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
|