像Excel一样使用python进行数据分析
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。
文章内容共分为9个部分。这是第一篇,介绍前3部分内容,数据表生成,数据表查看,和数据清洗。以下是《像Excel一样使用python进行数据分析》系列文章的目录。
1, 生成数据表
第一部分是生成数据表,常见的生成方法有两种,第一种是导入外部数据,第二种是直接写入数据。 Excel中的文件菜单中提供了获取外部数据的功能,支持数据库和文本文件和页面的多种数据源导入。
python支持从多种类型的数据导入。在开始使用python进行数据导入前需要先导入pandas库,为了方便起见,我们也同时导入numpy库。
1
2
|
import numpy as np import pandas as pd |
导入数据表
下面分别是从excel和csv格式文件导入数据并创建数据表的方法。代码是最简模式,里面有很多可选参数设置,例如列名称,索引列,数据格式等等。感兴趣的朋友可以参考pandas的
官方文档。
1
2
|
df = pd.DataFrame(pd.read_csv( 'name.csv' ,header = 1 )) df = pd.DataFrame(pd.read_excel( 'name.xlsx' )) |
创建数据表
另一种方法是通过直接写入数据来生成数据表,excel中直接在单元格中输入数据就可以,python中通过下面的代码来实现。生成数据表的函数是pandas库中的DateFrame函数,数据表一共有6行数据,每行有6个字段。在数据中我们特意设置了一些NA值和有问题的字段,例如包含空格等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。
1
2
3
4
5
6
7
|
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' ]) |
这是刚刚创建的数据表,我们没有设置索引列,price字段中包含有NA值,city字段中还包含了一些脏数据。
![df](http://bluewhale.cc/wp-content/uploads/2017/04/df.png)
2,数据表检查
第二部分是对数据表进行检查,python中处理的数据量通常会比较大,比如我们之前的文章中介绍的纽约出租车数据和Citibike的骑行数据,数据量都在千万级,我们无法一目了然的 了解数据表的整体情况,必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况,例如整个数据表的大小,所占空间,数据格式,是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。
数据维度(行列)
Excel中可以通过CTRL+向下的光标键,和CTRL+向右的光标键来查看行号和列号。Python中使用shape函数来查看数据表的维度,也就是行数和列数,函数返回的结果(6,6)表示数据表有6行,6列。下面是具体的代码。
1
2
3
|
#查看数据表的维度 df.shape ( 6 , 6 ) |
数据表信息
使用info函数查看数据表的整体信息,这里返回的信息比较多,包括数据维度,列名称,数据格式和所占空间等信息。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#数据表信息 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 |
查看数据格式
Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。Python中使用dtypes函数来返回数据格式。
Dtypes是一个查看数据格式的函数,可以一次性查看数据表中所有数据的格式,也可以指定一列来单独查看。
1
2
3
4
5
6
7
8
9
10
|
#查看数据表各列格式 df.dtypes id int64 date datetime64[ns] city object category object age int64 price float64 dtype: object |
1
2
3
4
|
#查看单列格式 df[ 'B' ].dtype dtype( 'int64' ) |
查看空值
Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。
Isnull是Python中检验空值的函数,返回的结果是逻辑值,包含空值返回True,不包含则返回False。可以对整个数据表进行检查,也可以单独对某一列进行空值检查。
1
2
|
#检查数据空值 df.isnull() |
1
2
3
4
5
6
7
8
9
10
|
#检查特定列空值 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“条件格式”对唯一值进行颜色标记。Python中使用unique函数查看唯一值。
Unique是查看唯一值的函数,只能对数据表中的特定列进行检查。下面是代码,返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。
1
2
3
4
|
#查看city列中的唯一值 df[ 'city' ].unique() array([ 'Beijing ' , 'SH' , ' guangzhou ' , 'Shenzhen' , 'shanghai' , 'BEIJING ' ], dtype = object ) |
查看数据表数值
Python中的Values函数用来查看数据表中的数值。以数组的形式返回,不包含表头信息。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#查看数据表的值 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 ) |
查看列名称
Colums函数用来单独查看数据表中的列名称。
1
2
3
4
|
#查看列名称 df.columns Index([ 'id' , 'date' , 'city' , 'category' , 'age' , 'price' ], dtype = 'object' ) |
查看前10行数据
Head函数用来查看数据表中的前N行数据,默认head()显示前10行数据,可以自己设置参数值来确定查看的行数。下面的代码中设置查看前3行的数据。
1
2
|
#查看前3行数据 df.head( 3 ) |
查看后10行数据
Tail行数与head函数相反,用来查看数据表中后N行的数据,默认tail()显示后10行数据,可以自己设置参数值来确定查看的行数。下面的代码中设置查看后3行的数据。
1
2
|
#查看最后3行 df.tail( 3 ) |
3,数据表清洗
第三部分是对数据表中的问题进行清洗。主要内容包括对空值,大小写问题,数据格式和重复值的处理。这里不包含对数据间的逻辑验证。
处理空值(删除或填充)
我们在创建数据表的时候在price字段中故意设置了几个NA值。对于空值的处理方式有很多种,可以直接删除包含空值的数据,也可以对空值进行填充,比如用0填充或者用均值填充。还可以根据不同字段的逻辑对空值进行推算。
Excel中可以通过“查找和替换”功能对空值进行处理,将空值统一替换为0或均值。也可以通过“定位”空值来实现。
Python中处理空值的方法比较灵活,可以使用 Dropna函数用来删除数据表中包含空值的数据,也可以使用fillna函数对空值进行填充。下面的代码和结果中可以看到使用dropna函数后,包含NA值的两个字段已经不见了。返回的是一个不包含空值的数据表。
1
2
|
#删除数据表中含有空值的行 df.dropna(how = 'any' ) |
除此之外也可以使用数字对空值进行填充,下面的代码使用fillna函数对空值字段填充数字0。
1
2
|
#使用数字0填充数据表中空值 df.fillna(value = 0 ) |
我们选择填充的方式来处理空值,使用price列的均值来填充NA字段,同样使用fillna函数,在要填充的数值中使用mean函数先计算price列当前的均值,然后使用这个均值对NA进行填
充。可以看到两个空值字段显示为3299.5
1
2
3
4
5
6
7
8
9
10
|
#使用price均值对NA进行填充 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,字符中的空格也是数据清洗中一个常见的问题,下面是清除字符中空格的代码。
1
2
|
#清除city字段中的字符空格 df[ 'city' ] = df[ 'city' ]. map ( str .strip) |
大小写转换
在英文字段中,字母的大小写不统一也是一个常见的问题。Excel中有UPPER,LOWER等函数,python中也有同名函数用来解决大小写的问题。在数据表的city列中就存在这样的问题。我们将city列的所有字母转换为小写。下面是具体的代码和结果。
1
2
3
|
#city列大小写转换 df[ 'city' ] = df[ 'city' ]. str .lower() |
更改数据格式
Excel中通过“设置单元格格式”功能可以修改数据格式。Python中通过astype函数用来修改数据格式。
Python中dtype是查看数据格式的函数,与之对应的是astype函数,用来更改数据格式。下面的代码中将price字段的值修改为int格式。
1
2
3
4
5
6
7
8
9
10
|
#更改数据格式 df[ 'price' ].astype( 'int' ) 0 1200 1 3299 2 2133 3 5433 4 3299 5 4432 Name: price, dtype: int32 |
更改列名称
Rename是更改列名称的函数,我们将来数据表中的category列更改为category-size。下面是具体的代码和更改后的结果。
1
2
|
#更改列名称 df.rename(columns = { 'category' : 'category-size' }) |
删除重复值
很多数据表中还包含重复值的问题,Excel的数据目录下有“删除重复项”的功能,可以用来删除数据表中的重复值。默认Excel会保留最先出现的数据,删除后面重复出现的数据。
Python中使用drop_duplicates函数删除重复值。我们以数据表中的city列为例,city字段中存在重复值。默认情况下drop_duplicates()将删除后出现的重复值(与excel逻辑一致)。增加keep=’last’参数后将删除最先出现的重复值,保留最后的值。下面是具体的代码和比较结果。
原始的city列中beijing存在重复,分别在第一位和最后一位。
1
2
3
4
5
6
7
8
|
df[ 'city' ] 0 beijing 1 sh 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name: city, dtype: object |
使用默认的drop_duplicates()函数删除重复值,从结果中可以看到第一位的beijing被保留,最后出现的beijing被删除。
1
2
3
4
5
6
7
8
|
#删除后出现的重复值 df[ 'city' ].drop_duplicates() 0 beijing 1 sh 2 guangzhou 3 shenzhen 4 shanghai Name: city, dtype: object |
设置keep=’last‘’参数后,与之前删除重复值的结果相反,第一位出现的beijing被删除,保留了最后一位出现的beijing。
1
2
3
4
5
6
7
8
|
#删除先出现的重复值 df[ 'city' ].drop_duplicates(keep = 'last' ) 1 sh 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name: city, dtype: objec |
数值修改及替换
数据清洗中最后一个问题是数值修改或替换,Excel中使用“查找和替换”功能就可以实现数值的替换。
Python中使用replace函数实现数据替换。数据表中city字段上海存在两种写法,分别为shanghai和SH。我们使用replace函数对SH进行替换。
1
2
3
4
5
6
7
8
9
|
#数据替换 df[ 'city' ].replace( 'sh' , 'shanghai' ) 0 beijing 1 shanghai 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name: city, dtype: object |
本篇文章这是系列的第二篇,介绍第4-6部分的内容,数据表生成,数据表查看,和数据清洗。
![4-6目录](http://bluewhale.cc/wp-content/uploads/2017/04/4-6%E7%9B%AE%E5%BD%95.png)
4,数据预处理
第四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。
1
2
3
4
5
|
#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。
1
2
|
#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。
1
2
3
4
|
#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。
1
2
|
#设置索引列 df_inner.set_index( 'id' ) |
![df_inner_set_index](http://bluewhale.cc/wp-content/uploads/2017/04/df_inner_set_index.png)
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。
1
2
|
#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。
1
2
|
#按索引列排序 df_inner.sort_index() |
![sort_index](http://bluewhale.cc/wp-content/uploads/2017/04/sort_index.png)
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。
1
2
|
#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。
1
2
|
#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 |
![sign](http://bluewhale.cc/wp-content/uploads/2017/04/sign.png)
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。
1
2
|
#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' ]) |
1
2
|
#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 ) |
![merge_1](http://bluewhale.cc/wp-content/uploads/2017/04/merge_1-1024x298.png)
5,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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
#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。
1
2
|
#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。
1
2
|
#重设索引 df_inner.reset_index() |
1
2
|
#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。
1
2
|
#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。
1
2
|
#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。
1
2
|
#使用iloc按位置单独提取数据 df_inner.iloc[[ 0 , 2 , 5 ],[ 4 , 5 ]] |
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。
1
2
|
#使用ix按索引标签和位置混合提取数据 df_inner.ix[: '2013-01-03' ,: 4 ] |
![ix](http://bluewhale.cc/wp-content/uploads/2017/04/ix.png)
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。
1
2
3
4
5
6
7
8
9
10
11
|
#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。
1
2
|
#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。
1
2
3
4
5
6
7
8
|
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 |
1
2
|
#提取前三个字符,并生成数据表 pd.DataFrame(category. str [: 3 ]) |
![category_str](http://bluewhale.cc/wp-content/uploads/2017/04/category_str.png)
6,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。
1
2
|
#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。
1
2
3
|
#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。
1
2
3
4
5
|
#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。
1
2
|
#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。
1
2
3
|
#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。
1
2
|
#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。
1
2
3
|
#对筛选后的结果按price进行求和 df_inner.query( 'city == ["beijing", "shanghai"]' ).price. sum () 12230 |
这是第三篇,介绍第7-9部分的内容,数据汇总,数据统计,和数据输出。
7,数据汇总
第七部分是对数据进行分类汇总,Excel中使用分类汇总和数据透视可以按特定维度对数据进行汇总,python中使用的主要函数是groupby和pivot_table。下面分别介绍这两个函数的使用方法。
分类汇总
Excel的数据目录下提供了“分类汇总”功能,可以按指定的字段和汇总方式对数据表进行汇总。Python中通过Groupby函数完成相应的操作,并可以支持多级分类汇总。
Groupby是进行分类汇总的函数,使用方法很简单,制定要分组的列名称就可以,也可以同时制定多个列名称,groupby按列名称出现的顺序进行分组。同时要制定分组后的汇总方式,常见的是计数和求和两种。
1
2
|
#对所有列进行计数汇总 df_inner.groupby( 'city' ).count() |
可以在groupby中设置列名称来对特定的列进行汇总。下面的代码中按城市对id字段进行汇总计数。
1
2
3
4
5
6
7
8
|
#对特定的ID列进行计数汇总 df_inner.groupby( 'city' )[ 'id' ].count() city beijing 2 guangzhou 1 shanghai 2 shenzhen 1 Name: id , dtype: int64 |
在前面的基础上增加第二个列名称,分布对city和size两个字段进行计数汇总。
1
2
3
4
5
6
7
8
9
10
|
#对两个字段进行汇总计数 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 |
除了计数和求和外,还可以对汇总后的数据同时按多个维度进行计算,下面的代码中按城市对price字段进行汇总,并分别计算price的数量,总金额和平均金额。
1
2
|
#对city字段进行汇总并计算price的合计和均值。 df_inner.groupby( 'city' )[ 'price' ].agg([ len ,np. sum , np.mean]) |
![groupby1](http://bluewhale.cc/wp-content/uploads/2017/04/groupby1.png)
数据透视
Excel中的插入目录下提供“数据透视表”功能对数据表按特定维度进行汇总。Python中也提供了数据透视表功能。通过pivot_table函数实现同样的效果。
数据透视表也是常用的一种数据分类汇总方式,并且功能上比groupby要强大一些。下面的代码中设定city为行字段,size为列字段,price为值字段。分别计算price的数量和金额并且按行与列进行汇总。
1
2
|
#数据透视表 pd.pivot_table(df_inner,index = [ "city" ],values = [ "price" ],columns = [ "size" ],aggfunc = [ len ,np. sum ],fill_value = 0 ,margins = True ) |
8,数据统计
第九部分为数据统计,这里主要介绍数据采样,标准差,协方差和相关系数的使用方法。
数据采样
Excel的数据分析功能中提供了数据抽样的功能,如下图所示。Python通过sample函数完成数据采样。
Sample是进行数据采样的函数,设置n的数量就可以了。函数自动返回参与的结果。
1
2
|
#简单的数据采样 df_inner.sample(n = 3 ) |
Weights参数是采样的权重,通过设置不同的权重可以更改采样的结果,权重高的数据将更有希望被选中。这里手动设置6条数据的权重值。将前面4个设置为0,后面两个分别设置为0.5。
1
2
3
|
#手动设置采样权重 weights = [ 0 , 0 , 0 , 0 , 0.5 , 0.5 ] df_inner.sample(n = 2 , weights = weights) |
从采样结果中可以看出,后两条权重高的数据被选中。
Sample函数中还有一个参数replace,用来设置采样后是否放回。
1
2
|
#采样后不放回 df_inner.sample(n = 6 , replace = False ) |
1
2
|
#采样后放回 df_inner.sample(n = 6 , replace = True ) |
![采样后放回](http://bluewhale.cc/wp-content/uploads/2017/04/%E9%87%87%E6%A0%B7%E5%90%8E%E6%94%BE%E5%9B%9E-1024x348.png)
描述统计
Excel中的数据分析中提供了描述统计的功能。Python中可以通过Describe对数据进行描述统计。
Describe函数是进行描述统计的函数,自动生成数据的数量,均值,标准差等数据。下面的代码中对数据表进行描述统计,并使用round函数设置结果显示的小数位。并对结果数据进行转置。
1
2
|
#数据表描述性统计 df_inner.describe(). round ( 2 ).T |
标准差
Python中的Std函数用来接算特定数据列的标准差。
1
2
3
|
#标准差 df_inner[ 'price' ].std() 1523.3516556155596 |
协方差
Excel中的数据分析功能中提供协方差的计算,python中通过cov函数计算两个字段或数据表中各字段间的协方差。
Cov函数用来计算两个字段间的协方差,可以只对特定字段进行计算,也可以对整个数据表中各个列之间进行计算。
1
2
3
|
#两个字段间的协方差 df_inner[ 'price' ].cov(df_inner[ 'm-point' ]) 17263.200000000001 |
1
2
|
#数据表中所有字段间的协方差 df_inner.cov() |
相关分析
Excel的数据分析功能中提供了相关系数的计算功能,python中则通过corr函数完成相关分析的操作,并返回相关系数。
Corr函数用来计算数据间的相关系数,可以单独对特定数据进行计算,也可以对整个数据表中各个列进行计算。相关系数在-1到1之间,接近1为正相关,接近-1为负相关,0为不相关。
1
2
3
|
#相关性分析 df_inner[ 'price' ].corr(df_inner[ 'm-point' ]) 0.77466555617085264 |
1
2
|
#数据表相关性分析 df_inner.corr() |
9,数据输出
第九部分是数据输出,处理和分析完的数据可以输出为xlsx格式和csv格式。
写入excel
1
2
|
#输出到excel格式 df_inner.to_excel( 'excel_to_python.xlsx' , sheet_name = 'bluewhale_cc' ) |
1
2
|
#输出到CSV格式 df_inner.to_csv( 'excel_to_python.csv' ) |
在数据处理的过程中,大部分基础工作是重复和机械的,对于这部分基础工作,我们可以使用自定义函数进行自动化。以下简单介绍对数据表信息获取自动化处理。
1
2
3
4
5
6
7
8
|
#创建数据表 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' ]) |
1
2
3
4
5
6
7
8
|
#创建自定义函数 def table_info(x): shape = x.shape types = x.dtypes colums = x.columns print ( "数据维度(行,列):\n" ,shape) print ( "数据格式:\n" ,types) print ( "列名称:\n" ,colums) |
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#调用自定义函数获取df数据表信息并输出结果 table_info(df) 数据维度(行,列): ( 6 , 6 ) 数据格式: id int64 date datetime64[ns] city object category object age int64 price float64 dtype: object 列名称: Index([ 'id' , 'date' , 'city' , 'category' , 'age' , 'price' ], dtype = 'object' ) |
转载来源于:
http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-1.html
http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-2.html
http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html