利用Python实现EXCEL和SQL的部分功能

原文链接：10个方法：用Python执行SQL、Excel常见任务

导入数据、数据概览

导入所需要的库

import pandas as pd
import numpy as np
import requests
from bs4 import BeautifulSoup
import re
%matplotlib inline

1. Panads库 处理我们的数据
2. numpy库 执行数值的操作和转换
3. requests库 来从网站获取HTML数据
4. Python(re) 的正则表达式来更改在处理数据时可能出现的某些字符串
5. %matplotlib inline 在Jupyter notebook做图时使用的,
   如果不适用这句 魔法命令 图形就会另外打开一个窗口,
   使用这句命令 就会让作图出现在 jupyter notebook的浏览器中

爬取数据

r = requests.get('https://en.wikipedia.org/wiki/List_of_countries_by_GDP_(nominal)_per_capita')
gdptable = r.text
soup = BeautifulSoup(gdptable, 'lxml')
table = soup.find('table', attrs = {"class" :"wikitable sortable"})


theads=[]
for tx in table.findAll('th'):
    theads.append(tx.text)

data =[]
for rows in table.findAll('tr'):
        row={}
        i=0
        for cell in rows.findAll('td'):
            row[theads[i]]=re.sub('\xa0', '',cell.text)
            i+=1
        if len(row)!=0:
            data.append(row)

print(data)

输出的结果

key-value列表

国家排名、国家的名称、人均GDP（以美元表示）

字典转换为dataframe

gdp = pd.DataFrame(data)

查看前5行

gdp.head()

替换列名

重命名列

#只修改其中一列
gdp = gdp.rename(columns = {'US$\n':'money'})
#修改多个列名
gdp.columns = ['Country','Rank','money']
gdp.head()

删除列

del gdp['Rank']

转换数据类型

#删除逗号和换行符
gdp['money'] = gdp['money'].apply(lambda x: re.sub(',','',x))    
gdp['money'] = gdp['money'].apply(lambda x: re.sub('\n','',x)) 
#将money转换为数值型
gdp['money'] = gdp['money'].apply(pd.to_numeric)
gdp.head(3)

计算均值

#计算均值
gdp['money'].mean()

选择数据

#1、人均GDP大于5w
gdp5w = gdp[gdp['money'] > 50000] 

#2、提取以‘S’开头的国家
gdps = gdp[gdp['Country'].str.startswith('S')]
len(gdps)#得到一共有25个国家

#3、选择以S开头的国家且人均GDP大于5w的国家
gdps5w = gdp[(gdp['money'] > 50000) & (gdp['Country'].str.startswith('S'))]

#4、现在选择人均GDP大于5w或者以S开头的国家
gdps_or_gdp5w = gdp[(gdp.money > 50000) | (gdp.Country.str.startswith('S'))]

求和

#计算人均GDP超过5万的总和
gdp5w.money.sum()

直方图

#直方图
gdp5w.money.hist()

连接数据

countrycsv = pd.read_csv("D:\\data\\PythonData\\Country.csv")
df = pd.merge(gdp,countrycsv,how = 'inner',left_on = 'Country',right_on = 'TableName')
countrycsv.head()

groupby分组

#将国家和人均GDP按其所在地区进行分组
gdpregion = df.groupby(['Region']).mean()
gdpregion

因为groupby操作创建的是一个可被操作的临时对象，不会创建永久接口来构建聚合结果，因此我们使用pivot_table透视表进行分组

pivot_table透视表

gdppivot = df.pivot_table(index = ['Region'], margins = True, aggfunc = np.mean)
gdppivot

删除不需要的列

gdppivot.drop({'LatestIndustrialData','LatestTradeData','LatestWaterWithdrawalData'},axis = 1, inplace = True)
gdppivot

拓展部分：pandas.merge

原文链接：[Python3]pandas.merge用法详解

参数列表

merge函数的参数

连接方法

pd.merge()方法

创建两个DataFrame

inner(内连接)：连接两边都有的值

outer(外连接)：左连接和右连接的并集，左侧DataFrame取全部数据，右侧DataFrame匹配左侧DataFrame并用NaN填充缺失值。

默认下是inner连接,即inner 代表交集；outer 代表并集；left 和 right 分别为取一边。

#创建DataFrame

df1 = pd.DataFrame({'key':list('bbaca'),'data1':range(5)})
df1
df2 = pd.DataFrame({'key':['a','b','d'],'data2':range(3)})
df2

#内连接
pd.merge(df1,df2)#缺省参数how时是内连接inner,并按照相同的字段key进行合并，推荐使用下面这种方式
#pd.merge(df1,df2,on = 'key')

#外连接
pd.merge(df1,df2,how = 'outer')

#左连接
pd.merge(df1,df2,how = 'left')

#右连接
pd.merge(df1,df2,how = 'right')

pd.merge()索引连接

#索引
#df1使用data1当做连接关键字，df2使用索引当做连接关键字
pd.merge(df1,df2,left_on = 'data1',right_index = True)

上面可以发现两个DataFrame中都有key列，merge合并之后，pandas会字段在后面加上（_x,_y)。我们可以使用suffixes进行设置。

pd.merge(df1,df2,left_on = 'data1',right_index = True,suffixes = ('_df1','_df2'))

suffixes=(‘_x’,’_y’) 指的是当左右对象中存在除连接键外的同名列时，结果的区分方式，可以各加一个小尾巴。

参考资料

• https://mp.weixin.qq.com/s/4QRjKegxRsiEfhKF_j1jig
• [Python3]pandas.merge用法详解
• https://github.com/Rogerh91/codelove-tutorials
• https://segmentfault.com/q/1010000010892165
• https://blog.csdn.net/youngbit007/article/details/53053784