本文為粉絲投稿的《從Excel到Python》讀書筆記

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numpy和pandas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() <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

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》

往期精彩回顧 那些年做的學術公益-你不是一個人在戰斗適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊備注：加入本站微信群或者qq群，請回復“加群”加入知識星球（4500+用戶，ID：92416895），請回復“知識星球” 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的从Excel到Python：最常用的36个Pandas函数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。