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 ...
最新文章
- [译] ASP.NET 生命周期 – ASP.NET 上下文对象(六)
- Java微服务 vs Go微服务,究竟谁更强!?
- 服务器端口进程未响应,Tomcat正在运行,但8080端口未响应
- 下列代码之后的结果为()?
- 芯片-模组-开发板-软件开发包SDK(Software Development Kit)的关系(软件开发人员必须了解的硬件知识)
- 1cocos2dx扩展库UI控件,CCControlSlider,CCScale9Sprite(九妹图),CCControlSwitch,CCControlButton
- 从0开始搭建SQL Server AlwaysOn 第四篇(配置异地机房节点)
- JavaScript匿名函数与托付
- Java面向对象编程篇6——注解与反射
- leetcode 646 python
- 身材太好的女生在职场中有哪些劣势?
- Oracle密码过期ORA-28001
- Linux定时任务cron及部分Linux命令
- praat 语音识别教程
- 微信小程序云开发教程-微信小程序的JS高级-全局数据读写
- 透過 OpenNI / NITE 分析人體骨架(下)
- 19、SPI 和 SST25VF016B
- 开源的第二代旅游网站程序_旅游网站模板_旅游网站源码
- 硬件测试需要什么软件是什么原因,什么硬件软件检测温度准啊
- 相机模型(针孔、广角)
热门文章
- python基础:try...except...的详细用法
- python中对多态和多态性的理解
- 内部网站更换服务器,网站更换服务器的具体操作流程!
- php 检测密码,php如何检测账号密码是否匹配
- 常用色彩空间 HSV模型与RGB模型的相互转换 孟塞尔彩色空间 YCbCr Lab YUV 配色表\配色工具(RGB颜色值与十六进制颜色码转换工具)
- Intel Realsense D435 python wrapper pyrealsense.pipeline类
- python PIL.Image获取图像像素时, 图像的原点及x,y的方向
- mybatis中getMapper是怎么通过动态代理得到dao接口的实现类并执行mapper文件sql语句的
- 驾驶卡丁车 模拟,迷宫(女赛)
- python大作业思路_python大作业