一、读取不同sheet中的数据
#!/usr/bin/env python
#-*- coding:utf-8 -*-
import pandas as pd
from pprint import pprint
filename = "运营平台商品清单模板_新版0712.xlsx"
df = pd.read_excel(filename,encoding='utf8',sheet_name='商品类目') #指定sheet的名称，默认是第一个
二、数据处理
##查看列名和数据类型
print(df.columns) #查看列名
print(df.dtypes) #查看各列数据类型
##查看指定行列数据
print(df.head(20)) #查看前20行数据
df1=df.loc[:,'奶粉':'喂养用品'] #选择'奶粉'到'喂养用品'列所有数据
##删除列和行
df=df.drop(['奶粉', '喂养用品', '其他'],axis=1) #删除'奶粉', '喂养用品'和'其他'三列
df_test=df.loc[-(df['phone']=='18612345678')] #删除'phone'列等于'18612345678'的行
##移除重复数据
df_new=df.drop_duplicates(['奶粉','玩具']) #移除'奶粉'和'玩具'列包含重复值得行，保留第一个
df_new=df.drop_duplicates(['奶粉'],take_last=True )#移除'奶粉'列包含重复值得行，保留最后一个
##更改列名
df.rename(columns={'洗护用品':'洗漱用品'}, inplace = True) #'洗护用品'列列名改为'洗漱用品'
三、描述性统计
##计算某列变量频数
print(df['奶粉'].unique()) #输出'奶粉'列唯一值
print(df['奶粉'].value_counts()) #输出'奶粉'列各变量出现频数
##分段统计
bins=[0,10,20,30,40,50,60,70,80,90,100]
group_names=['0-10','10-20','20-30','30-40','40-50','50-60','60-70','70-80','80-90','90-100']
cats=pd.cut(df['RH'],bins,labels=group_names)
pd.value_counts(cats,sort=False)
##添加一列分组列，做多维频数统计
bins=[0,10,20,30,40,50,60,70,80,90,100]
group_names=['0-10','10-20','20-30','30-40','40-50','50-60','60-70','70-80','80-90','90-100']
cats=pd.cut(df['RH'],bins,labels=group_names)
df_concat=pd.concat([df,cats],axis=1,ignore_index=True)
df_group=df_concat[7].groupby([df_concat[0],df_concat[6],df_concat[7]])
df_fum=df_group.agg('count')
四、缺失值处理
##填充固定值
train_data.fillna(0, inplace=True) #将NaN用零填充
##填充上下条的数据
df['DC'].fillna(method='pad', inplace=True) #没有值的就用最后一行的值填充
df['DC'].fillna(0, inplace=True) #将NaN用零填充
df['DC'].fillna(method='bfill', inplace=True) #没有值的就用NaN填充
#更多请参考：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html
五、筛选
##条件筛选loc
df_sel=df.loc[(df['month']=='aug') & (df['DC']>=600)] #筛选month列等于aug且DC列大于600的所有行
##筛选并给新列赋值
这个多用于区间匹配，例如如果A列(0,100],C列为50；A列大于100 ,C列为A列的值。
df.loc[(df['DC']>0) & (df['DC']<=100) ,'DC_na']=50 # 创建新列DC_na,DC列大于0且小于等于100，DC列为50
df.loc[df['DC']>100,'DC_na']=df['DC']# 创建新列DC_na,DC列大于100等于原值，其他为NA
这里举一个其他类似的例子:
有一组数据包含三列（列名为A,B,C），现在要新增一个D列，如果A>100且5<B<7，那么D列的值等于C列减5；如果A>100且B>=7，那么D列的值等于C列减10，其他情况D列的值等于C列的值。
df['D']=df['C']
df.loc[(df['A']>100) & (df['B']>=5) &(df['B']<=7) ,'D']=df['C']-5
df.loc[(df['A']>100) & (df['B']>=7) ,'D']=df['C']-10
##模糊筛选/精确筛选：isin()，contains()
df_sel1=df[df['day'].str.contains('fr')] #筛选day列包含fr字符的行
df_sel2=df[df['day'].isin(['fri','mon'])] #筛选day列等于fri或mon的行
六、替换
##去掉字符串两端空格
df_city['experience_new'] = df_city['experience'].map(lambda s: s.strip()) #experience列中文前后端包含空格，需对改列进行分词处理（去掉空格），赋值给新列experience_new
##替换
#将experience_new列中的应届毕业生替换为1年以下
df_city = df_city.replace({'experience_new':'应届毕业生'},'1年以下')
df_city['expreienct_new']=df_city['expreienct_new'].map(lambda s:re.sub('应届毕业生','1年以下',s))
七、提取字符串
##分列
df['new']=df['day'].map(lambda s:re.compile(':').split(s)[0]) #对df['day']列按照符号':'进行分列并提取第一个值，赋值到新列df['new']
##搜索字符串
df['xin']='U34' #增加新列，列名为xin,为新列赋值U34
df['zimu']=df['xin'].map(lambda s:re.compile("([0-9]+)").search(s).group()[0]) #搜索字母并提取第一个值
df['shuzi']=df['xin'].map(lambda s:re.compile("[a-zA-Z]+").search(s).group()[0]) #搜索字母并提取第一个值
八、关联
1、两表关联：merge(左关联，右关联)
比如有以下两个数据集
df1 客户信息表
customer_id sex city
10084 男 北京
10085 女 上海
10086 男 广州
10087 女 深圳
df2订单表
order customer_id product shouru
CH001 10084 A 500
CH002 10085 B 200
CH003 10086 C 1000
CH004 10086 D 3000
###左关联
df_merge=pd.merge(df1,df2,on='customer_id',how='left') #左关联
print(df_merge)
注意第三四列，与EXCEL匹配的逻辑稍有不同。
customer_id sex city order product shouru
10084 男 北京 CH001 A 500
10085 女 上海 CH002 B 200
10086 男 广州 CH003 C 1000
10086 男 广州 CH004 D 3000
10087 女 深圳 NA NA NA
###根据多列进行左关联
pd.merge(df1,df2,on=['key1','key2'],how='left') #多键连接
2、多表进行关联
###轴向连接：concat()
pd.concat([df1,df2],axis=1,ignore_index=True）#df1和df2横向拼接
###多表关联：reduce()
from functools import reduce
df_list=[df_dau,df_gmv_zx,df_dau_zx]
df_zhengti=reduce(lambda left,right:pd.merge(left,right,on=['event_date','duan'],how='left'),df_list) #按照event_date,duan 从左到右对df_list中的文件进行左关联
九、聚合和排序
聚合类似于数据透视表，类似于sumifs(),countifs(),averageifs()等函数的效果。
###聚合groupby()
df_group=df['DC'].groupby([df['month'],df['day']]) #根据month和day列对DC列进行聚合
df_fun=df_gorup.agg(['sum','mean','std']) #对df_group求和，均值和标准差
print(df_fun)
###数据透视表pd.pivot_table()
这个函数比较难记，可以参考EXCEL数据透视表去理解，index代表列，columns代表行，values代表值，aggfunc代表要对值用什么函数，fil_value代表缺失值用0填充。
df_toushi=pd.pivot_table(df,index=['month'],columns=['day'],values=['DC'],aggfunc=[np.sum,np.mean],fill_value=0)
print(df_toushi)
###按照DMC列降序，DC列升序对数据集进行排序。
df_paixu=df.sort_values(by=['DMC','DC'],ascending=[0,1])
十、时间序列处理
###csv中的时间会被读取为字符串，需要批量处理为pandas可处理的时间类型
df['date']=pd.to_datetime(df['createTime']) #批量转换createTime中的时间，并赋值到date列
df[(df['date']>='20140701')&(df['date']<='20140715')]#筛选指定时间段数据
###时间设置
from datetime import datetime, timedelta
import time
today = datetime.today() #今天
yesterday_ts = time.time() - 24 * 3600 #昨天
yesterday = datetime.fromtimestamp(yesterday_ts).strftime('%Y-%m-%d') #转换为年月日
fromtime = (today -timedelta(16)).strftime('%Y-%m-%d') #16天前，并转化为年月日
day_before_yesterday_ts = yesterday_ts - 24*3600 #前天
day_before_yesterday = datetime.fromtimestamp(day_before_yesterday_ts).strftime('%Y-%m-%d')
十一、将数据写入到数据库
import pandas as pd
from sqlalchemy import create_engine
filename = "运营平台商品清单模板_新版0712.xlsx"
catagoray = {}
#读取excel
df = pd.read_excel(filename,encoding='utf8',sheet_name='商品类目') #指定sheet的名称，默认是第一个
for i in list(df.columns):
catagoray[i] = []
for item in df[i].fillna(0): #将值为NaN用零填充
if item != 0:
catagoray.get(i).append(item)
#catagoray数据格式为：{'列名' : ['值1', '值2'，'值2']}
engine = create_engine('mysql+pymysql://user:password@mysql_ip:3306/database', echo=False)
pd.DataFrame(catagoray).to_sql('talbe_name',con=engine,if_exists='append',index=True)
engine.execute("SELECT * FROM talbe_name") #查询
##扩展，如果在数据库中插入数据为列表格式，需要在创建DataFrame对象的时候指定列名
import pandas as pd
from sqlalchemy import create_engine
import numpy as np
filename = "运营平台商品清单模板_新版0712.xlsx"
catagoray = []
#读取excel
df = pd.read_excel(filename,encoding='utf8',sheet_name='商品类目') #指定sheet的名称，默认是第一个
data = np.array(df)
for item in data:
catagoray.append(list(item))
engine = create_engine('mysql+pymysql://user:password@mysql_ip:3306/database', echo=False)
pd.DataFrame(catagoray,columns=['列1','列2','列3']).to_sql('talbe_name',con=engine,if_exists='append',index=True)
十二、不覆盖现有sheet在Excel中写入数据
import pandas as pd
import numpy as np
writer = pd.ExcelWriter('test_excel.xlsx')
A = np.array([[1,2,3],[4,5,6]])
B = np.array([[10, 20, 30], [40, 50, 60]])
df1 = pd.DataFrame(A)
df2 = pd.DataFrame(B)
df1.to_excel(writer,sheet_name='AAA')
df2.to_excel(writer,sheet_name='BBB')
writer.close()
扫一扫
404
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
