【学习笔记】python实现excel数据处理

布满荆棘的人生 2022-03-16 12:08 2270阅读 0赞

# 概述 #

Excel固然功能强大，也有许多函数实现数据处理功能，但是Excel仍需大量人工操作，虽然能嵌入VB脚本宏，但也容易染上宏病毒。python作为解释性语言，在数据处理方面拥有强大的函数库以及第三方库，excel作为主要基础数据源之一，在利用数据进行分析前往往需要预先对数据进行整理。因此，本文就python处理excel数据进行了学习，主要分为python对excel数据处理的常用数据类型以及常用函数，用python语言实现excel基本操作。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 1]

--------------------

# 常用数据类型序列sequence, 列表list, 元组tuple, array,字典dictionary，series,dataframe,集合set区别 #

## 序列 ##

首先，序列是是Python中最基本的数据结构。序列中的每个元素都分配一个数字 - 它的位置，或索引，第一个索引是0，第二个索引是1，依此类推。每个索引对应一个元素。Python包含 6 中内建的序列，包括列表、元组、字符串、Unicode字符串、buffer对象和xrange对象。  
对于序列，都可以使用以下操作：

*  索引
 *  切片
 *  加
 *  乘
 *  成员检查
 *  计算序列的长度
 *  取序列中的最大、最小值

## 列表list ##

### 概述用途 ###

*  一组有序项目的集合。可变的数据类型【可进行增删改查】
 *  列表是以方括号“\[\]”包围的数据集合，不同成员以“,”分隔。
 *  列表中可以包含任何数据类型，也可包含另一个列表
 *  列表可通过序号访问其中成员

### 声明方式 ###

example = [0,1,2,3,4,5,6,7,8,9]

### API ###

#### Python列表脚本操作符 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 2]

#### Python列表函数 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 3]

#### Python列表方法 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 4]

#### 切片 ####

#列表操作补充--切片操作  
    example = [0,1,2,3,4,5,6,7,8,9]  
    #打印某一区间 左闭右开  
    print(example[4:8])  
    #想包含最后一个  
    print(example[4:])  
    #包含首个  
    print(example[:8])  
    #所有的  
    print(example[:])  
    #第三个参数为步长  
    print(example[1:8:2])  
    #倒序输出  
    print(example[::-1])  
    #列表合并  
    a = [1,2,3]  
    b = [4,5,6]  
    print(a+b)  
    #替换  
    ex = [1,2,3,4,5,6]  
    ex[4:]=[9,8,7]  
    print(ex)#将56换为987

#### 判断列表中 ####

>>> list4=[123,["das","aaa"],234]
    >>> list4
    >>> "aaa" in list4 #in只能判断一个层次的元素
    False
    >>> "aaa" in list4[1] #选中列表中的列表进行判断
    True
    >>> list4[1][1]
    'aaa'

## 元组tuple ##

### 概述用途 ###

*  不可变序列
 *  元组是以圆括号“()”包围的数据集合，不同成员以“,”分隔
 *  与列表不同：元组中数据一旦确立就不能改变
 *  通过下标进行访问

### 声明方式 ###

L=(1,2,3)
    含0个元素的元组: L = ()

### 元组操作 ###

访问元组

>>> o =('a','b','c',('d1','d2')) 
    >>> print o[0]
    >>> print o[3][0]
    a
    d1

>>> age=22
    >>> name='sandra'
    >>> print'%s is %d years old'%(name,age)
    sandra is 22 years old

修改元组  
（元组中的元素值是不允许修改的，但我们可以对元组进行连接组合，如下实例）

tup1 = (12, 34.56);
    tup2 = ('abc', 'xyz');
    # 以下修改元组元素操作是非法的。
    # tup1[0] = 100;
    # 创建一个新的元组
    tup3 = tup1 + tup2;
    print tup3;

添加元组

#通过切片方法添加
    a=(1,2,3,4,5,6)
    a=a[:2]+(10,)+a[2:]
    a

删除元素

del tup1

### API ###

#### 元组运算符 ####

与字符串一样，元组之间可以使用 + 号和 \* 号进行运算。这就意味着他们可以组合和复制，运算后会生成一个新的元组。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 5]

#### 元组内置函数 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 6]

## 字典dictionary ##

### 概述用途 ###

*  字典是另一种可变容器模型，且可存储任意类型对象。
 *  字典的每个键值(key=>value)对用冒号(:)分割，每个对之间用逗号(,)分割，整个字典包括在花括号(\{\})中

### 声明方式 ###

d = {key1 : value1, key2 : value2 }
    //键必须是唯一的，但值则不必。
    //值可以取任何数据类型，但键必须是不可变的，如字符串，数字或元组。

### 字典操作 ###

访问字典里的值

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};
    dict['Name']
    dict['Age']

修改字典

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};
    dict['Age'] = 8; 
    dict['School'] = "DPS School"

删除字典元素  
能删单一的元素也能清空字典，清空只需一项操作。

显示删除一个字典用del命令，如下实例：

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};
    del dict['Name']; # 删除键是'Name'的条目
    dict.clear();     # 清空词典所有条目
    del dict ;        # 删除词典

### API ###

#### 字典内置函数 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 7]

#### 字典内置方法 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 8]

## ndarray（数组）–numpy ##

### 概述用途 ###

python中的list是python的内置数据类型，list中的数据类不必相同的，而array的中的类型必须全部相同。在list中的数据类型保存的是数据的存放的地址，简单的说就是指针，并非数据，这样保存一个list就太麻烦了，例如list1=\[1,2,3,‘a’\]需要4个指针和四个数据，增加了存储和消耗cpu。numpy中封装的array有很强大的功能，里面存放的都是相同的数据类型  
1）numpy array 必须有相同数据类型属性 ，Python list可以是多种数据类型的混合  
2）numpy array有一些方便的函数  
3）numpy array数组可以是多维的

### 声明方式 ###

np.array用来创建ndarray类型

b=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])

### API ###

## series-pandas ##

### 概述用途 ###

class pandas.Series（data = None，index = None，dtype = None，name = None，copy = False，fastpath = False ）

带轴标签的一维ndarray（包括时间序列）。

标签不一定是唯一的，但必须是可清洗的类型。该对象支持基于整数和基于标签的索引，并提供了许多方法来执行涉及索引的操作。来自ndarray的统计方法已被覆盖，以自动排除缺失的数据（目前表示为NaN）。

Series（+， - ，/ , \*）之间的操作根据其关联的索引值对齐值 - 它们不必是相同的长度。结果索引将是两个索引的排序并集。

### 声明 ###

Python列表，index与列表元素个数一致

In [1]: import pandas as pd
    
    In [2]: list_a = [2,4,5,6]
    
    In [3]: pd.Series(list_a)
    Out[3]:
    0    2
    1    4
    2    5
    3    6
    dtype: int64

标量值，index表达Series类型的尺寸

In [4]: pd.Series(1,index = [1,2,3])
    Out[4]:
    1    1
    2    1
    3    1
    dtype: int64

Python字典，键值对中的“键”是索引，index从字典中进行选择操作

In [5]: pd.Series({'a':1,'b':3})
    Out[5]:
    a 1
    b 3
    dtype: int64
    #如果定义的index在原字典中已经存在，那么该索引会一直对应原字典的值，如果index对应不到原字典的值，则会返回NaN
    In [11]: pd.Series({'a':1,'b':3},index = ['b','a','c'])
    Out[11]:
    b 3.0
    a 1.0
    c NaN
    dtype: float64

ndarray，索引和数据都可以通过ndarray类型创建

In [9]: list_b = np.arange(6)
    
    In [10]: pd.Series(list_b)
    Out[10]:
    0    0
    1    1
    2    2
    3    3
    4    4
    5    5
    dtype: int32

其他函数，range()函数等

In [12]: pd.Series(range(3))
    Out[12]:
    0    0
    1    1
    2    2
    dtype: int32

### series操作 ###

Series类型包括index和values两部分

In [14]: a = pd.Series({'a':1,'b':5}) 
    In [15]: a.index 
    Out[15]: Index(['a', 'b'], dtype='object') 
    
    In [16]: a.values #返回一个多维数组numpy对象 
    Out[16]: array([1, 5], dtype=int64)

Series类型的操作类似ndarray类型

#自动索引和自定义索引并存，但不能混用
     In [17]: a[0] #自动索引 
    Out[17]: 1 
    #自定义索引 
    In [18]: a['a'] 
    Out[18]: 1 
    #不能混用
    In [20]: a[['a',1]] 
    Out[20]: 
    a 1.0 
    1 NaN 
    dtype: float64

Series类型的操作类似Python字典类型

#通过自定义索引访问
    #对索引保留字in操作，值不可以
    In [21]: 'a' in a
    Out[21]: True
    
    In [22]: 1 in a
    Out[22]: False

Series类型在运算中会自动对齐不同索引的数据

In [29]: a = pd.Series([1,3,5],index = ['a','b','c']) 
    In [30]: b = pd.Series([2,4,5,6],index = ['c,','d','e','b'])
     In [31]: a+b 
    Out[31]: 
    a NaN 
    b 9.0 
    c NaN 
    c, NaN
    d NaN 
    e NaN

Series对象可以随时修改并即刻生效

In [32]: a.index = ['c','d','e'] 
    In [33]: a 
    Out[33]: 
    c 1 
    d 3
     e 5 
    dtype: int64 
    In [34]: a+b 
    Out[34]: 
    b NaN 
    c NaN
    c, NaN 
    d 7.0 
    e 10.0
    dtype: float64

## dataframe-pandas ##

### 概述用途 ###

DataFrame提供的是一个类似表的结构，由多个Series组成，而Series在DataFrame中叫columns  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 9][]

### 声明方式 ###

import pandas as pd
    from pandas import Series, DataFrame
    import numpy as np
    data = DataFrame(np.arange(15).reshape(3,5),index=['one','two','three'],columns=['a','b','c','d','e'])
    print data

a   b   c   d   e
    one     0   1   2   3   4
    two     5   6   7   8   9
    three  10  11  12  13  14

#### array ####

import pandas as pd
    import numpy as np
    s1=np.array([1,2,3,4])
    s2=np.array([5,6,7,8])
    df=pd.DataFrame([s1,s2])
    print df

![在这里插入图片描述][20190227195458154.jpg]

#### series列表（效果与二维array相同） ####

import pandas as pd
    import numpy as np
    s1=pd.Series(np.array([1,2,3,4]))
    s2=pd.Series(np.array([5,6,7,8]))
    df=pd.DataFrame([s1,s2])
    print df

![在这里插入图片描述][20190227195511384.jpg]

#### value为Series的字典结构 ####

import pandas as pd
    import numpy as np
    
    s1=pd.Series(np.array([1,2,3,4]))
    s2=pd.Series(np.array([5,6,7,8]))
    df=pd.DataFrame({"a":s1,"b":s2});
    print df

![在这里插入图片描述][20190227195525925.jpg]

### 操作 ###

直接取值df.\[\]

df=pd.DataFrame({"A":[1,2,3,4],"B":[5,6,7,8],"C":[1,1,1,1]})
    df=df[df.A>=2]
    print df

使用.loc\[\]

df=pd.DataFrame({"A":[1,2,3,4],"B":[5,6,7,8],"C":[1,1,1,1]})
    df=df.loc[df.A>2]
    print df

.ix\[\]索引

print df.columns.size#列数 2
    print df.iloc[:,0].size#行数 3 
    print df.ix[[0]].index.values[0]#索引值 0
    print df.ix[[0]].values[0][0]#第一行第一列的值 11
    print df.ix[[1]].values[0][1]#第二行第二列的值 121

### API ###

group(groupby 形成group)

df = pd.DataFrame({'animal': 'cat dog cat fish dog cat cat'.split(),
                      'size': list('SSMMMLL'),
                      'weight': [8, 10, 11, 1, 20, 12, 12],
                      'adult' : [False] * 5 + [True] * 2});
    #列出动物中weight最大的对应size
    group=df.groupby("animal").apply(lambda subf: subf['size'][subf['weight'].idxmax()])
    print group

![在这里插入图片描述][20190227195541211.jpg]  
使用get\_group 取出其中一分组

df = pd.DataFrame({'animal': 'cat dog cat fish dog cat cat'.split(),
                      'size': list('SSMMMLL'),
                      'weight': [8, 10, 11, 1, 20, 12, 12],
                      'adult' : [False] * 5 + [True] * 2});
    
    group=df.groupby("animal")
    cat=group.get_group("cat")
    print cat

![在这里插入图片描述][2019022719555266.jpg]

## 集合 ##

### 概述作用 ###

集合中包含一系列的元素，在Python中这些元素不需要是相同的类型，且这些元素在集合中是没有存储顺序的。

### 声明 ###

>>> {1,2,"hi",2.23}
    {2.23, 2, 'hi', 1}
    >>> set("hello")
    {'l', 'h', 'e', 'o'}

注：由于集合和字典都用\{\}表示，所以初始化空的集合只能通过set()操作，\{\}只是表示一个空的字典

### 集合操作 ###

集合的增加

>>> a={1,2}
    >>> a.update([3,4],[1,2,7])
    >>> a
    {1, 2, 3, 4, 7}
    >>> a.update("hello")
    >>> a
    {1, 2, 3, 4, 7, 'h', 'e', 'l', 'o'}
    >>> a.add("hello")
    >>> a
    {1, 2, 3, 4, 'hello', 7, 'h', 'e', 'l', 'o'}

集合的删除

>>> a={1,2,3,4}
    >>> a.discard(1)
    >>> a
    {2, 3, 4}
    >>> a.discard(1)
    >>> a
    {2, 3, 4}
    >>> a.remove(1)
    Traceback (most recent call last):
      File "<input>", line 1, in <module>
    KeyError: 1

集合也支持pop()方法，不过由于集合是无序的，pop返回的结果不能确定，且当集合为空时调用pop会抛出KeyError错误，可以调用clear方法来清空集合：

>>> a={3,"a",2.1,1}
    >>> a.pop()
    >>> a.pop()
    >>> a.clear()
    >>> a
    set()
    >>> a.pop()
    Traceback (most recent call last):
      File "<input>", line 1, in <module>
    KeyError: 'pop from an empty set'

### API ###

#### 集合操作 ####

*  并集：set.union(s),也可以用a|b计算
 *  交集：set.intersection(s)，也可以用a&b计算
 *  差集：set.difference(s)，也可以用a-b计算  
    需要注意的是Python提供了一个求对称差集的方法set.symmetric\_difference(s)，相当于两个集合互求差集后再求并集，其实就是返回两个集合中只出现一次的元素，也可以用a^b计算。

>>> a={1,2,3,4}
    >>> b={3,4,5,6}
    >>> a.symmetric_difference(b)
    {1, 2, 5, 6}
    2
    4

set.update(s)操作相当于将两个集合求并集并赋值给原集合，其他几种集合操作也提供各自的update版本来改变原集合的值，形式如intersection\_update(),也可以支持多参数形式。

#### 包含关系 ####

两个集合之间一般有三种关系，相交、包含、不相交。在Python中分别用下面的方法判断：

*  set.isdisjoint(s)：判断两个集合是不是不相交
 *  set.issuperset(s)：判断集合是不是包含其他集合，等同于a>=b
 *  set.issubset(s)：判断集合是不是被其他集合包含，等同于a<=b  
    如果要真包含关系，就用符号操作>和<。

#### 不变集合 ####

Python提供了不能改变元素的集合的实现版本，即不能增加或删除元素，类型名叫frozenset，使用方法如下：

>>> a = frozenset("hello")
    >>> a
    frozenset({'l', 'h', 'e', 'o'})
    2

需要注意的是frozenset仍然可以进行集合操作，只是不能用带有update的方法。如果要一个有frozenset中的所有元素的普通集合，只需把它当作参数传入集合的构造函数中即可：

# python excel操作 #

\#\#生成数据表

### 准备 ###

import numpy as np
    import pandas as pd

### 导入数据表 ###

df=pd.DataFrame(pd.read_csv('name.csv',header=1))
    df=pd.DataFrame(pd.read_excel('name.xlsx'))

### 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'])

## 数据表检查 ##

python中处理的数据量通常会比较大，，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 ###

#查看数据表的维度
    df.shape
    (6, 6)

### 数据表信息 ###

#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 ###

#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 ###

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 （删除重复项） ###

#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 ###

#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 ###

#查看列名称
    df.columns
    Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

### 查看前10行数据 ###

#查看前3行数据
    df.head(3)

### 查看后10行数据 ###

#查看最后3行
    df.tail(3)

## 数据表清洗 ##

### 处理空值 ###

#删除数据表中含有空值的行
    df.dropna(how='any')

#使用数字0填充数据表中空值
    df.fillna(value=0)

#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 ###

#清除city字段中的字符空格
    df['city']=df['city'].map(str.strip)

### 大小写转换 ###

#city列大小写转换
    df['city']=df['city'].str.lower()

### 更改数据格式 ###

#更改数据格式
    df['price'].astype('int')
    0    1200
    1    3299
    2    2133
    3    5433
    4    3299
    5    4432
    Name: price, dtype: int32

### 更改列名称 ###

#更改列名称
    df.rename(columns={'category': 'category-size'})

### 删除重复值 ###

#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

#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 ###

#数据替换
    df['city'].replace('sh', 'shanghai')

## 数据预处理 ##

### 数据表合并 ###

首先是对不同的数据表进行合并，我们这里创建一个新的数据表df1，并将df和df1两个数据表进行合并。在Excel中没有直接完成数据表合并的功能，可以通过VLOOKUP函数分步实现。在python中可以通过merge函数一次性实现。下面建立df1数据表，用于和df数据表进行合并。

#数据表匹配合并，inner模式
    df_inner=pd.merge(df,df1,how='inner')
    #其他数据表匹配模式
    df_left=pd.merge(df,df1,how='left')
    df_right=pd.merge(df,df1,how='right')
    df_outer=pd.merge(df,df1,how='outer')

### 设置索引列 ###

#设置索引列
    df_inner.set_index('id')

### 排序（按索引，按数值） ###

#按特定列的值排序
    df_inner.sort_values(by=['age'])

#按索引列排序
    df_inner.sort_index()

### 数据分组（vlookup） ###

Excel中可以通过VLOOKUP函数进行近似匹配来完成对数值的分组，或者使用“数据透视表”来完成分组。相应的 python中使用where函数完成数据分组。

#如果price列的值>3000，group列显示high，否则显示low
    df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

#对复合多个条件的数据进行分组标记
    df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

### 数据分列（对字段拆分） ###

#对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size
    pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])

#将完成分列后的数据表与原df_inner数据表进行匹配
    df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

## 数据提取 ##

### 按标签提取(loc) ###

#按索引提取单行的数值
    df_inner.loc[3]
    id 1004
    date 2013-01-05 00:00:00
    city shenzhen
    category 110-C
    age 32
    price 5433
    gender female
    m-point 40
    pay Y
    group high
    sign NaN
    category_1 110
    size C
    Name: 3, dtype: object

使用冒号可以限定提取数据的范围，冒号前面为开始的标签值，后面为结束的标签值。下面提取了0到5的数据行。

#按索引提取区域行数值
    df_inner.loc[0:5]

Reset\_index函数用于恢复索引，这里我们重新将date字段的日期设置为数据表的索引，并按日期进行数据提取。

#重设索引
    df_inner.reset_index()

#设置日期为索引
    df_inner=df_inner.set_index('date')

使用冒号限定提取数据的范围，冒号前面为空表示从0开始。提取所有2013年1月4日以前的数据。

#提取4日之前的所有数据
    df_inner[:'2013-01-04']

### 按位置提取(iloc) ###

使用iloc函数按位置对数据表中的数据进行提取，这里冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始。

#使用iloc按位置区域提取数据
    df_inner.iloc[:3,:2]

iloc函数除了可以按区域提取数据，还可以按位置逐条提取，前面方括号中的0,2,5表示数据所在行的位置，后面方括号中的数表示所在列的位置。

#使用iloc按位置单独提取数据
    df_inner.iloc[[0,2,5],[4,5]]

### 按标签和位置提取(ix) ###

ix是loc和iloc的混合，既能按索引标签提取，也能按位置进行数据提取。下面代码中行的位置按索引日期设置，列按位置设置。

#使用ix按索引标签和位置混合提取数据
    df_inner.ix[:'2013-01-03',:4]

### 按条件提取(区域和条件值) ###

除了按标签和位置提起数据以外，还可以按具体的条件进行数据。下面使用loc和isin两个函数配合使用，按指定条件对数据进行提取。  
使用isin函数对city中的值是否为beijing进行判断。

#判断city列的值是否为beijing
    df_inner['city'].isin(['beijing'])
    
    date
    2013-01-02 True
    2013-01-05 False
    2013-01-07 True
    2013-01-06 False
    2013-01-03 False
    2013-01-04 False
    Name: city, dtype: bool

将isin函数嵌套到loc的数据提取函数中，将判断结果为Ture数据提取出来。这里我们把判断条件改为city值是否为beijing和 shanghai。如果是就把这条数据提取出来。

#先判断city列里是否包含beijing和shanghai，然后将复合条件的数据提取出来。
    df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

数值提取还可以完成类似数据分列的工作，从合并的数值中提取出制定的数值。

category=df_inner['category']
    0 100-A
    3 110-C
    5 130-F
    4 210-A
    1 100-B
    2 110-A
    Name: category, dtype: object
    
    #提取前三个字符，并生成数据表
    pd.DataFrame(category.str[:3])

## 数据筛选 ##

使用与，或，非三个条件配合大于，小于和等于对数据进行筛选，并进行计数和求和。与excel中的筛选功能和countifs和sumifs功能相似。

### 按条件筛选（与，或，非） ###

#使用“与”条件进行筛选
    df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

#使用“或”条件筛选
    df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['age'])

在前面的代码后增加price字段以及sum函数，按筛选后的结果将price字段值进行求和，相当于excel中sumifs的功能。

#对筛选后的数据按price字段进行求和
    df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),
    ['id','city','age','category','gender','price']].sort(['age']).price.sum()
    
    19796

#使用“非”条件进行筛选
    df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

在前面的代码后面增加city列，并使用count函数进行计数。相当于excel中的countifs函数的功能。

#对筛选后的数据按city列进行计数
    df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
    4

还有一种筛选的方式是用query函数。下面是具体的代码和筛选结果。

#使用query函数进行筛选
    df_inner.query('city == ["beijing", "shanghai"]')

在前面的代码后增加price字段和sum函数。对筛选后的price字段进行求和，相当于excel中的sumifs函数的功能。

#对筛选后的结果按price进行求和
    df_inner.query('city == ["beijing", "shanghai"]').price.sum()
    12230

## 数据汇总 ##

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 ###

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()

#对特定的ID列进行计数汇总
    df_inner.groupby('city')['id'].count()
    city
    beijing 2
    guangzhou 1
    shanghai 2
    shenzhen 1
    Name: id, dtype: int64

#对两个字段进行汇总计数
    df_inner.groupby(['city','size'])['id'].count()
    city size
    beijing A 1
    F 1
    guangzhou A 1
    shanghai A 1
    B 1
    shenzhen C 1
    Name: 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)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 10]

## 数据统计 ##

### 数据采样 ###

Python通过sample函数完成数据采样。

#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]
    f_inner.sample(n=2, weights=weights)

#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 ###

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 11]

#### 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()

## 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
    def table_info(x):
        shape=x.shape
        types=x.dtypes
        colums=x.columns
        print("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')

# 参考 #

*  【python】pandas库Series类型与基本操作详解
 *  [列表（list）、元组（tuple）、字典（dictionary）、array(数组)-numpy、DataFrame-pandas 、集合（set）][list_tuple_dictionary_array_-numpy_DataFrame-pandas _set]
 *  [像Excel一样使用python进行数据分析][Excel_python]

# 好的学习资料 #

*  Numpy [https://www.numpy.org.cn/][https_www.numpy.org.cn]
 *  Pandas [https://www.pypandas.cn/][https_www.pypandas.cn]  
    pandas API速查 [https://www.jianshu.com/p/a77b0bc736f2][https_www.jianshu.com_p_a77b0bc736f2] 翻译自 ([https://www.dataquest.io/blog/pandas-cheat-sheet/][https_www.dataquest.io_blog_pandas-cheat-sheet] )
 *  [菜鸟教程][Link 1]
 *  Matplotlib [http://reverland.org/python/2012/09/07/matplotlib-tutorial/][http_reverland.org_python_2012_09_07_matplotlib-tutorial]

--------------------

*  [Doraengineer’s blog说明][Doraengineer_s blog]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2019022719494215.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 1]: /images/20220316/633f9fe5081e4865a2b336ee5993f7eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 2]: /images/20220316/2310ae839fcb4187809bd6eace7f8569.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 3]: /images/20220316/afc0cd30d9e643aabba7daa0552f84f6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 4]: /images/20220316/931cf2a1d6ac4be6bfb220580ba986ef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 5]: /images/20220316/f99169cc6ab6419da3d7720f960fa44c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 6]: /images/20220316/90241e0604db47cbb3ac1b3bf25319e1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 7]: /images/20220316/d4b27d41176c4456b7ebb44d27aff493.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 8]: /images/20220316/4d867b9cd77e4461a2ee4a48803e8424.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 9]: /images/20220316/4d5b4a9fe7a7417ca70b25e59b64dc0b.png
[20190227195458154.jpg]: /images/20220316/3e37283fcf264578a4a382eaf4e7f007.png
[20190227195511384.jpg]: /images/20220316/e2e9ef6e3f89416cb3477e58b966f4df.png
[20190227195525925.jpg]: /images/20220316/538a919181bf4256b5f4f9d5e7c7e333.png
[20190227195541211.jpg]: /images/20220316/dba9d051eaed46b182a1f60d6f05f6b7.png
[2019022719555266.jpg]: /images/20220316/dbbd959a549e4707a916616758ee2fc1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 10]: /images/20220316/9800be9b7f59420dbc7dc8a8c86b6cbd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTM5NQ_size_16_color_FFFFFF_t_70 11]: /images/20220316/5c8779a8f9e84cdf8e6dee6e5e560b6a.png
[list_tuple_dictionary_array_-numpy_DataFrame-pandas _set]: http://www.cnblogs.com/260554904html/p/8125641.html
[Excel_python]: https://www.cnblogs.com/nxld/p/6756492.html
[https_www.numpy.org.cn]: https://www.numpy.org.cn/
[https_www.pypandas.cn]: https://www.pypandas.cn/
[https_www.jianshu.com_p_a77b0bc736f2]: https://www.jianshu.com/p/a77b0bc736f2
[https_www.dataquest.io_blog_pandas-cheat-sheet]: https://www.dataquest.io/blog/pandas-cheat-sheet/
[Link 1]: http://www.runoob.com/
[http_reverland.org_python_2012_09_07_matplotlib-tutorial]: http://reverland.org/python/2012/09/07/matplotlib-tutorial/
[Doraengineer_s blog]: https://blog.csdn.net/weixin_42641395/article/details/82558190