shù)據(jù)。下面的代碼中對數(shù)據(jù)表進行描述統(tǒng)計，并使用round函數(shù)設置結(jié)果顯示的小數(shù)位。并對結(jié)果數(shù)據(jù)進行轉(zhuǎn)置。

1#數(shù)據(jù)表描述性統(tǒng)計2df_inner.describe().round(2).T

describe

標準差Python中的Std函數(shù)用來接算特定數(shù)據(jù)列的標準差。

1#標準差2df_inner['price'].std()31523.3516556155596

協(xié)方差Excel中的數(shù)據(jù)分析功能中提供協(xié)方差的計算，python中通過cov函數(shù)計算兩個字段或數(shù)據(jù)表中各字段間的協(xié)方差。

協(xié)方差

Cov函數(shù)用來計算兩個字段間的協(xié)方差，可以只對特定字段進行計算，也可以對整個數(shù)據(jù)表中各個列之間進行計算。

1#兩個字段間的協(xié)方差2df_inner['price'].cov(df_inner['m-point'])317263.200000000001

cov

相關分析Excel的數(shù)據(jù)分析功能中提供了相關系數(shù)的計算功能，python中則通過corr函數(shù)完成相關分析的操作，并返回相關系數(shù)。

相關系數(shù)

Corr函數(shù)用來計算數(shù)據(jù)間的相關系數(shù)，可以單獨對特定數(shù)據(jù)進行計算，也可以對整個數(shù)據(jù)表中各個列進行計算。相關系數(shù)在-1到1之間，接近1為正相關，接近-1為負相關，0為不相關。

1#相關性分析2df_inner['price'].corr(df_inner['m-point'])30.7746655561708526445#數(shù)據(jù)表相關性分析6df_inner.corr()

corr

09 數(shù)據(jù)輸出

第九部分是數(shù)據(jù)輸出，處理和分析完的數(shù)據(jù)可以輸出為xlsx格式和csv格式。

寫入 excel

1#輸出到excel格式2df_inner.to_excel('excel_to_python.xlsx',sheet_name='bluewhale_cc')

excel

寫入 csv

1#輸出到CSV格式2df_inner.to_csv('excel_to_python.csv')

在數(shù)據(jù)處理的過程中，大部分基礎工作是重復和機械的，對于這部分基礎工作，我們可以使用自定義函數(shù)進行自動化。以下簡單介紹對數(shù)據(jù)表信息獲取自動化處理。

1#創(chuàng)建數(shù)據(jù)表 2df=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 3"date":pd.date_range('20130102',periods=6), 4"city":['Beijing','SH','guangzhou','Shenzhen','shanghai','BEIJING'], 5"age":[23,44,54,32,34,32], 6"category":['100-A','100-B','110-A','110-C','210-A','130-F'], 7"price":[1200,np.nan,2133,5433,np.nan,4432]}, 8columns=['id','date','city','category','age','price']) 910#創(chuàng)建自定義函數(shù)11deftable_info(x):12shape=x.shape13types=x.dtypes14colums=x.columns15print("數(shù)據(jù)維度(行，列):",shape)16print("數(shù)據(jù)格式:",types)17print("列名稱:",colums)1819#調(diào)用自定義函數(shù)獲取df數(shù)據(jù)表信息并輸出結(jié)果20table_info(df)2122數(shù)據(jù)維度(行，列):23(6,6)24數(shù)據(jù)格式:25idint6426datedatetime64[ns]27cityobject28categoryobject29ageint6430pricefloat6431dtype:object32列名稱:33Index(['id','date','city','category','age','price'],dtype='object')

以上就是用Python做數(shù)據(jù)分析的基本內(nèi)容。