Python数据分析入门案例

转载自 https://blog.csdn.net/lijinlon/article/details/81517699

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
0A667708
1A310882
2A356517
3A520304
4A776477
5A466074
6A466074
7A466074
8A776477
9A218912

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
0A667708
1A310882
2A356517
3A520304
7A466074
8A776477
9A218912

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_
ABCDEFG
00011010
11101010
21010200
311010000
# 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_
ABCDEFG校验
00011010正确
11101010错误
21010200错误
311010000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:

  1. 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;
  2. 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
0Syed Abbas
1Molly Dempsey
2Lola Jacobsen
3Diane 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_
AB
0SyedAbbas
1MollyDempsey
2LolaJacobsen
3DianeMargheim

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
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
0黄雅玲
1王伟
2谢丽秋
3王俊元
4孙林
5王炫皓
6张三丰
7李四光
8王麻子
9赵六儿

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A77647712/8/196837NaN
1王俊元A3108822/19/195245NaN
2谢丽秋A5203048/30/196328NaN
3王炫皓A3565179/19/195833NaN
4孙林A4660743/4/195529NaN
5王伟A6677087/2/19638NaN
# 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A77647712/8/196837NaN销售代表
1王俊元A3108822/19/195245NaN销售总监
2谢丽秋A5203048/30/196328NaN销售代表
3王炫皓A3565179/19/195833NaN销售代表
4孙林A4660743/4/195529NaN销售代表
5王伟A6677087/2/19638NaN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A200.078.0NaN
1产品B300.088.0NaN
2产品C100.085.0NaN
3产品D50.0100.0NaN
4产品E87.068.0NaN
5合计NaNNaNNaN
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A200.078.015600.0
1产品B300.088.026400.0
2产品C100.085.08500.0
3产品D50.0100.05000.0
4产品E87.068.05916.0
5合计NaNNaNNaN
# 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A200.078.015600.0
1产品B300.088.026400.0
2产品C100.085.08500.0
3产品D50.0100.05000.0
4产品E87.068.05916.0
5合计737.0419.061416.0

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A51.0040.856.10091.80NaNNaN
1产品B20.0016.022.00036.00NaNNaN
2产品C154.00123.2169.400277.20NaNNaN
3产品D60.0048.066.000108.00NaNNaN
4产品E96.0076.8105.600172.80NaNNaN
5产品F95.2576.2104.775171.45NaNNaN
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A51.0040.856.10091.8059.92500239.700
1产品B20.0016.022.00036.0023.5000094.000
2产品C154.00123.2169.400277.20180.95000723.800
3产品D60.0048.066.000108.0070.50000282.000
4产品E96.0076.8105.600172.80112.80000451.200
5产品F95.2576.2104.775171.45111.91875447.675
  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值