一篇有趣的文章

最新推荐文章于 2019-06-08 16:26:11 发布

俊红的数据分析之路

最新推荐文章于 2019-06-08 16:26:11 发布

阅读量656

点赞数

本文链接：https://blog.csdn.net/junhongzhang/article/details/90310753

版权

总第147篇/wupeng

这篇文章是『读者分享系列』第三篇，这一篇来自wupeng同学，这是他在读完我的书以后写的一个 Python 数据分析项目，现在他把整体的思路以及实现代码分享出来，希望对你有帮助。

这篇文章实在是太有趣了，以至于我不知道该用什么标题，所以就简单粗暴用了一篇有趣的文章这个标题。

你还可以看其他读者系列：

Python中的这几种报错你遇到过吗？

Python报表自动化

00|花园里的驱蛇者

驱使Python蟒蛇为自己工作的奇幻之旅

那是一个寻常的下午，他困了。

"飞碟瓜，最近战事紧张，多个植物花园发生了激烈的战斗，麻烦你统计一下上个月的战斗成果，看一下植物战士们的战斗力有没有提高。今天晚上向我汇报。“火炬树桩交待了这个任务，就去指挥战斗了。

"When can I leave work and go home?" 他一遍遍的问自己：“我什么时候可以下班回家？”

飞碟瓜还没有把工作做完，而这导致他目前无法下班。怎么办呢？向日葵老师发来微信了，刚好问一下她。

后来，经过一个月的学习，飞碟瓜成为了数据分析的熟练工。他偶尔还是会想起那个令他绝望的下午。

以前，他每天的工作，就是数据的罗列，报表的生成，以及分类汇总，他曾经是植物花园里，远近闻名的”表哥”。但是，从那个下午开始，他开始尝试，把一些每月例行的重复工作，写成脚本文件，让python蟒蛇来进行办公自动化的操作。“这像是一个奇幻之旅。”飞碟瓜说。

在1996年5月20日，全世界有3000多万人使用微软Excel，而且平均每分钟新增5个用户。根据pythonanywhere.com网站博客文章的估算，世界上大约有180万至280万的python程序员。2019年2月印刷的一本《对比Excel，轻松学习Python数据分析》引起了这两个庞大的用户群体的热烈追捧。在这本书里，围绕数据分析的流程，作者数据分析师张俊红先生，详细介绍了每个步聚中，用Excel如何实现，用Python如何实现。

『事务千万件，流程第一件。不按流程走，返工流眼泪』。这是向日葵老师反复强调的事情，也是飞碟瓜长期工作的经验。

现在，飞碟瓜就按照数据分析的基本流程，一步步的开始分析了。

01|明确目的

根据各个花园上报的这样的明细数据

僵尸ID	僵尸类别ID	战场编号	僵尸等级	僵尸数量	战斗日期	战斗ID

统计战斗成果，每月例行填写下列表格：

	本月累计	上月同期	去年同期	环比	同比
战功
战斗次数
每场战功

其中，战功就是僵尸等级乘以僵尸数量。打败的僵尸越多，打败的僵尸的等级越高，战功越大。

02|熟悉工具

飞碟瓜去这个网址，下载了Python蟒蛇的集成开发环境Anaconda。

然后他念起了咒语：『天灵灵，地灵灵，Python蟒蛇快显灵。拿出熊猫工具包，日期时间包也要。帮我解决大难题，你的好处少不了』。

Python蟒蛇回答说：『 SyntaxError: invalid character in identifier 』语法错误:标识符中的字符无效。

向日葵老师提醒道：『你想驱使Python蟒蛇帮你干活，必须是你去学习蛇语，而不是蟒蛇学习咒语。好在蛇语不难学，跟英语挺相似的』。

飞碟瓜无奈的打开了Anaconda里面的jupyter notebook软件，给大蟒蛇下达了指令。

from datetime import datetime
import pandas as pd

03|获取数据

飞碟瓜继续下达指令：

蟒蛇，战斗成果的原始数据文件的位置，放在了"d:\documents\temp1\"的文件夹里面，文件名字叫做"battle.xlsx"。

有一个叫做“战斗日期”的列，是记录日期的，你可不要以为是数值，你拿出你的日期时间工具包，把它处理一下，要保证理解为日期的值。

文件的编码是GBK编码的，别搞乱码了。

把文件取出之后，放在一个DataFrame数据框架里面，并且起个名字叫做data“
(DataFrame是由一组数据与一对索引(行索引和列索引)组成的表格型数据结构)

data=pd.read_excel(r'd:\documents\temp1\battle.xlsx',parse_dates=['战斗日期'],encoding='gbk')

04|熟悉数据

『弄好了吗』，显示dataframe的前五行数据，给我看看吧。

print (data.head())

蟒蛇回复：

  僵尸ID     僵尸类别ID  战场编号  僵尸等级  僵尸数量       战斗日期                     战斗ID
0  30006206  915000003  CDNL     4         1             2018-01-01          20170103CDLG000210052759
1  30163281  914010000  CDNL     1         2             2018-01-02          20170103CDLG000210052759
2  30200518  922000000  CDNL     2         1             2018-01-03          20170103CDLG000210052759
3  29989105  922000000  CDNL     1         3             2018-01-04          20170103CDLG000210052759
4  30179558  915000100  CDNL     4         1             2018-01-05          20170103CDLG000210052759

05|处理数据

看一下是否有缺失值，各个列的数据类型是什么

print (data.info())

蟒蛇应答：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3478 entries, 0 to 3477
Data columns (total 7 columns):
僵尸ID      3478 non-null int64
僵尸类别ID    3478 non-null int64
战场编号      3478 non-null object
僵尸等级      3478 non-null int64
僵尸数量      3478 non-null int64
战斗日期      3478 non-null datetime64[ns]
战斗ID      3478 non-null object
dtypes: datetime64[ns](1), int64(4), object(2)
memory usage: 190.3+ KB
None

飞碟瓜看了一下，注意到

所有的列都是3478行，全都没有空值(non-null)
而且”战斗日期"的数据格式为datetime64[ns]，符合要求。

查一下是否有异常的数值，比方说，僵尸数量为负数，僵尸等级大于5，目前如果存在这类数据，就属于异常值。

print(data.describe())

蟒蛇回答：

 僵尸ID        僵尸类别ID         僵尸等级         僵尸数量
count     3.478000e+03  3.478000e+03  3478.000000  3478.000000
mean      3.004899e+07  9.214786e+08     2.526164     1.478723
std       7.303804e+04  9.653496e+06     1.109625     1.901963
min       2.998902e+07  9.100000e+08     1.000000     1.000000
25%       2.998915e+07  9.140701e+08     2.000000     1.000000
50%       3.001310e+07  9.220000e+08     3.000000     1.000000
75%       3.010167e+07  9.230000e+08     4.000000     2.000000
max       3.021483e+07  9.600000e+08     4.000000    45.000000

06|分析数据

	本月累计	上月同期	去年同期	环比	同比
战功=僵尸等级*僵尸数量
战斗次数=战斗ID去重计数
每场战功=战功/战斗次数

筛选出本月累计、上月同期、去年同期这三个时间段范围内，对应的数据框架DataFrame。

This_data=data[(data['战斗日期']>=datetime(2018,2,1))&(data['战斗日期']<=datetime(2018,2,28))]
Last_data=data[(data['战斗日期']>=datetime(2018,1,1))&(data['战斗日期']<=datetime(2018,1,31))]
Same_data=data[(data['战斗日期']>=datetime(2017,2,1))&(data['战斗日期']<=datetime(2017,2,28))]

编写函数，输入的参数为各个时间段的数据框架DataFrame, 输出的值为战功，战斗次数，每场战功的数据。

def get_month_data(perioddata):
    contribution=(perioddata['僵尸等级']*perioddata['僵尸数量']).sum()
    number_of_battles=perioddata['战斗ID'].drop_duplicates().count()
    s_t=(contribution/number_of_battles)
    print (contribution,number_of_battles,s_t)
    return (contribution,number_of_battles,s_t)

调用函数，计算出需要的数据

contribution_1,number_of_battles_1,a_n_1=get_month_data(This_data)   #分别计算本月的战功,战斗次数,每场战功
contribution_2,number_of_battles_2,a_n_2=get_month_data(Last_data)   #分别计算上月的战功,战斗次数,每场战功
contribution_3,number_of_battles_3,a_n_3=get_month_data(Same_data)   #分别计算上年同期的战功,战斗次数,每场战功

合并三个时间段的指标到同一个DataFrame数据框架里面

设定DataFrame的行名称是['战功','战斗次数','每场战功']
设定DataFrame的列名称为['本月累计','上月同期','去年同期']
第1行的数据项填充为'contribution_1(本月战功)，contribution_2(上月战功)，contribution_3(上年同期战功)
第2行的数据项填充为'number_of_battles_1(本月战斗次数)，number_of_battles_2(上月战斗次数)，number_of_battles_3(上年同期战斗次数)
第3行的数据项填充为'a_n_1(本月每场战功)，a_n_2(上月每场战功),a_n_3(上年同期每场战功)

report=pd.DataFrame([[contribution_1,contribution_2,contribution_3],[number_of_battles_1,number_of_battles_2,number_of_battles_3],[a_n_1,a_n_2,a_n_3]],columns=['本月累计','上月同期','去年同期'],index=['战功','战斗次数','每场战功'])

增加环比和同比指标。

report['环比']=report['本月累计']/report['上月同期']-1
report['同比']=report['本月累计']/report['去年同期']-1

查看数据，并且导出文件到本地。

print(report)
report.to_excel(r'd:\documents\temp1\report.xlsx')

蟒蛇回复：

　      本月累计 上月同期 去年同期 环比 同比
战功     4433 4237 4331 0.046259 0.023551
战斗次数 343 315 262 0.088889 0.30916
每场战功 12.9242 13.45079 16.53053 -0.03915 -0.21816

从此以后，每当有其他的植物花园发送来战斗情况表的时候，飞碟瓜只需要召唤一下，Python蟒蛇就会刷刷刷的算好需要的数据，贴心地生成Excel文件。飞碟瓜就再也不用加班啦。

07|完整的Python代码

from datetime import datetime
import pandas as pd
data=pd.read_excel(r'd:\documents\temp1\battle.xlsx',parse_dates=['战斗日期'],encoding='gbk')
print (data.head())
print (data.info())
print(data.describe())
def get_month_data(perioddata):
    contribution=(perioddata['僵尸等级']*perioddata['僵尸数量']).sum()
    number_of_battles=perioddata['战斗ID'].drop_duplicates().count()
    s_t=(contribution/number_of_battles)
    print (contribution,number_of_battles,s_t)
    return (contribution,number_of_battles,s_t)
This_data=data[(data['战斗日期']>=datetime(2018,2,1))&(data['战斗日期']<=datetime(2018,2,28))]
Last_data=data[(data['战斗日期']>=datetime(2018,1,1))&(data['战斗日期']<=datetime(2018,1,31))]
Same_data=data[(data['战斗日期']>=datetime(2017,2,1))&(data['战斗日期']<=datetime(2017,2,28))]
contribution_1,number_of_battles_1,a_n_1=get_month_data(This_data)   #分别计算本月的战功,战斗次数,每场战功
contribution_2,number_of_battles_2,a_n_2=get_month_data(Last_data)   #分别计算上月的战功,战斗次数,每场战功
contribution_3,number_of_battles_3,a_n_3=get_month_data(Same_data)   #分别计算上年同期的战功,战斗次数,每场战功
report=pd.DataFrame([[contribution_1,contribution_2,contribution_3],[number_of_battles_1,number_of_battles_2,number_of_battles_3],[a_n_1,a_n_2,a_n_3]],columns=['本月累计','上月同期','去年同期'],index=['战功','战斗次数','每场战功'])
report['环比']=report['本月累计']/report['上月同期']-1
report['同比']=report['本月累计']/report['去年同期']-1
print(report)
report.to_excel(r'd:\documents\temp1\report.xlsx')

关于作者