Data analysis by Python 入门
1. 重复数据处理
在DataFrame中主要运用duplicated方法和drop_duplicates方法:
duplicated方法返回的是一个布尔型的Series,用来只是各行是否重复,如果重复则为True,否则为False。
drop_duplicates直接返回已经删除了重复行的DataFrame。
默认drop_duplicates方法会判断所有列,只有所有列的值都重复才算重复行,如果仅需要依据某一列或者某几列进行重复项判断。可以添加列名的列表:drop_duplicates(["K1’])或者drop_duplicates(["K1’,’K2’])。删除的重复值可以选择保留第一项还是最后一项,添加 keep = "last’,会保留最后一个重复值,keep = "first’会保留第一个重复值。
1.1 Excel文件读取
pandas的ExcelFile类或pandas.read_excel函数支持读取存储在Excel 2003(或更高版本)中的表格型数据。这两个工具分别使用扩展包xlrd和openpyxl读取XLS和XLSX文件。你可以用pip或conda安装它们。
要使用ExcelFile,通过传递xls或xlsx路径创建一个实例,然后用存储在表单中的数据可以read_excel读取到DataFrame
import pandas as pd
xlsx = pd.ExcelFile('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls')
frame = pd.read_excel(xlsx, 'Sheet1')
frame
# 也可以直接用read_excel读取
# frame = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls', 'Sheet1')
编号
0
A667708
1
A310882
2
A356517
3
A520304
4
A776477
5
A466074
6
A466074
7
A466074
8
A776477
9
A218912
1.2 重复数据处理
使用DataFrame的drop_duplicates()进行重复数据的删除
frame_ = frame.drop_duplicates(keep = 'last')
# keep = 'last',会保留最后一个重复值,keep = 'first'会保留第一个重复值
frame_
编号
0
A667708
1
A310882
2
A356517
3
A520304
7
A466074
8
A776477
9
A218912
处理数据另存为Excel文件
如果要将pandas数据写入为Excel格式,你必须首先创建一个ExcelWriter,然后使用pandas对象的to_excel方法将 数据写入到其中:
writer = pd.ExcelWriter('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')
frame_.to_excel(writer, 'Sheet1')
writer.save()
# 当然,你还可以不使用ExcelWriter,而是传递文件的路径到to_excel:
# frame.to_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')
2. 检查数据逻辑错误
逻辑错误是根据数据来源、数据性质等进行判断的,比如年龄出现负值等等。
这里的例子是在多选题中需要选择3项,为0代表未选择,不为0代表选择,所以需要判断每一行数据中不为0的个数是否等于3.
因为原先的xls文件有合并单元格,首先手动将其删除,只留下标题列ABCDEFG和表内容。
frame2 = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/检查数据逻辑错误.xls', 'Sheet1')
frame2_ = frame2.copy()
frame2_
A
B
C
D
E
F
G
0
0
0
1
1
0
1
0
1
1
1
0
1
0
1
0
2
1
0
1
0
2
0
0
3
1
10
1
0
0
0
0
# DataFrame的loc和iloc方法可以选中行进行计算判断,loc和iloc分别通过索引和整数索引进行选择
for i in range(len(frame2_)):
if (frame2_.loc[i] !=0).sum() == 3:
frame2_.loc[i, '校验'] = '正确'
else:
frame2_.loc[i, '校验'] = '错误'
frame2_
A
B
C
D
E
F
G
校验
0
0
0
1
1
0
1
0
正确
1
1
1
0
1
0
1
0
错误
2
1
0
1
0
2
0
0
错误
3
1
10
1
0
0
0
0
错误
3. 字段分列(带分隔符)
在数据源数据中,有时根据需要,需要从某一列数据中提取信息(比如从身份证号中提取出生年月信息)或者对数据进行分割(比如类似2011-01-05的日期,提取年月日信息单独成列)。根据数据的不同分为两种情况,利用字符串的分隔提取方法解决:
需要分列的信息之间有特殊的分隔符,比如逗号、空格等,可以直接用split方法分割;
没有特殊分隔符时,采用对字符串的索引方式,如 对x = "spam’;可以使用x[0],x[-1],x[1:3]等进行信息提取
本例是针对英文名进行分割,中间有空格作为分隔符
excel文件比较随意,只添加了数据内容,没有列名,先手动添加列名 name
frame3 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字段分列.xls', 'Sheet1')
frame3
name
0
Syed Abbas
1
Molly Dempsey
2
Lola Jacobsen
3
Diane Margheim
# 首先提取需要分裂的列,用split()分列,显然,这里的分隔符为空格
frame3_ = pd.DataFrame((x.split(' ') for x in frame3.name), index = frame3.index, columns = ['A', 'B'])
frame3_
A
B
0
Syed
Abbas
1
Molly
Dempsey
2
Lola
Jacobsen
3
Diane
Margheim
4. 字段分列(无特定分隔符)
frame4 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/数据抽取.xls', 'Sheet1')
frame4
姓名
姓
0
黄雅玲
NaN
1
王伟
NaN
2
谢丽秋
NaN
3
王俊元
NaN
4
孙林
NaN
5
王炫皓
NaN
6
张三丰
NaN
7
李四光
NaN
8
王麻子
NaN
9
赵六儿
NaN
# 字段本质上为字符串,固定的位置可以直接用索引直接选取
frame4['姓'] = pd.Series((x[0]) for x in frame4['姓名'])
frame4
姓名
姓
0
黄雅玲
黄
1
王伟
王
2
谢丽秋
谢
3
王俊元
王
4
孙林
孙
5
王炫皓
王
6
张三丰
张
7
李四光
李
8
王麻子
王
9
赵六儿
赵
5. 字段匹配
在excel中,vlookup是字段匹配搜索的神器,加上INDEX和MATCH函数几乎所向披靡。在DataFrame中,merge是合并两个DataFrame的方法,可以利用on = "列名’选择该列进行匹配,还可以选择选择交集、并集、左合并、右合并,功能十分强大
在本例中,员工职位表中有员工的姓名、工号、职务等信息,而在员工个人信息表中缺少职务信息,需要从员工职位表中将职务信息对应添加到员工个人信息表中。选择工号列进行匹配。
frame51 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工职位表.xlsx', 'Sheet1')
frame51
姓名
工号
部门
职务
0
黄雅玲
A776477
销售部
销售代表
1
王伟
A667708
销售部
销售代表
2
谢丽秋
A520304
销售部
销售代表
3
王俊元
A310882
销售部
销售总监
4
孙林
A466074
销售部
销售代表
5
王炫皓
A356517
销售部
销售代表
6
张三丰
A277381
市场部
市场总监
7
李四光
A254382
市场部
市场助理
8
王麻子
A213541
市场部
市场助理
9
赵六儿
A309752
市场部
市场助理
frame52 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工个人信息表(销售部).xlsx', 'Sheet1')
frame52
姓名
工号
出生年月
性别
工龄
职务
0
黄雅玲
A776477
12/8/1968
女
37
NaN
1
王俊元
A310882
2/19/1952
男
45
NaN
2
谢丽秋
A520304
8/30/1963
女
28
NaN
3
王炫皓
A356517
9/19/1958
男
33
NaN
4
孙林
A466074
3/4/1955
男
29
NaN
5
王伟
A667708
7/2/1963
男
8
NaN
# 需要从《员工职位表》中提取"职务’信息到《员工个人信息表》中,这相当于两个DataFrame合并,连接键为"工号’,需要的字段为职务
pd.merge(frame52, frame51[['工号', '职务']], on = '工号')
姓名
工号
出生年月
性别
工龄
职务_x
职务_y
0
黄雅玲
A776477
12/8/1968
女
37
NaN
销售代表
1
王俊元
A310882
2/19/1952
男
45
NaN
销售总监
2
谢丽秋
A520304
8/30/1963
女
28
NaN
销售代表
3
王炫皓
A356517
9/19/1958
男
33
NaN
销售代表
4
孙林
A466074
3/4/1955
男
29
NaN
销售代表
5
王伟
A667708
7/2/1963
男
8
NaN
销售代表
6. 简单计算
本质上相当于在DataFrame添加一列,该列由前面列的数据生成,直接两列相乘即可
本例中是计算销售额(运用公式:销售额 = 销售数量 * 单价)
frame6 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/简单计算.xls', 'Sheet1')
frame6
产品名称
销售数量
单价
销售额
0
产品A
200.0
78.0
NaN
1
产品B
300.0
88.0
NaN
2
产品C
100.0
85.0
NaN
3
产品D
50.0
100.0
NaN
4
产品E
87.0
68.0
NaN
5
合计
NaN
NaN
NaN
frame6['销售额'] = frame6['销售数量'] * frame6['单价']
frame6
产品名称
销售数量
单价
销售额
0
产品A
200.0
78.0
15600.0
1
产品B
300.0
88.0
26400.0
2
产品C
100.0
85.0
8500.0
3
产品D
50.0
100.0
5000.0
4
产品E
87.0
68.0
5916.0
5
合计
NaN
NaN
NaN
# 这里销售额已经计算完毕,因为看到表格中还有合计项,顺便联系一下iloc的用法
frame6.iloc[5, 1:] = frame6.iloc[0:5, 1:].sum()
frame6
产品名称
销售数量
单价
销售额
0
产品A
200.0
78.0
15600.0
1
产品B
300.0
88.0
26400.0
2
产品C
100.0
85.0
8500.0
3
产品D
50.0
100.0
5000.0
4
产品E
87.0
68.0
5916.0
5
合计
737.0
419.0
61416.0
7. 函数计算
计算平均值和总和直接使用mean和sum函数,因为是计算每行的值,需要设置axis=1。
frame7 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/函数计算.xls', 'Sheet1')
frame7
产品名称
一季度
二季度
三季度
四季度
季度平均
总销售量
0
产品A
51.00
40.8
56.100
91.80
NaN
NaN
1
产品B
20.00
16.0
22.000
36.00
NaN
NaN
2
产品C
154.00
123.2
169.400
277.20
NaN
NaN
3
产品D
60.00
48.0
66.000
108.00
NaN
NaN
4
产品E
96.00
76.8
105.600
172.80
NaN
NaN
5
产品F
95.25
76.2
104.775
171.45
NaN
NaN
frame7['季度平均'] = frame7[['一季度', '二季度', '三季度', '四季度']].mean(axis = 1)
frame7['总销售量'] = frame7[['一季度','二季度','三季度','四季度']].sum(axis = 1)
frame7
产品名称
一季度
二季度
三季度
四季度
季度平均
总销售量
0
产品A
51.00
40.8
56.100
91.80
59.92500
239.700
1
产品B
20.00
16.0
22.000
36.00
23.50000
94.000
2
产品C
154.00
123.2
169.400
277.20
180.95000
723.800
3
产品D
60.00
48.0
66.000
108.00
70.50000
282.000
4
产品E
96.00
76.8
105.600
172.80
112.80000
451.200
5
产品F
95.25
76.2
104.775
171.45
111.91875
447.675