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.doc
《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.doc》由会员分享,可在线阅读,更多相关《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.doc(20页珍藏版)》请在三一文库上搜索。
1、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常遇到两类朋友。一类是会爬虫但不知道如何进一步做数据分析的,一类是平常用Excel做分析但不太会用Python分析的。如果和你很像,那下面这篇系统长文会很适合你,建议先收藏。Excel是数据分析中最常用的工具,本文通过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。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、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
2、个部分目录如下:目录01 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。获取外部数据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。1importnumpyasnp2importpandasaspd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
3、可以参考pandas的官方文档。1df=pd.DataFrame(pd.read_csv(name.csv,header=1)2df=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。1df=pd
4、.DataFrame(id:1001,1002,1003,1004,1005,1006,2date:pd.date_range(20130102,periods=6),3city:Beijing,SH,guangzhou,Shenzhen,shanghai,BEIJING,4age:23,44,54,32,34,32,5category:100-A,100-B,110-A,110-C,210-A,130-F,6price:1200,np.nan,2133,5433,np.nan,4432,7columns=id,date,city,category,age,price)这是刚刚创建的数据表,我
5、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。df02 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。Pytho
6、n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#查看数据表的维度2df.shape3(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#数据表信息 2df() 3 4classpandas.core.frame.DataFrame 5RangeIndex:6entries,0to5 6Datacolumns(total6columns): 7id6non-nullint64 8date6non-nulldatetime64ns 9ci
7、ty6non-nullobject10category6non-nullobject11age6non-nullint6412price4non-nullfloat6413dtypes:datetime64ns(1),float64(1),int64(2),object(2)14memoryusage: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#查看数据表各列格式 2df.dtyp
8、es 3 4idint64 5datedatetime64ns 6cityobject 7categoryobject 8ageint64 9pricefloat6410dtype:object1112#查看单列格式13dfB.dtype1415dtype(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。查看空值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#检查数据空值2d
9、f.isnull()df_isnull1#检查特定列空值 2dfprice.isnull() 3 40False 51True 62False 73False 84True 95False10Name: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。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#查看city列中的唯一值2dfcity.unique()34array(Beijing
10、,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#查看数据表的值 2df.values 3 4array(1001,Timestamp(2013-01-0200:00:00),Beijing,100-A,23, 51200.0, 61002,Timestamp(2013-01-0300:00:00),SH,100-B,44,nan, 71003,Timestamp(2013-01-0400:00:00),guangzhou,110-
11、A,54, 82133.0, 91004,Timestamp(2013-01-0500:00:00),Shenzhen,110-C,32,105433.0,111005,Timestamp(2013-01-0600:00:00),shanghai,210-A,34,12nan,131006,Timestamp(2013-01-0700:00:00),BEIJING,130-F,32,144432.0,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#查看列名称2df.columns34Index(id,date,city,category,age,price
12、,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#查看前3行数据df.head(3)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#查看最后3行df.tail(3)df_tail(3)03 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
13、。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。查找和替换空值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
14、了。返回的是一个不包含空值的数据表。1#删除数据表中含有空值的行2df.dropna(how=any)df_dropna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#使用数字0填充数据表中空值2df.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3299.51#使用price均值对NA进行填充 2dfprice.fillna(d
15、fprice.mean() 3 401200.0 513299.5 622133.0 735433.0 843299.5 954432.010Name:price,dtype:float64df_nan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#清除city字段中的字符空格2dfcity=dfcity.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
16、转换为小写。下面是具体的代码和结果。1#city列大小写转换2dfcity=dfcity.str.lower()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。设置单元格格式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#更改数据格式 2dfprice.astype(int) 3 401200 513299 622133 735433 843299 95443210Name:price,dtype:int32更改列
17、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#更改列名称2df.rename(columns=category:category-size)df_rename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。删除重复项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_duplicat
18、es()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。1dfcity20beijing31sh42guangzhou53shenzhen64shanghai75beijing8Name: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#删除后出现的重复值2dfcity.drop_duplicates()30bei
19、jing41sh52guangzhou63shenzhen74shanghai8Name: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#删除先出现的重复值2dfcity.drop_duplicates(keep=last)31sh42guangzhou53shenzhen64shanghai75beijing8Name: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。查找和替换空值P
20、ython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#数据替换2dfcity.replace(sh,shanghai)30beijing41shanghai52guangzhou63shenzhen74shanghai85beijing9Name: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04 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
21、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#创建df1数据表2df1=pd.DataFrame(id:1001,1002,1003,1004,1005,1006,1007,1008,3gender:male,female,male,female,male,female,male,female,4pay:Y,N,Y,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 如何 使用 Python 通过 函数 编程 完成 excel 中的 数据处理 分析 工作
链接地址:https://www.31doc.com/p-3421498.html