科技猎像Excel一样使用python进行数据分析-(2)
文|蓝鲸
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。
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。
#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=[ 'catego ry','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 )
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。
#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。
#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] )
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。
#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
像Excel一样使用python进行数据分析-（1）
End.
转载请注明来自36大数据（36dsj.com)： 36大数据 » 像Excel一样使用python进行数据分析-(2)
