本文涉及pandas最常用的36個函數，通過這些函數介紹如何完成數據生成和導入、數據清洗、預處理，以及最常見的數據分類，數據篩選，分類匯總，透視等最常見的操作。

生成數據表

常見的生成數據表的方法有兩種，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。

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.

import numpy as np
import pandas as pd

導入外部數據

df=pd.DataFrame(pd.read_csv('name.csv',header=1))
df=pd.DataFrame(pd.read_Excel('name.xlsx'))c

里面有很多可選參數設置，例如列名稱、索引列、數據格式等

直接寫入數據

df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],
"date":pd.date_range('20130102', periods=6),
"city":['Beijing ', 'SH', ' guangzhou ', 'Shen
zhen', 'shanghai', 'BEIJING '],
"age":[23,44,54,32,34,32],
"category":['100-A','100-B','110-A','110-C','2
10-A','130-F'],
"price":[1200,np.nan,2133,5433,np.nan,4432]},
columns =['id','date','city','category','age',
'price'])

數據表檢查

數據表檢查的目的是了解數據表的整體情況，獲得數據表的關鍵信息、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。

1.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。

df.shape

2.數據表信息

使用info函數查看數據表的整體信息，包括數據維度、列名稱、數據格式和所占空間等信息。

數據表信息

df.info()

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

3.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

#查看數據表各列格式
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')

4.查看空值

Excel中查看空值的方法是使用“定位條件”在“開始”目錄下的“查找和選擇”目錄.

Isnull是Python中檢驗空值的函數

#檢查數據空值
df.isnull()

#檢查特定列空值
df['price'].isnull()

5.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city列中的唯一值
df['city'].unique()
array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', '
BEIJING '], dtype=object)

6.查看數據表數值

Python中的Values函數用來查看數據表中的數值

#查看數據表的值
df.values

7.查看列名稱

Colums函數用來單獨查看數據表中的列名稱。

#查看列名稱
df.columns
Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='
object')

8.查看前10行數據

Head函數用來查看數據表中的前N行數據

#查看前3行數據
df.head(3)

9.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

#查看最后3行
df.tail(3)

數據表清洗

本章介紹對數據表中的問題進行清洗，包括對空值、大小寫問題、數據格式和重復值的處理。

1.處理空值(刪除或填充)

Excel中可以通過“查找和替換”功能對空值進行處理

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。

#刪除數據表中含有空值的行
df.dropna(how='any')

也可以使用數字對空值進行填充

#使用數字0填充數據表中空值
df.fillna(value=0)

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。

#使用price均值對NA進行填充
df['price'].fillna(df['price'].mean())
Out[8]: 
0    1200.0
1    3299.5
2    2133.0
3    5433.0
4    3299.5
5    4432.0
Name: price, dtype: float64

2.清理空格

字符中的空格也是數據清洗中一個常見的問題

#清除city字段中的字符空格
df['city']=df['city'].map(str.strip)

3.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。

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

4.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。

#更改數據格式
df['price'].astype('int')
0 1200
1 3299
2 2133
3 5433
4 3299
5 4432
Name: price, dtype: int32

5.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。

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

6.刪除重復值

Excel的數據目錄下有“刪除重復項”的功能

Python中使用drop_duplicates函數刪除重復值

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

city列中beijing存在重復，分別在第一位和最后一位
drop_duplicates()函數刪除重復值

#刪除后出現的重復值
df['city'].drop_duplicates()
0 beijing
1 sh
2 guangzhou
3 shenzhen
4 shanghai
Name: 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

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

7.數值修改及替換

Excel中使用“查找和替換”功能就可以實現數值的替換

Python中使用replace函數實現數據替換

#數據替換
df['city'].replace('sh', 'shanghai')
0 beijing
1 shanghai
2 guangzhou
3 shenzhen
4 shanghai
5 beijing
Name: city, dtype: object

數據預處理

本章主要講的是數據的預處理，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。

1.數據表合并

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。

#建立df1數據表
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。

#數據表匹配合并
df_inner=pd.merge(df,df1,how='inner')

合并的方式還有left，right和outer方式

df_left=pd.merge(df,df1,how='left')
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer')

2.設置索引列

索引列可以進行數據提取，匯總，數據篩選

#設置索引列
df_inner.set_index('id')

3.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

Python中需要使用ort_values函數和sort_index函數完成排序

#按特定列的值排序
df_inner.sort_values(by=['age'])

Sort_index函數用來將數據表按索引列的值進行排序。

#按索引列排序
df_inner.sort_index()

4.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

Python中使用Where函數用來對數據進行判斷和分組

#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
')

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。

#對復合多個條件的數據進行分組標記
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price']
>= 4000), 'sign']=1

5.數據分列

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。

#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
pd.DataFrame((x.split('-') for x in df_inner['category']),index=d
f_inner.index,columns=['category','size'])

#將完成分列后的數據表與原df_inner數據表進行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=Tru
e)

數據提取

1.按標簽提取(loc)

#按索引提取單行的數值
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。

#按索引提取區域行數值
df_inner.loc[0:5]

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。

#重設索引
df_inner.reset_index()

#設置日期為索引
df_inner=df_inner.set_index('date')

#提取4日之前的所有數據
df_inner[:'2013-01-04']

2.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。

#使用iloc按位置區域提取數據
df_inner.iloc[:3,:2]

iloc函數除了可以按區域提取數據，還可以按位置逐條提取

#使用iloc按位置單獨提取數據
df_inner.iloc[[0,2,5],[4,5]]

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。

3.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.

#使用ix按索引標簽和位置混合提取數據
df_inner.ix[:'2013-01-03',:4]

4.按條件提取（區域和條件值）

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

#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。

#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。
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

數據篩選

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。
使用“與”條件進行篩選，條件是年齡大于25歲，并且城市為
beijing。

#使用“與”條件進行篩選
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beiji
ng'), ['id','city','age','category','gender']]/

#使用“或”條件篩選
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beiji
ng'), ['id','city','age','category','gender']].sort(['age'])

#使用“非”條件進行篩選
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函數進行計數。相當于Excel中的countifs函數的功能

#對篩選后的數據按city列進行計數
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age',
'category','gender']].sort(['id']).city.count()

還有一種篩選的方式是用query函數

#使用query函數進行篩選
df_inner.query('city == ["beijing", "shanghai"]')

在前面的代碼后增加price字段和sum函數。對篩選后的price字段
進行求和，相當于Excel中的sumifs函數的功能。

#對篩選后的結果按price進行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
12230

數據匯總

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。

1.分類匯總

#對所有列進行計數匯總
df_inner.groupby('city').count()/

#對特定的ID列進行計數匯總
df_inner.groupby('city')['id'].count()
city
beijing 2
guangzhou 1
shanghai 2
shenzhen 1
Name: id, dtype: int64

#對兩個字段進行匯總計數
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

還可以對匯總后的數據同時按多個維度進行計算

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

2.數據透視

Python中通過pivot_table函數實現同樣的效果

#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。
pd.pivot_table(df_inner,index=["city"],values=["price"],columns=[
"size"],aggfunc=[len,np.sum],fill_value=0,margins=True)

數據統計

1.數據采樣

Excel的數據分析功能中提供了數據抽樣的功能

Python通過sample函數完成數據采樣

#簡單的數據采樣
df_inner.sample(n=3)

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

#手動設置采樣權重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)

Sample函數中參數replace，用來設置采樣后是否放回

#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)

2.描述統計

Python中可以通過Describe對數據進行描述統計

#數據表描述性統計
df_inner.describe().round(2).T

3.相關分析

Python中則通過corr函數完成相關分析的操作，并返回相關系數。

#相關性分析
df_inner['price'].corr(df_inner['m-point'])
0.77466555617085264
#數據表相關性分析
df_inner.corr()

數據輸出

1.寫入Excel

#輸出到Excel格式
df_inner.to_Excel('Excel_to_Python.xlsx', sheet_name='bluewhale_c
c')

2.寫入csv

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

參考

王彥平《從Excel到Python：數據分析進階指南》

本文由博客一文多發平臺 OpenWrite 發布！

審核編輯 黃昊宇