常遇到兩類朋友。一類是會(huì)爬蟲但不知道如何進(jìn)一步做數(shù)據(jù)分析的，一類是平常用 Excel 做分析但不太會(huì)用 Python 分析的。如果和你很像，那下面這篇系統(tǒng)長文會(huì)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(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。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、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(gè)部分目錄如下：

01 生成數(shù)據(jù)表

***部分是生成數(shù)據(jù)表，常見的生成方法有兩種，***種是導(dǎo)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?jǐn)?shù)據(jù)庫和文本文件和頁面的多種數(shù)據(jù)源導(dǎo)入。

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

import numpy as np 
import pandas as pd 

導(dǎo)入數(shù)據(jù)表

下面分別是從 excel 和 csv 格式文件導(dǎo)入數(shù)據(jù)并創(chuàng)建數(shù)據(jù)表的方法。代碼是最簡(jiǎn)模式，里面有很多可選參數(shù)設(shè)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。

df=pd.DataFrame(pd.read_csv('name.csv',header=1)) 
df=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(shí)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(gè)字段。在數(shù)據(jù)中我們特意設(shè)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(jìn)行處理。后面我們將統(tǒng)一以 DataFrame 的簡(jiǎn)稱 df 來命名數(shù)據(jù)表。

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

這是剛剛創(chuàng)建的數(shù)據(jù)表，我們沒有設(shè)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)。

02 數(shù)據(jù)表檢查

第二部分是對(duì)數(shù)據(jù)表進(jìn)行檢查，python 中處理的數(shù)據(jù)量通常會(huì)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***，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(guān)鍵信息。數(shù)據(jù)表檢查的另一個(gè)目的是了解數(shù)據(jù)的概況，例如整個(gè)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(fù)項(xiàng)和具體的數(shù)據(jù)內(nèi)容。為后面的清洗和預(yù)處理做好準(zhǔn)備。

數(shù)據(jù)維度(行列)

Excel 中可以通過 CTRL+向下的光標(biāo)鍵，和 CTRL+向右的光標(biāo)鍵來查看行號(hào)和列號(hào)。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。

#查看數(shù)據(jù)表的維度 
df.shape 
(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。

#數(shù)據(jù)表信息 
df.info() 
  
<class 'pandas.core.frame.DataFrame'> 
RangeIndex: 6 entries, 0 to 5 
Data columns (total 6 columns): 
id          6 non-null int64 
date        6 non-null datetime64[ns] 
city        6 non-null object 
category    6 non-null object 
age         6 non-null int64 
price       4 non-null float64 
dtypes: datetime64[ns](1), float64(1), int64(2), object(2) 
memory usage: 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?cái)?shù)據(jù)格式。

Dtypes 是一個(gè)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(dú)查看。

#查看數(shù)據(jù)表各列格式 
df.dtypes 
  
id                   int64 
date        datetime64[ns] 
city                object 
category            object 
age                  int64 
price              float64 
dtype: object 
#查看單列格式 
df['B'].dtype 
  
dtype('int64') 

查看空值

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

Isnull 是 Python 中檢驗(yàn)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?duì)整個(gè)數(shù)據(jù)表進(jìn)行檢查，也可以單獨(dú)對(duì)某一列進(jìn)行空值檢查。

#檢查數(shù)據(jù)空值 
df.isnull() 

#檢查特定列空值 
df['price'].isnull() 
  
0    False 
1     True 
2    False 
3    False 
4     True 
5    False 
Name: 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(duì)唯一值進(jìn)行顏色標(biāo)記。Python 中使用 unique 函數(shù)查看唯一值。

Unique 是查看唯一值的函數(shù)，只能對(duì)數(shù)據(jù)表中的特定列進(jìn)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(fù)項(xiàng)后的結(jié)果。

#查看city列中的唯一值 
df['city'].unique() 
  
array(['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。

#查看數(shù)據(jù)表的值 
df.values 
  
array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23, 
        1200.0], 
       [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan], 
       [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A', 54, 
        2133.0], 
       [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32, 
        5433.0], 
       [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34, 
        nan], 
       [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32, 
        4432.0]], dtype=object) 

查看列名稱

Colums 函數(shù)用來單獨(dú)查看數(shù)據(jù)表中的列名稱。

#查看列名稱 
df.columns 
  
Index(['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(rèn) head()顯示前 10 行數(shù)據(jù)，可以自己設(shè)置參數(shù)值來確定查看的行數(shù)。下面的代碼中設(shè)置查看前 3 行的數(shù)據(jù)。

#查看前3行數(shù)據(jù) 
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(rèn) tail()顯示后 10 行數(shù)據(jù)，可以自己設(shè)置參數(shù)值來確定查看的行數(shù)。下面的代碼中設(shè)置查看后 3 行的數(shù)據(jù)。

#查看***3行 
df.tail(3) 

03 數(shù)據(jù)表清洗

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

處理空值(刪除或填充)

我們?cè)趧?chuàng)建數(shù)據(jù)表的時(shí)候在 price 字段中故意設(shè)置了幾個(gè) NA 值。對(duì)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(duì)空值進(jìn)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(duì)空值進(jìn)行推算。

Excel 中可以通過“查找和替換”功能對(duì)空值進(jìn)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(shí)現(xiàn)。

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(duì)空值進(jìn)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(gè)字段已經(jīng)不見了。返回的是一個(gè)不包含空值的數(shù)據(jù)表。

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

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

#使用數(shù)字0填充數(shù)據(jù)表中空值 
df.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(jì)算 price 列當(dāng)前的均值，然后使用這個(gè)均值對(duì) NA 進(jìn)行填充?？梢钥吹絻蓚€(gè)空值字段顯示為 3299.5。

#使用price均值對(duì)NA進(jìn)行填充 
df['price'].fillna(df['price'].mean()) 
  
0    1200.0 
1    3299.5 
2    2133.0 
3    5433.0 
4    3299.5 
5    4432.0 
Name: price, dtype: float64 

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(gè)常見的問題，下面是清除字符中空格的代碼。

#清除city字段中的字符空格 
df['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(gè)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。

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

更改數(shù)據(jù)格式

Excel 中通過“設(shè)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。

Python 中 dtype 是查看數(shù)據(jù)格式的函數(shù)，與之對(duì)應(yīng)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。

#更改數(shù)據(jù)格式 
df['price'].astype('int') 
  
0    1200 
1    3299 
2    2133 
3    5433 
4    3299 
5    4432 
Name: 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。

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

刪除重復(fù)值

很多數(shù)據(jù)表中還包含重復(fù)值的問題，Excel 的數(shù)據(jù)目錄下有“刪除重復(fù)項(xiàng)”的功能，可以用來刪除數(shù)據(jù)表中的重復(fù)值。默認(rèn) Excel 會(huì)保留***出現(xiàn)的數(shù)據(jù)，刪除后面重復(fù)出現(xiàn)的數(shù)據(jù)。

Python 中使用 drop_duplicates 函數(shù)刪除重復(fù)值。我們以數(shù)據(jù)表中的 city 列為例，city 字段中存在重復(fù)值。默認(rèn)情況下 drop_duplicates()將刪除后出現(xiàn)的重復(fù)值(與 excel 邏輯一致)。增加 keep=’last’參數(shù)后將刪除***出現(xiàn)的重復(fù)值，保留***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(fù)，分別在***位和***一位。

df['city'] 
0      beijing 
1           sh 
2    guangzhou 
3     shenzhen 
4     shanghai 
5      beijing 
Name: city, dtype: object 

使用默認(rèn)的 drop_duplicates()函數(shù)刪除重復(fù)值，從結(jié)果中可以看到***位的 beijing 被保留，***出現(xiàn)的 beijing 被刪除。

#刪除后出現(xiàn)的重復(fù)值 
df['city'].drop_duplicates() 
0      beijing 
1           sh 
2    guangzhou 
3     shenzhen 
4     shanghai 
Name: city, dtype: object 

設(shè)置 keep=’last‘’參數(shù)后，與之前刪除重復(fù)值的結(jié)果相反，***位出現(xiàn)的 beijing 被刪除，保留了***一位出現(xiàn)的 beijing。

#刪除先出現(xiàn)的重復(fù)值 
df['city'].drop_duplicates(keep='last') 
1           sh 
2    guangzhou 
3     shenzhen 
4     shanghai 
5      beijing 
Name: city, dtype: objec 

數(shù)值修改及替換

數(shù)據(jù)清洗中***一個(gè)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(shí)現(xiàn)數(shù)值的替換。

Python 中使用 replace 函數(shù)實(shí)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(duì) SH 進(jìn)行替換。

#數(shù)據(jù)替換 
df['city'].replace('sh', 'shanghai') 
0      beijing 
1     shanghai 
2    guangzhou 
3     shenzhen 
4     shanghai 
5      beijing 
Name: 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。

04 數(shù)據(jù)預(yù)處理

第四部分是數(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 left，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(jiǎn)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) 

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

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]) 

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(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 

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(jì)，和數(shù)據(jù)輸出。

07 數(shù)據(jù)匯總

第七部分是對(duì)數(shù)據(jù)進(jìn)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(duì)數(shù)據(jù)進(jìn)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(gè)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(duì)數(shù)據(jù)表進(jìn)行匯總。Python 中通過 Groupby 函數(shù)完成相應(yīng)的操作，并可以支持多級(jí)分類匯總。

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

#對(duì)所有列進(jìn)行計(jì)數(shù)匯總 
df_inner.groupby('city').count() 

可以在 groupby 中設(shè)置列名稱來對(duì)特定的列進(jìn)行匯總。下面的代碼中按城市對(duì) id 字段進(jìn)行匯總計(jì)數(shù)。

#對(duì)特定的ID列進(jìn)行計(jì)數(shù)匯總 
df_inner.groupby('city')['id'].count() 
city 
beijing 2 
guangzhou 1 
shanghai 2 
shenzhen 1 
Name: id, dtype: int64 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvDOLa9f 

在前面的基礎(chǔ)上增加第二個(gè)列名稱，分布對(duì) city 和 size 兩個(gè)字段進(jìn)行計(jì)數(shù)匯總。

#對(duì)兩個(gè)字段進(jìn)行匯總計(jì)數(shù) 
df_inner.groupby(['city','size'])['id'].count() 
city size 
beijing A 1 
F 1 
guangzhou A 1 
shanghai A 1 
B 1 
shenzhen C 1 
Name: id, dtype: int64 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvDL89Gn 

除了計(jì)數(shù)和求和外，還可以對(duì)匯總后的數(shù)據(jù)同時(shí)按多個(gè)維度進(jìn)行計(jì)算，下面的代碼中按城市對(duì) price 字段進(jìn)行匯總，并分別計(jì)算 price 的數(shù)量，總金額和平均金額。

#對(duì)city字段進(jìn)行匯總并計(jì)算price的合計(jì)和均值。 
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean]) 

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(duì)數(shù)據(jù)表按特定維度進(jìn)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(shí)現(xiàn)同樣的效果。

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(qiáng)大一些。下面的代碼中設(shè)定 city 為行字段，size 為列字段，price 為值字段。分別計(jì)算 price 的數(shù)量和金額并且按行與列進(jìn)行匯總。

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

08 數(shù)據(jù)統(tǒng)計(jì)

第九部分為數(shù)據(jù)統(tǒng)計(jì)，這里主要介紹數(shù)據(jù)采樣，標(biāo)準(zhǔn)差，協(xié)方差和相關(guān)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。

Sample 是進(jìn)行數(shù)據(jù)采樣的函數(shù)，設(shè)置 n 的數(shù)量就可以了。函數(shù)自動(dòng)返回參與的結(jié)果。

#簡(jiǎn)單的數(shù)據(jù)采樣 
df_inner.sample(n=3) 

Weights 參數(shù)是采樣的權(quán)重，通過設(shè)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(dòng)設(shè)置 6 條數(shù)據(jù)的權(quán)重值。將前面 4 個(gè)設(shè)置為 0，后面兩個(gè)分別設(shè)置為 0.5。

#手動(dòng)設(shè)置采樣權(quán)重 
weights = [0, 0, 0, 0, 0.5, 0.5] 
df_inner.sample(n=2, weights=weights) 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvCvwN2y 

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。

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

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

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

描述統(tǒng)計(jì)

Excel 中的數(shù)據(jù)分析中提供了描述統(tǒng)計(jì)的功能。Python 中可以通過 Describe 對(duì)數(shù)據(jù)進(jìn)行描述統(tǒng)計(jì)。

描述統(tǒng)計(jì)

Describe 函數(shù)是進(jìn)行描述統(tǒng)計(jì)的函數(shù)，自動(dòng)生成數(shù)據(jù)的數(shù)量，均值，標(biāo)準(zhǔn)差等數(shù)據(jù)。下面的代碼中對(duì)數(shù)據(jù)表進(jìn)行描述統(tǒng)計(jì)，并使用 round 函數(shù)設(shè)置結(jié)果顯示的小數(shù)位。并對(duì)結(jié)果數(shù)據(jù)進(jìn)行轉(zhuǎn)置。

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

標(biāo)準(zhǔn)差

Python 中的 Std 函數(shù)用來接算特定數(shù)據(jù)列的標(biāo)準(zhǔn)差。

#標(biāo)準(zhǔn)差 
df_inner['price'].std() 
1523.3516556155596 

協(xié)方差

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

Cov 函數(shù)用來計(jì)算兩個(gè)字段間的協(xié)方差，可以只對(duì)特定字段進(jìn)行計(jì)算，也可以對(duì)整個(gè)數(shù)據(jù)表中各個(gè)列之間進(jìn)行計(jì)算。

#兩個(gè)字段間的協(xié)方差 
df_inner['price'].cov(df_inner['m-point']) 
17263.200000000001 
#數(shù)據(jù)表中所有字段間的協(xié)方差 
df_inner.cov() 

相關(guān)分析

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

Corr 函數(shù)用來計(jì)算數(shù)據(jù)間的相關(guān)系數(shù)，可以單獨(dú)對(duì)特定數(shù)據(jù)進(jìn)行計(jì)算，也可以對(duì)整個(gè)數(shù)據(jù)表中各個(gè)列進(jìn)行計(jì)算。相關(guān)系數(shù)在-1 到 1 之間，接近 1 為正相關(guān)，接近-1 為負(fù)相關(guān)，0 為不相關(guān)。

#相關(guān)性分析 
df_inner['price'].corr(df_inner['m-point']) 
0.77466555617085264 
#數(shù)據(jù)表相關(guān)性分析 
df_inner.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

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

excel

寫入 csv

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

在數(shù)據(jù)處理的過程中，大部分基礎(chǔ)工作是重復(fù)和機(jī)械的，對(duì)于這部分基礎(chǔ)工作，我們可以使用自定義函數(shù)進(jìn)行自動(dòng)化。以下簡(jiǎn)單介紹對(duì)數(shù)據(jù)表信息獲取自動(dòng)化處理。

創(chuàng)建數(shù)據(jù)表 
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
"date":pd.date_range('20130102', periods=6), 
"city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], 
"age":[23,44,54,32,34,32], 
"category":['100-A','100-B','110-A','110-C','210-A','130-F'], 
"price":[1200,np.nan,2133,5433,np.nan,4432]}, 
columns =['id','date','city','category','age','price']) 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBC8kaw 
#創(chuàng)建自定義函數(shù) 
def table_info(x): 
    shape=x.shape 
    types=x.dtypes 
    colums=x.columns 
    print("數(shù)據(jù)維度(行，列):\n",shape) 
    print("數(shù)據(jù)格式:\n",types) 
    print("列名稱:\n",colums) 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBC8kaw 
#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 
table_info(df) 
  
數(shù)據(jù)維度(行，列): 
(6, 6) 
數(shù)據(jù)格式: 
id int64 
date datetime64[ns] 
city object 
category object 
age int64 
price float64 
dtype: object 
列名稱: 
Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object') 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBJs6Fv 

以上就是用 Python 做數(shù)據(jù)分析的基本內(nèi)容。