Pandas 数据筛选,去重结合group by

需求

今小伙伴有一个Excel表, 是部门里的小伙9月份打卡记录, 关键字段如下:

姓名, 工号, 日期, 打卡方式, 时间, 详细位置, IP地址....

脱敏数据:

姓名

工号

日期

方式

时间

...

小赵

123

2019-09-01

GPS

08:37:50

....

小赵

123

2019-09-01

GPS

18:10:50

...

小陈

124

2019-09-01

GPS

08:47:30

...

小陈

124

2019-09-01

GPS

15:07:50

...

小陈

124

2019-09-01

GPS

18:07:5

...

小赵

123

2019-09-02

GPS

08:55:50

...

小李

125

2019-09-02

PC

13:10:24

即每个小伙伴, 一个月(30天), 正常打卡是60次, 上午,下午各一次/每天. 但真实情况是: 可能忘记打卡,或者一天打了n次, 现要求是 筛选出上班迟到(9:00) 的所有人员信息.

一看, 这用Excel, 透视一下姓名, 然后筛选日期...., 我感觉我的EXCEL水平怕是支撑不了, 但, Pandas可以呀, 5行代码搞定数据透视和条件过滤.

核心思路:

先按照 性别 进行分组, 然后对每组中, 日期 字段去重, 保留第一条记录即可.

筛选出 时间 在 9:00 之后的记录, 存为Excel即可.

完整代码如下:

import pandas as pd

# 1. 读取数据

data = pd.read_excel("9月打卡记录.xlsx")

data['时间'] = pd.to_datetime(data["时间"], format="%H:%M:%S")

# 2. 先按姓名分组, 再对日期去重,保留第一个值

ret = data.groupby("姓名", as_index=False).apply(lambda df:df.drop_duplicates("日期"))

# 3. 筛选日期,并保存为excel文件

ret[ret["时间"] >= "1900/1/1 09:00:00"].to_excel("9月迟到名单.xlsx", index=False)

该篇的目的是为了巩固这些常用的知识点, 如 group by 结合 apply 的用法, 匿名函数, 时间字符串处理等.当然会有更复杂情况, 如分组过后, 按日期去重, 保留的第一条记录, 不是最早打卡的那条? 那这就需要写排序逻辑了, 这里只是先抛砖引玉一波.

小结

pandas 读取文件, pd.read_excel( ); pd.read_csv( ); pd.read_json( ); pd.read_sql_table( )...

写入文件: pd.to_excel( ); pd.to_csv( ) ....

字段筛选过滤等操作必须熟练.

时间字符串 与 时间类型 的 互相转换 datetime 模块

group by 分组聚合, agg(); apply( ), 结合Excel 透视表就很好理解

关于映射: apply(函数名), 应用于整行or列, 对应的还有, applymap 作用每个元素, map()作用于某列Series.

关于匿名函数lambda 的用法及与普通function的区别.

后续还有更多工作案例分享, 基础, 高阶,都会有的.....

python之pandas数据筛选和csv操作

本博主要总结DaraFrame数据筛选方法(loc,iloc,ix,at,iat),并以操作csv文件为例进行说明 1. 数据筛选 a b c (1)单条件筛选 df[df[] # 如果想筛选a列的取 ...

Pandas数据的去重，替换和离散化，异常值的检测

数据转换 移除重复数据 import pandas as pd import numpy as np from pandas import Series data = pd.DataFrame( {' ...

pandas的筛选功能，跟excel的筛选功能类似，但是功能更强大。

Select rows from a DataFrame based on values in a column -pandas 筛选 https://stackoverflow.com/questi ...

Pandas数据规整

Pandas数据规整 数据分析和建模方面的大量编程工作都是用在数据准备上的,有时候存放在文件或数据库中的数据并不能满足数据处理应用的要求 Pandas提供了一组高级的.灵活的.高效的核心函数和算法,它 ...

Java使用极小的内存完成对超大数据的去重计数，用于实时计算中统计UV

Java使用极小的内存完成对超大数据的去重计数,用于实时计算中统计UV – lxw的大数据田地 http://lxw1234.com/archives/2015/09/516.htm Java使用极小 ...

Python的工具包[1] -> pandas数据预处理 -> pandas 库及使用总结

pandas数据预处理 / pandas data pre-processing 目录 关于 pandas pandas 库 pandas 基本操作 pandas 计算 pandas 的 Series ...

使用 joblib 对 Pandas 数据进行并行处理

使用 joblib 对 Pandas 数据进行并行处理 如果需要对一个很大的数据集进行操作,而基于一列数据生成新的一列数据可能都需要耗费很长时间. 于是可以使用 joblib 进行并行处理. 假设我们 ...

4-Pandas之数据类型与数据筛选

一.数据类型 1.Pandas的数据类型主要结合了pandas和numpy两个模块中的数据类型,包括以下几种: float int bool datetime64[ns]------>日期类型 ...

pandas 数据子集的获取

有时数据读入后并不是对整体数据进行分析,而是数据中的部分子集,例如,对于地铁乘客量可能只关心某些时间段的流量,对于商品的交易可能只需要分析某些颜色的价格变动,对于医疗诊断数据可能只对某个年龄段的人群感 ...

随机推荐

安装了ubuntu14.04+windows7双系统的笔记本启动后出现grub rescue>提示符

解决思想如下: 1.在grub rescue>提示符处输入ls  即可看到该命令列出了硬盘上的所有分区,找到安装了linux的分区,我的安装在(hd0,msdos8)下,所以我以(hd0,msd ...

Ubuntu 12.04 LTS 及ubuntu14.10 -- NFS安装

在Linux 服务器上配置好NFS 根文件系统后,在单板侧挂载NFS 文件系统,具体操作如下:ifconfig eth0 hw ether 00:10:85:18:01:84 /*配置MAC地址*/i ...

sql reiserror 输出错误

其语法如下: RAISERROR ( { msg_id | msg_str | @local_variable }                    { ,severity ,state }    ...

char varchar varchar2 的区别 (转)

char varchar varchar2 的区别       http://blog.csdn.net/honglei_zh/article/details/7172538区别:1．CHAR的长度是 ...

集群环境下JSP中获取客户端IP地址的方法

String ip = request.getHeader("X-Forwarded-For");if (ip == null || ip.length() == 0 || &qu ...

《Django By Example》第十二章 中文 翻译 (个人学习，渣翻)

书籍出处:https://www.packtpub.com/web-development/django-example 原作者:Antonio Melé (译者注:第十二章,全书最后一章,终于到这章 ...

JPA + SpringData 操作数据库原来可以这么简单 ---- 深入了解 JPA - 3