7,数据汇总
第七部分是对数据进行分类汇总,Excel中使用分类汇总和数据透视可以按特定维度对数据进行汇总,python中使用的主要函数是groupby和pivot_table。下面分别介绍这两个函数的使用方法。
分类汇总
Excel的数据目录下提供了“分类汇总”功能,可以按指定的字段和汇总方式对数据表进行汇总。Python中通过Groupby函数完成相应的操作,并可以支持多级分类汇总。
Groupby是进行分类汇总的函数,使用方法很简单,制定要分组的列名称就可以,也可以同时制定多个列名称,groupby按列名称出现的顺序进行分组。同时要制定分组后的汇总方式,常见的是计数和求和两种。
#对所有列进行计数汇总
df_inner.groupby('city').count()
可以在groupby中设置列名称来对特定的列进行汇总。下面的代码中按城市对id字段进行汇总计数。
#对特定的ID列进行计数汇总
df_inner.groupby('city')['id'].count()
city
beijing2guangzhou1shanghai2shenzhen1Name: id, dtype: int64
在前面的基础上增加第二个列名称,分布对city和size两个字段进行计数汇总。
#对两个字段进行汇总计数
df_inner.groupby(['city','size'])['id'].count()
city size
beijing A1F1guangzhou A1shanghai A1B1shenzhen C1Name: id, dtype: int64
除了计数和求和外,还可以对汇总后的数据同时按多个维度进行计算,下面的代码中按城市对price字段进行汇总,并分别计算price的数量,总金额和平均金额。
#对city字段进行汇总并计算price的合计和均值。
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])
数据透视
Excel中的插入目录下提供“数据透视表”功能对数据表按特定维度进行汇总。Python中也提供了数据透视表功能。通过pivot_table函数实现同样的效果。
数据透视表也是常用的一种数据分类汇总方式,并且功能上比groupby要强大一些。下面的代码中设定city为行字段,size为列字段,price为值字段。分别计算price的数量和金额并且按行与列进行汇总。
#数据透视表
pd.pivot_table(df_inner,index=["city"],values=["price"],columns=["size"],aggfunc=[len,np.sum],fill_value=0,margins=True)
8,数据统计
第九部分为数据统计,这里主要介绍数据采样,标准差,协方差和相关系数的使用方法。
数据采样
Excel的数据分析功能中提供了数据抽样的功能,如下图所示。Python通过sample函数完成数据采样。
Sample是进行数据采样的函数,设置n的数量就可以了。函数自动返回参与的结果。
#简单的数据采样
df_inner.sample(n=3)
Weights参数是采样的权重,通过设置不同的权重可以更改采样的结果,权重高的数据将更有希望被选中。这里手动设置6条数据的权重值。将前面4个设置为0,后面两个分别设置为0.5。
#手动设置采样权重
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
从采样结果中可以看出,后两条权重高的数据被选中。
Sample函数中还有一个参数replace,用来设置采样后是否放回。
#采样后不放回
df_inner.sample(n=6, replace=False)
#采样后放回
df_inner.sample(n=6, replace=True)
描述统计
Excel中的数据分析中提供了描述统计的功能。Python中可以通过Describe对数据进行描述统计。
Describe函数是进行描述统计的函数,自动生成数据的数量,均值,标准差等数据。下面的代码中对数据表进行描述统计,并使用round函数设置结果显示的小数位。并对结果数据进行转置。
#数据表描述性统计
df_inner.describe().round(2).T
标准差
Python中的Std函数用来接算特定数据列的标准差。
#标准差
df_inner['price'].std()1523.3516556155596
协方差
Excel中的数据分析功能中提供协方差的计算,python中通过cov函数计算两个字段或数据表中各字段间的协方差。
Cov函数用来计算两个字段间的协方差,可以只对特定字段进行计算,也可以对整个数据表中各个列之间进行计算。
#两个字段间的协方差
df_inner['price'].cov(df_inner['m-point'])17263.200000000001
#数据表中所有字段间的协方差
df_inner.cov()
相关分析
Excel的数据分析功能中提供了相关系数的计算功能,python中则通过corr函数完成相关分析的操作,并返回相关系数。
Corr函数用来计算数据间的相关系数,可以单独对特定数据进行计算,也可以对整个数据表中各个列进行计算。相关系数在-1到1之间,接近1为正相关,接近-1为负相关,0为不相关。
#相关性分析
df_inner['price'].corr(df_inner['m-point'])0.77466555617085264
#数据表相关性分析
df_inner.corr()
9,数据输出
第九部分是数据输出,处理和分析完的数据可以输出为xlsx格式和csv格式。
写入excel
#输出到excel格式
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
写入csv
#输出到CSV格式
df_inner.to_csv('excel_to_python.csv')
在数据处理的过程中,大部分基础工作是重复和机械的,对于这部分基础工作,我们可以使用自定义函数进行自动化。以下简单介绍对数据表信息获取自动化处理。
#创建数据表
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'])
#创建自定义函数
deftable_info(x):
shape=x.shape
types=x.dtypes
colums=x.columnsprint("数据维度(行,列):\n",shape)print("数据格式:\n",types)print("列名称:\n",colums)
#调用自定义函数获取df数据表信息并输出结果
table_info(df)
数据维度(行,列):
(6, 6)
数据格式:
id int64
date datetime64[ns]
city object
category object
age int64
price float64
dtype: object
列名称:
Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')
本篇是《像Excel一样使用python进行数据分析》系列文章的最后一篇。在这个系列中我们列举了python中36个简单的函数来实现excel中最常见的一些功能。感兴趣的朋友可以下载并阅读pandas官方文档,里面有更详细的函数说明。