常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。
Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 匯總、透視等最常見的操作。
文章內容共分為 9 個部分目錄如下：
目錄
01 生成數據表
第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。 Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。
獲取外部數據
python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。
1import numpy as np
2import pandas as pd
導入數據表
下面分別是從 excel 和 csv 格式文件導入數據并創建數據表的方法。代碼是最簡模式，里面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的
官方文檔。
1df=pd.DataFrame(pd.read_csv('name.csv',header=1))
2df=pd.DataFrame(pd.read_excel('name.xlsx'))
創建數據表
另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。后面將在數據清洗步驟進行處理。后面我們將統一以 DataFrame 的簡稱 df 來命名數據表。
1df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
2 "date":pd.date_range('20130102', periods=6),
3 "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
4 "age":[23,44,54,32,34,32],
5 "category":['100-A','100-B','110-A','110-C','210-A','130-F'],
6 "price":[1200,np.nan,2133,5433,np.nan,4432]},
7 columns =['id','date','city','category','age','price'])
這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些臟數據。
df
02 數據表檢查
第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目了然的 了解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是了解數據的概況，例如整個數據表的大小，所占空間，數據格式，是否有空值和重復項和具體的數據內容。為后面的清洗和預處理做好準備。
數據維度(行列)
Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。
1#查看數據表的維度
2df.shape
3(6, 6)
數據表信息
使用 info 函數查看數據表的整體信息，這里返回的信息比較多，包括數據維度，列名稱，數據格式和所占空間等信息。
1#數據表信息
2df.info()
3
4<class 'pandas.core.frame.DataFrame'>
5RangeIndex: 6 entries, 0 to 5
6Data columns (total 6 columns):
7id 6 non-null int64
8date 6 non-null datetime64[ns]
9city 6 non-null object
10category 6 non-null object
11age 6 non-null int64
12price 4 non-null float64
13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)
14memory usage: 368.0+ bytes
查看數據格式
Excel 中通過選中單元格并查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。
Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。
1#查看數據表各列格式
2df.dtypes
3
4id int64
5date datetime64[ns]
6city object
7category object
8age int64
9price float64
10dtype: object
11
12#查看單列格式
13df['B'].dtype
14
15dtype('int64')
查看空值
Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。
查看空值
Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。
1#檢查數據空值
2df.isnull()
df_isnull
1#檢查特定列空值
2df['price'].isnull()
3
40 False
51 True
62 False
73 False
84 True
95 False
10Name: 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”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。
查看唯一值
Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重復項后的結果。
1#查看 city 列中的唯一值
2df['city'].unique()
3
4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)
查看數據表數值
Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。
1#查看數據表的值
2df.values
3
4array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23,
5 1200.0],
6 [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan],
7 [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A', 54,
8 2133.0],
9 [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32,
10 5433.0],
11 [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34,
12 nan],
13 [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32,
14 4432.0]], dtype=object)
查看列名稱
Colums 函數用來單獨查看數據表中的列名稱。
1#查看列名稱
2df.columns
3
4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')
查看前 10 行數據
Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。
1`#查看前 3 行數據``df.head(``3``)`
df_head(3)
查看后 10 行數據
Tail 行數與 head 函數相反，用來查看數據表中后 N 行的數據，默認 tail()顯示后 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看后 3 行的數據。
1`#查看最后 3 行``df.tail(``3``)`
df_tail(3)
03 數據表清洗
第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重復值的處理。這里不包含對數據間的邏輯驗證。
處理空值(刪除或填充)
我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對于空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。
Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。
查找和替換空值
Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數后，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。
1#刪除數據表中含有空值的行
2df.dropna(how='any')
df_dropna
除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。
1#使用數字 0 填充數據表中空值
2df.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，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然后使用這個均值對 NA 進行填
充。可以看到兩個空值字段顯示為 3299.5
1#使用 price 均值對 NA 進行填充
2df['price'].fillna(df['price'].mean())
3
40 1200.0
51 3299.5
62 2133.0
73 5433.0
84 3299.5
95 4432.0
10Name: price, dtype: float64
df_nan
清理空格
除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。
1#清除 city 字段中的字符空格
2df['city']=df['city'].map(str.strip)
大小寫轉換
在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。
1#city 列大小寫轉換
2df['city']=df['city'].str.lower()
lower
更改數據格式
Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。
設置單元格格式
Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。
1#更改數據格式
2df['price'].astype('int')
3
40 1200
51 3299
62 2133
73 5433
84 3299
95 4432
10Name: price, dtype: int32
更改列名稱
Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改后的結果。
1#更改列名稱
2df.rename(columns={'category': 'category-size'})
df_rename
刪除重復值
很多數據表中還包含重復值的問題，Excel 的數據目錄下有“刪除重復項”的功能，可以用來刪除數據表中的重復值。默認 Excel 會保留最先出現的數據，刪除后面重復出現的數據。
刪除重復項
Python 中使用 drop_duplicates 函數刪除重復值。我們以數據表中的 city 列為例，city 字段中存在重復值。默認情況下 drop_duplicates()將刪除后出現的重復值(與 excel 邏輯一致)。增加 keep=’last’參數后將刪除最先出現的重復值，保留最后的值。下面是具體的代碼和比較結果。
原始的 city 列中 beijing 存在重復，分別在第一位和最后一位。
1df['city']
20 beijing
31 sh
42 guangzhou
53 shenzhen
64 shanghai
75 beijing
8Name: city, dtype: object
使用默認的 drop_duplicates()函數刪除重復值，從結果中可以看到第一位的 beijing 被保留，最后出現的 beijing 被刪除。
1#刪除后出現的重復值
2df['city'].drop_duplicates()
30 beijing
41 sh
52 guangzhou
63 shenzhen
74 shanghai
8Name: city, dtype: object
設置 keep=’last‘’參數后，與之前刪除重復值的結果相反，第一位出現的 beijing 被刪除，保留了最后一位出現的 beijing。
1#刪除先出現的重復值
2df['city'].drop_duplicates(keep='last')
31 sh
42 guangzhou
53 shenzhen
64 shanghai
75 beijing
8Name: city, dtype: objec
數值修改及替換
數據清洗中最后一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。
查找和替換空值
Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。
1#數據替換
2df['city'].replace('sh', 'shanghai')
30 beijing
41 shanghai
52 guangzhou
63 shenzhen
74 shanghai
85 beijing
9Name: city, dtype: object
本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。
4-6 目錄
04 數據預處理
第四部分是數據的預處理，對清洗完的數據進行整理以便后期的統計和分析工作。主要包括數據表的合并，排序，數值分列，數據分
組及標記等工作。
數據表合并
首先是對不同的數據表進行合并，我們這里創建一個新的數據表 df1，并將 df 和 df1 兩個數據表進行合并。在 Excel 中沒有直接完成數據表合并的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用于和 df 數據表進行合并。
1#創建 df1 數據表
2df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],
3"gender":['male','female','male','female','male','female','male','female'],
4"pay":['Y','N','Y','Y','N','Y','N','Y',],
5"m-point":[10,12,20,40,40,40,30,20]})
df1
使用 merge 函數對兩個數據表進行合并，合并的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。并命名為 df_inner。
1#數據表匹配合并，inner 模式
2df_inner=pd.merge(df,df1,how='inner')
df_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的說明和對比。
1#其他數據表匹配模式
2df_left=pd.merge(df,df1,how='left')
3df_right=pd.merge(df,df1,how='right')
4df_outer=pd.merge(df,df1,how='outer')
設置索引列
完成數據表的合并后，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，匯總，也可以進行數據篩選等。
設置索引的函數為 set_index。
1#設置索引列
2df_inner.set_index('id')
df_inner_set_index
排序(按索引，按數值)
Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。
排序
在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。
使用的函數為 sort_values。
1#按特定列的值排序
2df_inner.sort_values(by=['age'])
sort_values
Sort_index 函數用來將數據表按索引列的值進行排序。
1#按索引列排序
2df_inner.sort_index()
sort_index
數據分組
Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。
Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，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 字段進行標記。
1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low
2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')
where
除了 where 函數以外，還可以對多個字段的值進行判斷后對數據進行分組，下面的代碼中對 city 列等于 beijing 并且 price 列大于等于 4000 的數據標記為 1。
1#對復合多個條件的數據進行分組標記
2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1
sign
數據分列
與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。
數據分列
在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，后面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，并將拆分后的數據表匹配回原數據表中。
1#對 category 字段的值依次進行分列，并創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size
2pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])
split
1#將完成分列后的數據表與原 df_inner 數據表進行匹配
2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)
merge_1
05 數據提取
第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標簽值進行提取，iloc 按位置進行提取，ix 可以同時按標簽和位置進行提取。下面介紹每一種函數的使用方法。
按標簽提取(loc)
Loc 函數按數據表的索引標簽進行提取，下面的代碼中提取了索引列為 3 的單條數據。
1#按索引提取單行的數值
2df_inner.loc[3]
3id 1004
4date 2013-01-05 00:00:00
5city shenzhen
6category 110-C
7age 32
8price 5433
9gender female
10m-point 40
11pay Y
12group high
13sign NaN
14category_1 110
15size C
16Name: 3, dtype: object
使用冒號可以限定提取數據的范圍，冒號前面為開始的標簽值，后面為結束的標簽值。下面提取了 0 到 5 的數據行。
1#按索引提取區域行數值
2df_inner.loc[0:5]
df_inner_loc1
Reset_index 函數用于恢復索引，這里我們重新將 date 字段的日期設置為數據表的索引，并按日期進行數據提取。
1#重設索引
2df_inner.reset_index()
reset_index
1#設置日期為索引
2df_inner=df_inner.set_index('date')
set_index_date
使用冒號限定提取數據的范圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。
1#提取 4 日之前的所有數據
2df_inner[:'2013-01-04']
按提起提取
按位置提取(iloc)
使用 iloc 函數按位置對數據表中的數據進行提取，這里冒號前后的數字不再是索引的標簽名稱，而是數據所在的位置，從 0 開始。
1#使用 iloc 按位置區域提取數據
2df_inner.iloc[:3,:2]
iloc1
iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，后面方括號中的數表示所在列的位置。
1#使用 iloc 按位置單獨提取數據
2df_inner.iloc[[0,2,5],[4,5]]
iloc2
按標簽和位置提取（ix）
ix 是 loc 和 iloc 的混合，既能按索引標簽提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。
1#使用 ix 按索引標簽和位置混合提取數據
2df_inner.ix[:'2013-01-03',:4]
ix
按條件提取（區域和條件值）
除了按標簽和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。
使用 isin 函數對 city 中的值是否為 beijing 進行判斷。
1#判斷 city 列的值是否為 beijing
2df_inner['city'].isin(['beijing'])
3
4date
52013-01-02 True
62013-01-05 False
72013-01-07 True
82013-01-06 False
92013-01-03 False
102013-01-04 False
11Name: city, dtype: bool
將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這里我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。
1#先判斷 city 列里是否包含 beijing 和 shanghai，然后將復合條件的數據提取出來。
2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]
loc 按篩選條件提取
數值提取還可以完成類似數據分列的工作，從合并的數值中提取出制定的數值。
1category=df_inner['category']
20 100-A
33 110-C
45 130-F
54 210-A
61 100-B
72 110-A
8Name: category, dtype: object
9
10#提取前三個字符，并生成數據表
11pd.DataFrame(category.str[:3])
category_str
06 數據篩選
第六部分為數據篩選，使用與，或，非三個條件配合大于，小于和等于對數據進行篩選，并進行計數和求和。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 數據目錄下提供了“篩選”功能，用于對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。
篩選
使用“與”條件進行篩選，條件是年齡大于 25 歲，并且城市為 beijing。篩選后只有一條數據符合要求。
1#使用“與”條件進行篩選
2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]
與
使用“或”條件進行篩選，年齡大于 25 歲或城市為 beijing。篩選后有 6 條數據符合要求。
1#使用“或”條件篩選
2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort
3(['age'])
或
在前面的代碼后增加 price 字段以及 sum 函數，按篩選后的結果將 price 字段值進行求和，相當于 excel 中 sumifs 的功能。
1#對篩選后的數據按 price 字段進行求和
2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),
3['id','city','age','category','gender','price']].sort(['age']).price.sum()
4
519796
使用“非”條件進行篩選，城市不等于 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。
1#使用“非”條件進行篩選
2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])
非
在前面的代碼后面增加 city 列，并使用 count 函數進行計數。相當于 excel 中的 countifs 函數的功能。
1#對篩選后的數據按 city 列進行計數
2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
34
還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。
1#使用 query 函數進行篩選
2df_inner.query('city == ["beijing", "shanghai"]')
query
在前面的代碼后增加 price 字段和 sum 函數。對篩選后的 price 字段進行求和，相當于 excel 中的 sumifs 函數的功能。
1#對篩選后的結果按 price 進行求和
2df_inner.query('city == ["beijing", "shanghai"]').price.sum()
312230
這是第三篇，介紹第 7-9 部分的內容，數據匯總，數據統計，和數據輸出。
7-9 目錄
07 數據匯總
第七部分是對數據進行分類匯總，Excel 中使用分類匯總和數據透視可以按特定維度對數據進行匯總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。
分類匯總
Excel 的數據目錄下提供了“分類匯總”功能，可以按指定的字段和匯總方式對數據表進行匯總。Python 中通過 Groupby 函數完成相應的操作，并可以支持多級分類匯總。
分類匯總 1
Groupby 是進行分類匯總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組后的匯總方式，常見的是計數和求和兩種。
1#對所有列進行計數匯總
2df_inner.groupby('city').count()
groupby
可以在 groupby 中設置列名稱來對特定的列進行匯總。下面的代碼中按城市對 id 字段進行匯總計數。
1#對特定的 ID 列進行計數匯總
2df_inner.groupby('city')['id'].count()
3city
4beijing 2
5Guangzhou 1
6shanghai 2
7shenzhen 1
8Name: id, dtype: int64
在前面的基礎上增加第二個列名稱，分布對 city 和 size 兩個字段進行計數匯總。
1#對兩個字段進行匯總計數
2df_inner.groupby(['city','size'])['id'].count()
3city size
4beijing A 1
5F 1
6guangzhou A 1
7shanghai A 1
8B 1
9shenzhen C 1
10Name: id, dtype: int64
除了計數和求和外，還可以對匯總后的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行匯總，并分別計算 price 的數量，總金額和平均金額。
1#對 city 字段進行匯總并計算 price 的合計和均值。
2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
groupby1
數據透視
Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行匯總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。
數據透視
數據透視表也是常用的一種數據分類匯總方式，并且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額并且按行與列進行匯總。
1#數據透視表
2pd.pivot_table(df_inner,index=["city"],values=["price"],columns=["size"],aggfunc=[len,np.sum],fill_value=0,margins=True)
pivot_table
08 數據統計
第九部分為數據統計，這里主要介紹數據采樣，標準差，協方差和相關系數的使用方法。
數據采樣
Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據采樣。
數據抽樣
Sample 是進行數據采樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。
1#簡單的數據采樣
2df_inner.sample(n=3)
簡單隨機采樣
Weights 參數是采樣的權重，通過設置不同的權重可以更改采樣的結果，權重高的數據將更有希望被選中。這里手動設置 6 條數據的權重值。將前面 4 個設置為 0，后面兩個分別設置為 0.5。
1#手動設置采樣權重
2weights = [0, 0, 0, 0, 0.5, 0.5]
3df_inner.sample(n=2, weights=weights)
手動設置采樣權重 1
從采樣結果中可以看出，后兩條權重高的數據被選中。
手動設置采樣權重 2
Sample 函數中還有一個參數 replace，用來設置采樣后是否放回。
1#采樣后不放回
2df_inner.sample(n=6, replace=False)
采樣后不放回
1#采樣后放回
2df_inner.sample(n=6, replace=True)
采樣后放回
描述統計
Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。
描述統計
Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，并使用 round 函數設置結果顯示的小數位。并對結果數據進行轉置。
1#數據表描述性統計
2df_inner.describe().round(2).T
describe
標準差
Python 中的 Std 函數用來接算特定數據列的標準差。
1#標準差
2df_inner['price'].std()
31523.3516556155596
協方差
Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。
協方差
Cov 函數用來計算兩個字段間的協方差，可以只對特定字段進行計算，也可以對整個數據表中各個列之間進行計算。
1#兩個字段間的協方差
2df_inner['price'].cov(df_inner['m-point'])
317263.200000000001
cov
相關分析
Excel 的數據分析功能中提供了相關系數的計算功能，python 中則通過 corr 函數完成相關分析的操作，并返回相關系數。
相關系數
Corr 函數用來計算數據間的相關系數，可以單獨對特定數據進行計算，也可以對整個數據表中各個列進行計算。相關系數在-1 到 1 之間，接近 1 為正相關，接近-1 為負相關，0 為不相關。
1#相關性分析
2df_inner['price'].corr(df_inner['m-point'])
30.77466555617085264
4
5#數據表相關性分析
6df_inner.corr()
corr
09 數據輸出
第九部分是數據輸出，處理和分析完的數據可以輸出為 xlsx 格式和 csv 格式。
寫入 excel
1#輸出到 excel 格式
2df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
excel
寫入 csv
1#輸出到 CSV 格式
2df_inner.to_csv('excel_to_python.csv')
在數據處理的過程中，大部分基礎工作是重復和機械的，對于這部分基礎工作，我們可以使用自定義函數進行自動化。以下簡單介紹對數據表信息獲取自動化處理。
1#創建數據表
2df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
3"date":pd.date_range('20130102', periods=6),
4"city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],
5"age":[23,44,54,32,34,32],
6"category":['100-A','100-B','110-A','110-C','210-A','130-F'],
7"price":[1200,np.nan,2133,5433,np.nan,4432]},
8columns =['id','date','city','category','age','price'])
9
10#創建自定義函數
11def table_info(x):
12 shape=x.shape
13 types=x.dtypes
14 colums=x.columns
15 print("數據維度(行，列): ",shape)
16 print("數據格式: ",types)
17 print("列名稱: ",colums)
18
19#調用自定義函數獲取 df 數據表信息并輸出結果
20table_info(df)
21
22數據維度(行，列):
23(6, 6)
24數據格式:
25id int64
26date datetime64[ns]
27city object
28category object
29age int64
30price float64
31dtype: object
32列名稱:
33Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')
以上就是用 Python 做數據分析的基本內容。
