用python处理excel 数据分析_像Excel一样使用python进行数据分析（1）

（虽然是转载，但是是我每块都测试过得，容易出问题的地方我会添加一些自己的经验，仅供参考）

摘要：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。

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。

文章内容共分为9个部分。这是第一篇，介绍前3部分内容，数据表生成，数据表查看，和数据清洗。

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 asnp

import pandasas 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。

#这里注意：read_csv的时候经常会出现编码错误，此时1、需要修改文件路径中的\ 为 / 2、用notepad将文件的格式修改为utf-8

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()RangeIndex:6 entries, 0 to 5Data columns (total6columns):

id6 non-nullint64

date6 non-nulldatetime64[ns]

city6 non-null objectcategory6 non-null objectage6 non-nullint64

price4 non-nullfloat64

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]

cityobjectcategoryobjectage 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()0False1True2False3False4True5False

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())

01200.0

1 3299.5

2 2133.0

3 5433.0

4 3299.5

5 4432.0Name: 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'].astype('int')

01200

1 3299

2 2133

3 5433

4 3299

5 4432Name: price, dtype: 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 beijing1sh2guangzhou3shenzhen4shanghai5beijing

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 beijing1sh2guangzhou3shenzhen4shanghai

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')1sh2guangzhou3shenzhen4shanghai5beijing

Name: city, dtype: object

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 beijing1shanghai2guangzhou3shenzhen4shanghai5beijing

Name: city, dtype: object

在第二篇文章中我们将继续介绍4-6部分的内容，分别为数据预处理，数据提取和数据筛选三部分的问题。感兴趣的朋友请继续关注。

用python处理excel 数据分析_像Excel一样使用python进行数据分析（1）相关推荐

python新手入门教程思路-Python新手入门教程_教你怎么用Python做数据分析
Python新手入门教程_教你怎么用Python做数据分析跟大家讲了这么多期的Python教程,有小伙伴在学Python新手教程的时候说学Python比较复杂的地方就是资料太多了,比较复杂.很多网上 ...
python怎么筛选excel数据_懂Excel也能轻松入门Python数据分析包pandas(二)：高级筛选(上)-excel筛选...
转发本文并私信我"python",即可获得Python资料以及各种心得(持续更新的) 系列文章: 前言经常听别人说 Python 在数据领域有多厉害,结果学了很长时间,连数据处理 ...
python打造excel神器_超简单：用Python让Excel飞起来
前言如何获取学习资源章Python快速上手 1.1为什么要学习用Python控制Excel 1.2Python编程环境的搭建 1.2.1安装Python官方的编程环境IDLE 1.2.2安装与配置 ...
matlab 写excel 慢_我在12w+的Python库中，发现了让Excel快到起飞的秘密......
Amber | 作者图片源自网络在这篇文章里,小编向大家介绍了Excel在数据分析中的妙用.不知大家在看完后,有没有亲自动手去体验下呢?有没有遇到什么问题呢? 虽说Excel在处理小批量数据时的优 ...
python打造excel神器_将Excel与Python完美组合的神器
关注上方"高级农民工",选择星标,关键时间,第一时间送达! 经常给大家推荐好用的数据分析工具,也收到了铁子们的各种好评.这次也不例外,我要再推荐一个,而且是个爆款神器. Excel ...
python中execute函数_在excel中调用python函数
效果: 通过excel引用在py文件中写好的load_settle()函数,可以快捷的获取对应的历史结算价. 使用方法: 1.首先安装office,我用的是2016版本. 2.安装python,推荐使 ...
python读数据小数点_将excel数据读入pandas dataframe，精确到小数点后20位
我试着用excel读取数据pandas.excel文件()到数据帧中,然后使用tocsv输出文本文件.在此输出文本文件的精度应为小数点后20位,并四舍五入到小数点后20位.在如果excel中的输入 ...
excel项目计划_使用Excel计划您的聚会座位
excel项目计划 If you're having a party this weekend, you can plan your party seating with Excel. Get thi ...
python数据科学入门_干货！小白入门Python数据科学全教程
前言本文讲解了从零开始学习Python数据科学的全过程,涵盖各种工具和方法你将会学习到如何使用python做基本的数据分析你还可以了解机器学习算法的原理和使用说明先说一段题外话.我是一名数据工 ...

用python处理excel 数据分析_像Excel一样使用python进行数据分析（1）

用python处理excel 数据分析_像Excel一样使用python进行数据分析（1）相关推荐

最新文章

热门文章