Excel是數(shù)據(jù)分析中最常用的工具，本篇文章通過python與excel的功能對(duì)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。在Python中pandas庫用于數(shù)據(jù)處理，我們從1787頁的pandas官網(wǎng)文檔中總結(jié)出最常用的36個(gè)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(dǎo)入，數(shù)據(jù)清洗，預(yù)處理，以及最常見的數(shù)據(jù)分類，數(shù)據(jù)篩選，分類匯總，透視等最常見的操作。

1.數(shù)據(jù)預(yù)處理

這部分是數(shù)據(jù)的預(yù)處理，對(duì)清洗完的數(shù)據(jù)進(jìn)行整理以便后期的統(tǒng)計(jì)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(biāo)記等工作。

數(shù)據(jù)表合并

首先是對(duì)不同的數(shù)據(jù)表進(jìn)行合并，我們這里創(chuàng)建一個(gè)新的數(shù)據(jù)表df1，并將df和df1兩個(gè)數(shù)據(jù)表進(jìn)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(shí)現(xiàn)。在python中可以通過merge函數(shù)一次性實(shí)現(xiàn)。下面建立df1數(shù)據(jù)表，用于和df數(shù)據(jù)表進(jìn)行合并。

#創(chuàng)建df1數(shù)據(jù)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函數(shù)對(duì)兩個(gè)數(shù)據(jù)表進(jìn)行合并，合并的方式為inner，將兩個(gè)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。

#數(shù)據(jù)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(xì)的說明和對(duì)比。

#其他數(shù)據(jù)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') 

設(shè)置索引列

完成數(shù)據(jù)表的合并后，我們對(duì)df_inner數(shù)據(jù)表設(shè)置索引列，索引列的功能很多，可以進(jìn)行數(shù)據(jù)提取，匯總，也可以進(jìn)行數(shù)據(jù)篩選等。

設(shè)置索引的函數(shù)為set_index。

#設(shè)置索引列 
df_inner.set_index('id') 

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(duì)數(shù)據(jù)表進(jìn)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。

在python中，既可以按索引對(duì)數(shù)據(jù)表進(jìn)行排序，也可以看制定列的數(shù)值進(jìn)行排序。首先我們按age列中用戶的年齡對(duì)數(shù)據(jù)表進(jìn)行排序。

使用的函數(shù)為sort_values。

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

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

#按索引列排序 
df_inner.sort_index() 

數(shù)據(jù)分組

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

Where函數(shù)用來對(duì)數(shù)據(jù)進(jìn)行判斷和分組，下面的代碼中我們對(duì)price列的值進(jìn)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(jìn)行標(biāo)記。

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

除了where函數(shù)以外，還可以對(duì)多個(gè)字段的值進(jìn)行判斷后對(duì)數(shù)據(jù)進(jìn)行分組，下面的代碼中對(duì)city列等于beijing并且price列大于等于4000的數(shù)據(jù)標(biāo)記為1。

#對(duì)復(fù)合多個(gè)條件的數(shù)據(jù)進(jìn)行分組標(biāo)記 
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1 

數(shù)據(jù)分列

與數(shù)據(jù)分組相反的是對(duì)數(shù)值進(jìn)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(shí)現(xiàn)分列。

在數(shù)據(jù)表中category列中的數(shù)據(jù)包含有兩個(gè)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(jìn)行連接。我們使用split函數(shù)對(duì)這個(gè)字段進(jìn)行拆分，并將拆分后的數(shù)據(jù)表匹配回原數(shù)據(jù)表中。

#對(duì)category字段的值依次進(jìn)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size 
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']) 

#將完成分列后的數(shù)據(jù)表與原df_inner數(shù)據(jù)表進(jìn)行匹配 
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) 

2.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(gè)工作。這部分主要使用三個(gè)函數(shù)，loc，iloc和ix，loc函數(shù)按標(biāo)簽值進(jìn)行提取，iloc按位置進(jìn)行提取，ix可以同時(shí)按標(biāo)簽和位置進(jìn)行提取。下面介紹每一種函數(shù)的使用方法。

按標(biāo)簽提取(loc)

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

#按索引提取單行的數(shù)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 

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

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

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

#重設(shè)索引 
df_inner.reset_index() 

#設(shè)置日期為索引 
df_inner=df_inner.set_index('date') 

使用冒號(hào)限定提取數(shù)據(jù)的范圍，冒號(hào)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)。

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

按位置提取(iloc)

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

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

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(hào)中的0,2,5表示數(shù)據(jù)所在行的位置，后面方括號(hào)中的數(shù)表示所在列的位置。

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

按標(biāo)簽和位置提取(ix)

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

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

按條件提取(區(qū)域和條件值)

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

使用isin函數(shù)對(duì)city中的值是否為beijing進(jìn)行判斷。

#判斷city列的值是否為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 

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。

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

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。

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 
 
#提取前三個(gè)字符，并生成數(shù)據(jù)表 
pd.DataFrame(category.str[:3]) 

3.數(shù)據(jù)篩選

第六部分為數(shù)據(jù)篩選，使用與，或，非三個(gè)條件配合大于，小于和等于對(duì)數(shù)據(jù)進(jìn)行篩選，并進(jìn)行計(jì)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(duì)數(shù)據(jù)表按不同的條件進(jìn)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(shí)現(xiàn)excel中sumif和countif函數(shù)的功能。

使用“與”條件進(jìn)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。

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

使用“或”條件進(jìn)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。

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

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(jìn)行求和，相當(dāng)于excel中sumifs的功能。

#對(duì)篩選后的數(shù)據(jù)按price字段進(jìn)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”條件進(jìn)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(jìn)行排序。

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

在前面的代碼后面增加city列，并使用count函數(shù)進(jìn)行計(jì)數(shù)。相當(dāng)于excel中的countifs函數(shù)的功能。

#對(duì)篩選后的數(shù)據(jù)按city列進(jìn)行計(jì)數(shù) 
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count() 
4 

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。

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

在前面的代碼后增加price字段和sum函數(shù)。對(duì)篩選后的price字段進(jìn)行求和，相當(dāng)于excel中的sumifs函數(shù)的功能。

#對(duì)篩選后的結(jié)果按price進(jìn)行求和  
df_inner.query('city == ["beijing", "shanghai"]').price.sum()  
12230