科技猎像Excel一样使用python进行数据分析-(1)
文|蓝鲸
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。
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。
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。
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。
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。
#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。
#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。
#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
#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。
#检查数据空值
df.isnull()
#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。
#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。
#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 00:00:00' ), 'Shenzhen' , '110-C' , 32 , 5433.0 ], [ 1005 , Timestamp( '2013-01-06 00:00:00' ), 'shanghai' , '210-A' , 34 , nan], [ 1006 , Timestamp( '2013-01-07 00:00:00' ), 'BEIJING ' , '130-F' , 32 , 4432.0 ]], dtype= object )
查看列名称
Colums函数用来单独查看数据表中的列名称。
#查看列名称 df .columns Index ([ 'id' , 'date' , 'city' , 'category' , 'age' , 'price' ], dtype= 'object' )
查看前10行数据
Head函数用来查看数据表中的前N行数据，默认head()显示前10行数据，可以自己设置参数值来确定查看的行数。下面的代码中设置查看前3行的数据。
#查看前3行数据
df.head(3)
查看后10行数据
Tail行数与head函数相反，用来查看数据表中后N行的数据，默认tail()显示后10行数据，可以自己设置参数值来确定查看的行数。下面的代码中设置查看后3行的数据。
#查看最后3行
df.tail(3)
3.数据表清洗
第三部分是对数据表中的问题进行清洗。主要内容包括对空值，大小写问题，数据格式和重复值的处理。这里不包含对数据间的逻辑验证。
处理空值(删除或填充)
我们在创建数据表的时候在price字段中故意设置了几个NA值。对于空值的处理方式有很多种，可以直接删除包含空值的数据，也可以对空值进行填充，比如用0填充或者用均值填充。还可以根据不同字段的逻辑对空值进行推算。
Excel中可以通过“查找和替换”功能对空值进行处理，将空值统一替换为0或均值。也可以通过“定位”空值来实现。
Python中处理空值的方法比较灵活，可以使用 Dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充。下面的代码和结果中可以看到使用dropna函数后，包含NA值的两个字段已经不见了。返回的是一个不包含空值的数据表。
#删除数据表中含有空值的行 df .dropna (how= 'any' )
除此之外也可以使用数字对空值进行填充，下面的代码使用fillna函数对空值字段填充数字0。
#使用数字0填充数据表中空值 df.fillna( value = 0 )
我们选择填充的方式来处理空值，使用price列的均值来填充NA字段，同样使用fillna函数，在要填充的数值中使用mean函数先计算price列当前的均值，然后使用这个均值对NA进行填
充。可以看到两个空值字段显示为3299.5
#使用 price 均值对 NA 进行填充 df ['price'] .fillna ( df ['price'] .mean ()) 0 1200 .0 1 3299 .5 2 2133 .0 3 5433 .0 4 3299 .5 5 4432 .0 Name : price , dtype : float64
清理空格
除了空值，字符中的空格也是数据清洗中一个常见的问题，下面是清除字符中空格的代码。
#清除city字段中的字符空格 df[ 'city' ]=df[ 'city' ].map(str.strip)
大小写转换
在英文字段中，字母的大小写不统一也是一个常见的问题。Excel中有UPPER，LOWER等函数，python中也有同名函数用来解决大小写的问题。在数据表的city列中就存在这样的问题。我们将city列的所有字母转换为小写。下面是具体的代码和结果。
#city列大小写转换 df[ 'city' ]=df[ 'city' ].str.lower()
更改数据格式
Excel中通过“设置单元格格式”功能可以修改数据格式。Python中通过astype函数用来修改数据格式。
Python中dtype是查看数据格式的函数，与之对应的是astype函数，用来更改数据格式。下面的代码中将price字段的值修改为int格式。
#更改数据格式 df ['price']. as type ('int') 0 1200 1 3299 2 2133 3 5433 4 3299 5 4432 Name : price, d type : int32
更改列名称
Rename是更改列名称的函数，我们将来数据表中的category列更改为category-size。下面是具体的代码和更改后的结果。
#更改列名称 df. rename (columns={ 'category' : 'category-size' })
删除重复值
很多数据表中还包含重复值的问题，Excel的数据目录下有“删除重复项”的功能，可以用来删除数据表中的重复值。默认Excel会保留最先出现的数据，删除后面重复出现的数据。
Python中使用drop_duplicates函数删除重复值。我们以数据表中的city列为例，city字段中存在重复值。默认情况下drop_duplicates()将删除后出现的重复值(与excel逻辑一致)。增加keep=’last’参数后将删除最先出现的重复值，保留最后的值。下面是具体的代码和比较结果。
原始的city列中beijing存在重复，分别在第一位和最后一位。
df[ 'city' ] 0 beijing 1 sh 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name : city, dtype: object
使用默认的drop_duplicates()函数删除重复值，从结果中可以看到第一位的beijing被保留，最后出现的beijing被删除。
#删除后出现的重复值 df[ 'city' ].drop_duplicates() 0 beijing 1 sh 2 guangzhou 3 shenzhen 4 shanghai Name : city, dtype: object
设置keep=’last‘’参数后，与之前删除重复值的结果相反，第一位出现的beijing被删除，保留了最后一位出现的beijing。
#删除先出现的重复值 df ['city'] .drop_duplicates (keep= 'last' ) 1 sh 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name : city , dtype : objec
数值修改及替换
数据清洗中最后一个问题是数值修改或替换，Excel中使用“查找和替换”功能就可以实现数值的替换。
Python中使用replace函数实现数据替换。数据表中city字段上海存在两种写法，分别为shanghai和SH。我们使用replace函数对SH进行替换。
#数据替换 df[ 'city' ].replace( 'sh' , 'shanghai' ) 0 beijing 1 shanghai 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name : city, dtype: object
End.
转载请注明来自36大数据（36dsj.com)： 36大数据 » 像Excel一样使用python进行数据分析-(1)
