像Excel一样使用python进行数据分析

Excel是数据分析中最常用的工具，本篇文章通过python与excel的功能对比介绍如何使用python通过函数式编程完成excel中的数据处理及分析工作。在Python中pandas库用于数据处理 ，我们从1787页的pandas官网文档中总结出最常用的36个函数，通过这些函数介绍如何通过python完成数据生成和导入，数据清洗，预处理，以及最常见的数据分类，数据筛选，分类 汇总，透视等最常见的操作。

文章内容共分为9个部分。这是第一篇，介绍前3部分内容，数据表生成，数据表查看，和数据清洗。以下是《像Excel一样使用python进行数据分析》系列文章的目录。

1， 生成数据表

第一部分是生成数据表，常见的生成方法有两种，第一种是导入外部数据，第二种是直接写入数据。 Excel中的文件菜单中提供了获取外部数据的功能，支持数据库和文本文件和页面的多种数据源导入。

python支持从多种类型的数据导入。在开始使用python进行数据导入前需要先导入pandas库，为了方便起见，我们也同时导入numpy库。

1 2	import numpy as np import pandas as pd

 

导入数据表

下面分别是从excel和csv格式文件导入数据并创建数据表的方法。代码是最简模式，里面有很多可选参数设置，例如列名称，索引列，数据格式等等。感兴趣的朋友可以参考pandas的
官方文档。

1 2	df = pd.DataFrame(pd.read_csv( 'name.csv' ,header = 1 )) df = pd.DataFrame(pd.read_excel( 'name.xlsx' ))

 

创建数据表

另一种方法是通过直接写入数据来生成数据表，excel中直接在单元格中输入数据就可以，python中通过下面的代码来实现。生成数据表的函数是pandas库中的DateFrame函数，数据表一共有6行数据，每行有6个字段。在数据中我们特意设置了一些NA值和有问题的字段，例如包含空格等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。

1 2 3 4 5 6 7

df = pd.DataFrame({ "id" :[ 1001 , 1002 , 1003 , 1004 , 1005 , 1006 ],                     "date" :pd.date_range( '20130102' , periods = 6 ),                     "city" :[ 'Beijing ' , 'SH' , ' guangzhou ' , 'Shenzhen' , 'shanghai' , 'BEIJING ' ],                     "age" :[ 23 , 44 , 54 , 32 , 34 , 32 ],                     "category" :[ '100-A' , '100-B' , '110-A' , '110-C' , '210-A' , '130-F' ],                     "price" :[ 1200 ,np.nan, 2133 , 5433 ,np.nan, 4432 ]},                     columns = [ 'id' , 'date' , 'city' , 'category' , 'age' , 'price' ])

这是刚刚创建的数据表，我们没有设置索引列，price字段中包含有NA值，city字段中还包含了一些脏数据。

2，数据表检查

第二部分是对数据表进行检查，python中处理的数据量通常会比较大，比如我们之前的文章中介绍的纽约出租车数据和Citibike的骑行数据，数据量都在千万级，我们无法一目了然的 了解数据表的整体情况，必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况，例如整个数据表的大小，所占空间，数据格式，是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。

 

数据维度(行列)

Excel中可以通过CTRL+向下的光标键，和CTRL+向右的光标键来查看行号和列号。Python中使用shape函数来查看数据表的维度，也就是行数和列数，函数返回的结果(6,6)表示数据表有6行，6列。下面是具体的代码。

1 2 3

#查看数据表的维度 df.shape ( 6 , 6 )

 

数据表信息

使用info函数查看数据表的整体信息，这里返回的信息比较多，包括数据维度，列名称，数据格式和所占空间等信息。

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#数据表信息 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

 

查看数据格式

Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。Python中使用dtypes函数来返回数据格式。

Dtypes是一个查看数据格式的函数，可以一次性查看数据表中所有数据的格式，也可以指定一列来单独查看。

1 2 3 4 5 6 7 8 9 10

#查看数据表各列格式 df.dtypes   id                   int64 date        datetime64[ns] city                object category            object age                  int64 price              float64 dtype: object

1 2 3 4

#查看单列格式 df[ 'B' ].dtype   dtype( 'int64' )

 

查看空值

Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。

Isnull是Python中检验空值的函数，返回的结果是逻辑值，包含空值返回True，不包含则返回False。可以对整个数据表进行检查，也可以单独对某一列进行空值检查。

1 2	#检查数据空值 df.isnull()

1 2 3 4 5 6 7 8 9 10

#检查特定列空值 df[ 'price' ].isnull()   0    False 1     True 2    False 3    False 4     True 5    False Name: price, dtype: bool

 

查看唯一值

Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色标记。Python中使用unique函数查看唯一值。

Unique是查看唯一值的函数，只能对数据表中的特定列进行检查。下面是代码，返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。

1 2 3 4

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

 

查看数据表数值

Python中的Values函数用来查看数据表中的数值。以数组的形式返回，不包含表头信息。

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#查看数据表的值 df.values   array([[ 1001 , Timestamp( '2013-01-02 00:00:00' ), 'Beijing ' , '100-A' , 23 ,          1200.0 ],         [ 1002 , Timestamp( '2013-01-03 00:00:00' ), 'SH' , '100-B' , 44 , nan],         [ 1003 , Timestamp( '2013-01-04 00:00:00' ), ' guangzhou ' , '110-A' , 54 ,          2133.0 ],         [ 1004 , Timestamp( '2013-01-05 00:00