Excel是数据分析中最常用的工具,本篇文章通过python与excel的功能对比介绍如何使用python通过函数式编程完成excel中的数据处理及分析工作。在Python中pandas库用于数据处理,我们从1787页的pandas官网文档中总结出最常用的36个函数,通过这些函数介绍如何通过python完成数据生成和导入,数据清洗,预处理,以及最常见的数据分类,数据筛选,分类汇总,透视等最常见的操作。
1.数据预处理
这部分是数据的预处理,对清洗完的数据进行整理以便后期的统计和分析工作。主要包括数据表的合并,排序,数值分列,数据分组及标记等工作。
数据表合并
首先是对不同的数据表进行合并,我们这里创建一个新的数据表df1,并将df和df1两个数据表进行合并。在Excel中没有直接完成数据表合并的功能,可以通过VLOOKUP函数分步实现。在python中可以通过merge函数一次性实现。下面建立df1数据表,用于和df数据表进行合并。
- #创建df1数据表
- df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
- "gender":['male','female','male','female','male','female','male','female'],
- "pay":['Y','N','Y','Y','N','Y','N','Y',],
- "m-point":[10,12,20,40,40,40,30,20]})
使用merge函数对两个数据表进行合并,合并的方式为inner,将两个数据表中共有的数据匹配到一起生成新的数据表。并命名为df_inner。
- #数据表匹配合并,inner模式
- df_inner=pd.merge(df,df1,how='inner')
除了inner方式以外,合并的方式还有left,right和outer方式。这几种方式的差别在我其他的文章中有详细的说明和对比。
- #其他数据表匹配模式
- df_left=pd.merge(df,df1,how='left')
- df_right=pd.merge(df,df1,how='right')
- df_outer=pd.merge(df,df1,how='outer')
设置索引列
完成数据表的合并后,我们对df_inner数据表设置索引列,索引列的功能很多,可以进行数据提取,汇总,也可以进行数据筛选等。
设置索引的函数为set_index。
- #设置索引列
- df_inner.set_index('id')
排序(按索引,按数值)
Excel中可以通过数据目录下的排序按钮直接对数据表进行排序,比较简单。Python中需要使用ort_values函数和sort_index函数完成排序。
在python中,既可以按索引对数据表进行排序,也可以看制定列的数值进行排序。首先我们按age列中用户的年龄对数据表进行排序。
使用的函数为sort_values。
- #按特定列的值排序
- df_inner.sort_values(by=['age'])
Sort_index函数用来将数据表按索引列的值进行排序。
- #按索引列排序
- df_inner.sort_index()
数据分组
Excel中可以通过VLOOKUP函数进行近似匹配来完成对数值的分组,或者使用“数据透视表”来完成分组。相应的 python中使用where函数完成数据分组。
Where函数用来对数据进行判断和分组,下面的代码中我们对price列的值进行判断,将符合条件的分为一组,不符合条件的分为另一组,并使用group字段进行标记。
- #如果price列的值>3000,group列显示high,否则显示low
- df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
除了where函数以外,还可以对多个字段的值进行判断后对数据进行分组,下面的代码中对city列等于beijing并且price列大于等于4000的数据标记为1。
- #对复合多个条件的数据进行分组标记
- df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
数据分列
与数据分组相反的是对数值进行分列,Excel中的数据目录下提供“分列”功能。在python中使用split函数实现分列。
在数据表中category列中的数据包含有两个信息,前面的数字为类别id,后面的字母为size值。中间以连字符进行连接。我们使用split函数对这个字段进行拆分,并将拆分后的数据表匹配回原数据表中。
- #对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size
- pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])
- #将完成分列后的数据表与原df_inner数据表进行匹配
- df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
2.数据提取
第五部分是数据提取,也是数据分析中最常见的一个工作。这部分主要使用三个函数,loc,iloc和ix,loc函数按标签值进行提取,iloc按位置进行提取,ix可以同时按标签和位置进行提取。下面介绍每一种函数的使用方法。
按标签提取(loc)
Loc函数按数据表的索引标签进行提取,下面的代码中提取了索引列为3的单条数据。
- #按索引提取单行的数值
- df_inner.loc[3]
- id 1004
- date 2013-01-05 00:00:00
- city shenzhen
- category 110-C
- age 32
- price 5433
- gender female
- m-point 40
- pay Y
- group high
- sign NaN
- category_1 110
- size C
- Name: 3, dtype: object
使用冒号可以限定提取数据的范围,冒号前面为开始的标签值,后面为结束的标签值。下面提取了0到5的数据行。
- #按索引提取区域行数值
- df_inner.loc[0:5]
Reset_index函数用于恢复索引,这里我们重新将date字段的日期设置为数据表的索引,并按日期进行数据提取。
- #重设索引
- df_inner.reset_index()
- #设置日期为索引
- df_inner=df_inner.set_index('date')
使用冒号限定提取数据的范围,冒号前面为空表示从0开始。提取所有2013年1月4日以前的数据。
- #提取4日之前的所有数据
- df_inner[:'2013-01-04']
按位置提取(iloc)
使用iloc函数按位置对数据表中的数据进行提取,这里冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从0开始。
- #使用iloc按位置区域提取数据
- df_inner.iloc[:3,:2]
iloc函数除了可以按区域提取数据,还可以按位置逐条提取,前面方括号中的0,2,5表示数据所在行的位置,后面方括号中的数表示所在列的位置。
- #使用iloc按位置区域提取数据
- df_inner.iloc[:3,:2]
按标签和位置提取(ix)
ix是loc和iloc的混合,既能按索引标签提取,也能按位置进行数据提取。下面代码中行的位置按索引日期设置,列按位置设置。
- #使用ix按索引标签和位置混合提取数据
- df_inner.ix[:'2013-01-03',:4]
按条件提取(区域和条件值)
除了按标签和位置提起数据以外,还可以按具体的条件进行数据。下面使用loc和isin两个函数配合使用,按指定条件对数据进行提取 。
使用isin函数对city中的值是否为beijing进行判断。
- #判断city列的值是否为beijing
- df_inner['city'].isin(['beijing'])
- date
- 2013-01-02 True
- 2013-01-05 False
- 2013-01-07 True
- 2013-01-06 False
- 2013-01-03 False
- 2013-01-04 False
- Name: city, dtype: bool
将isin函数嵌套到loc的数据提取函数中,将判断结果为Ture数据提取出来。这里我们把判断条件改为city值是否为beijing和 shanghai。如果是就把这条数据提取出来。
- #先判断city列里是否包含beijing和shanghai,然后将复合条件的数据提取出来。
- df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
数值提取还可以完成类似数据分列的工作,从合并的数值中提取出制定的数值。
- category=df_inner['category']
- 0 100-A
- 3 110-C
- 5 130-F
- 4 210-A
- 1 100-B
- 2 110-A
- Name: category, dtype: object
- #提取前三个字符,并生成数据表
- pd.DataFrame(category.str[:3])
3.数据筛选
第六部分为数据筛选,使用与,或,非三个条件配合大于,小于和等于对数据进行筛选,并进行计数和求和。与excel中的筛选功能和countifs和sumifs功能相似。
按条件筛选(与,或,非)
Excel数据目录下提供了“筛选”功能,用于对数据表按不同的条件进行筛选。Python中使用loc函数配合筛选条件来完成筛选功能。配合sum和count函数还能实现excel中sumif和countif函数的功能。
使用“与”条件进行筛选,条件是年龄大于25岁,并且城市为beijing。筛选后只有一条数据符合要求。
- #使用“与”条件进行筛选
- df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
使用“或”条件进行筛选,年龄大于25岁或城市为beijing。筛选后有6条数据符合要求。
- #使用“或”条件筛选
- df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort
- (['age'])
在前面的代码后增加price字段以及sum函数,按筛选后的结果将price字段值进行求和,相当于excel中sumifs的功能。
- #对筛选后的数据按price字段进行求和
- df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),
- ['id','city','age','category','gender','price']].sort(['age']).price.sum()
- 19796
使用“非”条件进行筛选,城市不等于beijing。符合条件的数据有4条。将筛选结果按id列进行排序。
- #使用“非”条件进行筛选
- df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
在前面的代码后面增加city列,并使用count函数进行计数。相当于excel中的countifs函数的功能。
- #对筛选后的数据按city列进行计数
- df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
- 4
还有一种筛选的方式是用query函数。下面是具体的代码和筛选结果。
- #使用query函数进行筛选
- df_inner.query('city == ["beijing", "shanghai"]')
在前面的代码后增加price字段和sum函数。对筛选后的price字段进行求和,相当于excel中的sumifs函数的功能。
- #对筛选后的结果按price进行求和
- df_inner.query('city == ["beijing", "shanghai"]').price.sum()
- 12230
本文作者:佚名
来源:51CTO