对比Excel，一文掌握Pandas表格条件格式（可视化）

刺骨的言语ヽ痛彻心扉 2022-09-16 03:55 270阅读 0赞

点击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

诸葛大名垂宇宙，宗臣遗像肃清高。

大家好，我是才哥。

本来这周不是加班周，但是毕竟项目赶进度，还是需要加班着，咱们更文又变得慢了起来。

最近有粉丝询问`Pandas表格可视化`的一些问题，刚好前段时间也看过，那么就结合之前处理`Excel`时的**条件格式**对着来看吧。

所以，今天咱们隆重介绍一下`Excel条件格式`与`Pandas的表格可视化`，走起！

**目录：**

*  1. 概述
 *  2. 突出显示单元格
    
     *  2.1. 高亮缺失值
     *  2.2. 高亮最大值
     *  2.3. 高亮最小值
     *  2.4. 高亮区间值
     *  2.5. 高亮分位数
 *  3. 色阶（背景及文本渐变色）
    
     *  3.1. 背景渐变色
     *  3.2. 文本渐变色
 *  4. 数据条
 *  5. 数据格式化
 *  6. 自定义格式函数
 *  7. 其他

## 1. 概述 ##

咱们先简单介绍一下什么是**表格条件格式可视化**，以常用的Excel为例说明。

在Excel菜单栏里，默认（选择）开始菜单，在中间部位有个**条件格式**控件，里面就是关于表格条件格式的方方面面。主要包含`突出显示单元格规则`、`最前/最后规则`、`数据条`、`色阶`、`图标集`以及`规则管理`等。

![f9f01350e1c3cbdb3b0ad66d02130988.png][] 条件格式

基于以上，我们其实可以通过函数方式进行多种条件的综合，让Excel表格可视化丰富多彩，比如以下截图展示的就是**色阶**效果！

![6f6e3da77498c140e39a8c96a4352fa2.png][] 色阶案例，数据截止8月5日

在上图中，我们对每列单独进行`条件格式-色阶`设置，绿色->红色 代表数值从小到大，可以很直观的快速感受数值表现。

所谓 **表格条件格式可视化**，就是对表格的数据按照一定的条件进行可视化的展示（这里的可视化更多是指单元格背景色、字体颜色以及文本格式显示等）。

那么，Pandas作为表格化的数据处理工具，我们可以如何实现 表格条件格式可视化呢？！

大杀器：`df.style`

## 2. 突出显示单元格 ##

在Excel条件格式中，突出显示单元格规则提供的是大于、小于、等于以及重复值等内置样式，不过在Pandas中这些需要通过函数方法来实现，我们放在后续介绍。这里介绍Pandas突出显示`缺失值`、`最大值`、`最小值`、`区间值`的函数方法以及Excel实现这些操作的自定义操作。

### 2.1. 高亮缺失值 ###

`df.style.highlight_null()`

Signature:
    df.style.highlight_null(
        null_color: 'str' = 'red',
        subset: 'Subset | None' = None,
        props: 'str | None' = None,
    ) -> 'Styler'
    Docstring:
    Highlight missing values with a style.

> `null_color`用于指定高亮的背景色，默认是红色
> 
> `subset`用于指定操作的列或行
> 
> `props`用于突出显示CSS属性（后面案例中会涉及到）

![b72ddf36d7055657e7a75a20f4241e39.png][]

比如，我们可以指定高亮的背景色为橙色（颜色可以是英文名称）

![765c585ee76c0839e61b2919825ab6c4.png][]

比如，我们可以指定高亮的背景色为紫红色（颜色可以是16进制）

![57f3a7f7b23b0b402999914fd5b75e6e.png][]

### 2.2. 高亮最大值 ###

`df.style.highlight_max()`

Signature:
    df.style.highlight_max(
        subset: 'Subset | None' = None,
        color: 'str' = 'yellow',
        axis: 'Axis | None' = 0,
        props: 'str | None' = None,
    ) -> 'Styler'
    Docstring:
    Highlight the maximum with a style.

> `subset`用于指定操作的列或行
> 
> `color`用于指定颜色，默认是黄色
> 
> `axis`用于指定行最大、列最大或全部，默认是列方向最大

![e2bb12ebb08e8c58542fd64706a01cf1.png][]

这里我们发现对于中文也有列最大高亮，至于为啥是蒙古其实我也不清楚，为了避免出现这种情况，有两种方法：①将这一列设置为索引(这里不做演示），②采用`subset`指定

![53121aa4eb6f2d60b7b6fe1375d74902.png][]

指定颜色为灰色

![b124a9fda24633fe65bd72e9ce5efc32.png][]

显示全部最大值

![8c6842b38649cdb4ff1faed2f611d641.png][]

那么，Excel如何显示最大值呢？这里我们以显示全部最大值为例展开介绍，逻辑如下：

1.  通过函数MAX获取数据区域的最大值
2.  然后编辑格式满足单元格值等于这个最大值即可

操作为：选中数据区域，进行`条件格式设置`\->`编辑格式规则`

具体规则如下图：

![f3b386f17e1e8ec834585f7d3266a908.png][]

我们就可以得到想要的效果：

![ebbf45a363d1405b43f00b442ff35196.png][]

同样的道理，我们可以根据需求高亮列或行的最大值、最小值等

### 2.3. 高亮最小值 ###

`df.style.highlight_min()`

参数基本同高亮最大值，这里不再赘述，看案例

![e3e0b0db3f6f092073e52fed5a5b8396.png][]

**链式调用** 最大最小值高亮

![b83231b2bd244d382c24e7c745ec0b9b.png][]

### 2.4. 高亮区间值 ###

`df.style.highlight_between`

Signature:
    df.style.highlight_between(
        subset: 'Subset | None' = None,
        color: 'str' = 'yellow',
        axis: 'Axis | None' = 0,
        left: 'Scalar | Sequence | None' = None,
        right: 'Scalar | Sequence | None' = None,
        inclusive: 'str' = 'both',
        props: 'str | None' = None,
    ) -> 'Styler'
    Docstring:
    Highlight a defined range with a style.

> `subset`用于指定操作的列或行
> 
> `color`用于指定颜色，默认是黄色
> 
> `axis`用于指定行、列或全部，如果left或right作为序列给出，则应用于这些序列的边界
> 
> `left`用于指定区间最小值
> 
> `right`用于指定区间最大值
> 
> `inclusive`用于确定是否左右闭包，可选'both', 'neither', 'left', 'right'
> 
> `props`用于突出显示CSS属性

高亮数量在`[20, 30]`的单元格

![22f347c53815f260aea4d18288376281.png][]

`props`用于突出显示CSS属性，案例中我们将待高亮的部分显示为**字体颜色-白色**，**背景色-紫色**

![56fbdc48816148cebd899852440443ba.png][]

金牌数区间`[20, 30]`、银牌数区间`[10, 20]`、铜牌数区间`[5, 10]`

![0b9299ad23317606357b1a9fbe2fa25b.png][]

### 2.5. 高亮分位数 ###

`df.style.highlight_quantile()`

Signature:
    df.style.highlight_quantile(
        subset: 'Subset | None' = None,
        color: 'str' = 'yellow',
        axis: 'Axis | None' = 0,
        q_left: 'float' = 0.0,
        q_right: 'float' = 1.0,
        interpolation: 'str' = 'linear',
        inclusive: 'str' = 'both',
        props: 'str | None' = None,
    ) -> 'Styler'
    Docstring:
    Highlight values defined by a quantile with a style.

> `subset`用于指定操作的列或行
> 
> `color`用于指定颜色，默认是黄色
> 
> `axis`用于指定行、列或全部
> 
> `q_left`用于指定分位数左边界，默认是0
> 
> `q_right`用于指定分位数右边界，默认是1
> 
> `inclusive`用于确定是否左右闭包，可选'both', 'neither', 'left', 'right'
> 
> `props`用于突出显示CSS属性

比如，高亮各列奖牌数前15%的值

![f4e6db79aeeb8a1bc69d330c3d794e17.png][]

## 3. 色阶（背景及文本渐变色） ##

色阶部分包含背景渐变色和文本渐变色

### 3.1. 背景渐变色 ###

在Excel中，直接通过`条件格式->色阶` 操作即可选择想要的背景渐变色效果

![8116b9b7a466f31e2d99ede154cf4781.png][]

而在Pandas中，我们可以通过`df.style.background_gradient()`进行背景渐变色的设置。

Signature:
    df.style.background_gradient(
        cmap='PuBu',
        low: 'float' = 0,
        high: 'float' = 0,
        axis: 'Axis | None' = 0,
        subset: 'Subset | None' = None,
        text_color_threshold: 'float' = 0.408,
        vmin: 'float | None' = None,
        vmax: 'float | None' = None,
        gmap: 'Sequence | None' = None,
    ) -> 'Styler'
    Docstring:
    Color the background in a gradient style.

> `cmap`用于指定matplotlib色条
> 
> `low`和`high`用于指定最小最大值颜色边界，区间\[0, 1\]
> 
> `axis`用于指定行、列或全部，默认是列方向
> 
> `subset`用于指定操作的列或行
> 
> `text_color_threshold`用于指定文本颜色亮度，区间\[0, 1\]
> 
> `vmin`和`vmax`用于指定与cmap最小最大值对应的单元格最小最大值

![26866dac2ac2f0307c774c3ca3784a29.png][]

`low`和`high`用于指定最小最大值颜色边界，区间\[0, 1\]

![d987ca0e6ed9e53191ff0c46c5eca4fc.png][]

`cmap`用于指定matplotlib色条，采用seaborn美化样式

![0699973f573283a65182f4c418db96af.png][]

`text_color_threshold`用于指定文本颜色亮度，区间\[0, 1\]

![7947b63babfd2ee54c32fd539b8666b5.png][]

`vmin`和`vmax`用于指定与cmap最小最大值对应的单元格最小最大值（10以下同色，70以上同色）

![c28781986cdc88a904f4b8d6bf149aa3.png][]

我们可以看到以上对于缺失值来说，其背景色是黑色，我们可以通过链式方法和高亮缺失值对缺失值背景色进行修改

![05098486af5fab74a760a17a980b6d4c.png][]

### 3.2. 文本渐变色 ###

文本渐变色顾名思义就是对单元格的文本进行颜色渐变，可以通过`df.style.text_gradient()`来操作，其参数和背景渐变色基本一致。

![11534a2e09473bbc714f341a0af61350.png][]

## 4. 数据条 ##

在Excel中，直接通过`条件格式->数据条` 操作即可选择想要的数据条效果

![1617993fa6f7b81c7190ae7b52c7dee2.png][]

而在Pandas中，我们可以通过 `df.style.bar()`来进行数据条绘制

Signature:
    df.style.bar(
        subset: 'Subset | None' = None,
        axis: 'Axis | None' = 0,
        color='#d65f5f',
        width: 'float' = 100,
        align: 'str' = 'left',
        vmin: 'float | None' = None,
        vmax: 'float | None' = None,
    ) -> 'Styler'
    Docstring:
    Draw bar chart in the cell backgrounds.

> `subset`用于指定操作的列或行
> 
> `axis`用于指定行、列或全部，默认是列方向
> 
> `color`用于指定数据条颜色
> 
> `width`用于指定数据条长度，默认是100，区间\[0, 100\]
> 
> `vmin`和`vmax`用于指定与数据条最小最大值对应的单元格最小最大值
> 
> `align` 数据条与单元格对齐方式，默认是left左对齐，还有zero居中和mid位于（max-min）/2

比如，**奖牌数（不算总的）最低0最高40+颜色为橙色+居中展示**，**金牌差数据条长度为50（也就是单元格一半的长度）**、**银牌差mid对齐+数据条为单元格一半长度+正负显示不同颜色**

![94461ade7b1efb35870dd1ecdef7951a.png][]

## 5. 数据格式化 ##

调整数据格式用到`df.style.format()`

Signature:
    df.style.format(
        formatter: 'ExtFormatter | None' = None,
        subset: 'Subset | None' = None,
        na_rep: 'str | None' = None,
        precision: 'int | None' = None,
        decimal: 'str' = '.',
        thousands: 'str | None' = None,
        escape: 'str | None' = None,
    ) -> 'StylerRenderer'
    Docstring:
    Format the text display value of cells.

> `formatter` 显示格式
> 
> `subset`用于指定操作的列或行
> 
> `na_rep`用于指定缺失值的格式
> 
> `precision`用于指定浮点位数
> 
> `decimal`用于用作浮点数、复数和整数的十进制分隔符的字符，默认是`.`
> 
> `thousands`用作浮点数、复数和整数的千位分隔符的字符
> 
> `escape`用于特殊格式输出（如html、latex等，这里不做展开，可参考官网）
> 
> 比如，我们给数据加上单位`枚`，缺失值显示为`无`

![0c1818ecc550ffbbe6eab16c0d8db1bf.png][]

设置小数点位数为0

![8c0fd5fefa81cae2b83e1f13bdbe683e.png][]

指定列进行格式化

![1698dc7f932d5619dc3343e6b1f6fd8d.png][]

分别对指定列进行单独格式化

![faaadedf19a3fa36f7218c1160da00ba.png][]

## 6. 自定义格式函数 ##

通过传递样式函数来自定义格式：

> `applymap()` (elementwise)：接受一个函数，它接受一个值并返回一个带有 CSS 属性值对的字符串。
> 
> `apply()`(column-/ row- /table-wise): 接受一个函数，它接受一个 Series 或 DataFrame 并返回一个具有相同形状的 Series、DataFrame 或 numpy 数组，其中每个元素都是一个带有 CSS 属性的字符串-值对。此方法根据`axis`关键字参数一次传递一个或整个表的 DataFrame 的每一列或行。对于按列使用`axis=0`、按行使用`axis=1`，以及一次性使用整个表`axis=None`。

比如，我们定义一个函数，如果金牌数<银牌数，则高亮金牌数这一列对应的值

![11a4228dd5785a91837e2cee4894a5ea.png][]

比如，我们还可以定义函数，如果金牌数<银牌数，则这一行数据都高亮

![71425bc7db1cb1455d0df1d099823950.png][]

又或者，我们可以根据不同的比值对每行进行不同的高亮

![a429be56dfdedff23ba847178bb255b9.png][]

关于以上函数的写法，我们还可以调用**numpy**的`where`和`repeat`方法进行优化，如：

![d040bac689d1059a01d0df0323b25470.png][]

## 7. 其他 ##

还有一些小操作，比如添加标题、隐藏索引、隐藏指定列等等

**添加标题**

![01d62e0173b3abc6b0bc59490663841c.png][]

**隐藏索引**

![25b52d5b2de076aa00dc6d9c66ef66b0.png][]

**隐藏指定列**

![6cc4f02ecc93e78b4fa548c047d11704.png][]

**设置属性**

如果一些单元格属性和单元格值无关，我们可以通过`df.style.set_properties()`来进行定制化操作，比如：`背景色-黑色`，`字体颜色-草绿色`，`边框颜色-白色`。（**css样式**）

![5c9aee6266f75b416b669d70563c7ec9.png][]

**选中放大**

![1f5d2cb14a8dbb2c47526dc9f162a6eb.png][]

鼠标选择单元格会有放大效果

![ed254844f77ad4c12e2cf89f2dd0955c.gif][] 效果演示

**导出Excel**

就直接`to_excel`就行了，`dfs = df.style.xxx`，然后`dfs.to_excel()`

![7e8ed7a057b11f8d6c24773c3658d96d.png][] 导出的excel截图

**导出html**

![ed0f87e1f8c9d3110cf8a1a1dbf94f83.png][]

以上就是本次全部内容，大家感兴趣的话可以自己演示一遍熟悉熟悉，又或者想想日常工作中的一些条件格式需求，然后通过Pandas演示出来效果看看。

小伙伴们，快快用实践一下吧！如果在学习过程中，有遇到任何问题，欢迎加我好友，我拉你进Python学习交流群共同探讨学习。

![75d21dc1e655640797ac12aa5e5ece61.png][]

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  [手把手教你采集京东销售数据并做简单的数据分析和可视化][Link 1]  
    
 *  [手把手教你用Pyecharts库对淘宝数据进行可视化展示][Pyecharts]
 *  [手把手教你用Pandas库对淘宝原始数据进行数据处理和分词处理][Pandas]
 *  [Python项目实战篇——常用验证码标注&识别(前端+后端实现高效率数据标注)][Python]

![8bcd2cbdb954d227fb29450afa4f1c73.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[f9f01350e1c3cbdb3b0ad66d02130988.png]: /images/20220828/76dfbf55de684dcdb71952be14e8958b.png
[6f6e3da77498c140e39a8c96a4352fa2.png]: /images/20220828/fc4fa11d9c2b489c955cf37717390795.png
[b72ddf36d7055657e7a75a20f4241e39.png]: /images/20220828/e046787647674868a2785cabcb9ac251.png
[765c585ee76c0839e61b2919825ab6c4.png]: /images/20220828/2a3fa94a96734b6b9fa8e0d707505059.png
[57f3a7f7b23b0b402999914fd5b75e6e.png]: /images/20220828/8ab27f9739214a909bd9d2de3c22b804.png
[e2bb12ebb08e8c58542fd64706a01cf1.png]: /images/20220828/7e24f877ed074daaad3a990f30d193f2.png
[53121aa4eb6f2d60b7b6fe1375d74902.png]: /images/20220828/6b500ea55a014b44b7a3212c211f60df.png
[b124a9fda24633fe65bd72e9ce5efc32.png]: /images/20220828/5cf1635ec96a451ea094c70ff56b0dbf.png
[8c6842b38649cdb4ff1faed2f611d641.png]: /images/20220828/2ee1fb0b492a4a0a81ed16407a97ec7d.png
[f3b386f17e1e8ec834585f7d3266a908.png]: /images/20220828/4606e871bb0d42c086f6e8f9c6f0ad3b.png
[ebbf45a363d1405b43f00b442ff35196.png]: /images/20220828/675b34e1dc544d09bb9a874826791b7f.png
[e3e0b0db3f6f092073e52fed5a5b8396.png]: /images/20220828/019dd38cb84e4e8ba1ec2c6374b8220b.png
[b83231b2bd244d382c24e7c745ec0b9b.png]: /images/20220828/7b284015ba784792b357eaa1e39455a7.png
[22f347c53815f260aea4d18288376281.png]: /images/20220828/555429353e7d4ef58e8abff46eabe4eb.png
[56fbdc48816148cebd899852440443ba.png]: /images/20220828/f0fa1415b358426f9ddf574a297fa1e3.png
[0b9299ad23317606357b1a9fbe2fa25b.png]: /images/20220828/e03a36d78f38419a947015e10e8bf7cd.png
[f4e6db79aeeb8a1bc69d330c3d794e17.png]: /images/20220828/e24b5c26f5724e018a2fc777cc698ce3.png
[8116b9b7a466f31e2d99ede154cf4781.png]: /images/20220828/b2b97c02aa2d49c7af11b13fe2344be5.png
[26866dac2ac2f0307c774c3ca3784a29.png]: /images/20220828/3b5582e966584ca9b151e14a7e9938a5.png
[d987ca0e6ed9e53191ff0c46c5eca4fc.png]: /images/20220828/ef10273e3f5347419eea62501497d46b.png
[0699973f573283a65182f4c418db96af.png]: /images/20220828/240970f6a19740ebbb212e8e41d6c8b1.png
[7947b63babfd2ee54c32fd539b8666b5.png]: /images/20220828/a5c288690b29435689f6ca992a991a93.png
[c28781986cdc88a904f4b8d6bf149aa3.png]: /images/20220828/251d846cfa0f4fa588565c1cfe56f3ae.png
[05098486af5fab74a760a17a980b6d4c.png]: /images/20220828/d6527eb0c2b941aebf580422b3c12dc9.png
[11534a2e09473bbc714f341a0af61350.png]: /images/20220828/60a7ab3209594e8faed5d9ff0e4b0397.png
[1617993fa6f7b81c7190ae7b52c7dee2.png]: /images/20220828/a9314c32cef64873a11bd3b095d3382c.png
[94461ade7b1efb35870dd1ecdef7951a.png]: /images/20220828/5a81cf5de1eb4bb8b62f25fe323b1767.png
[0c1818ecc550ffbbe6eab16c0d8db1bf.png]: /images/20220828/8ec76ded27a14ba199434ace7b21ef01.png
[8c0fd5fefa81cae2b83e1f13bdbe683e.png]: /images/20220828/0eb1427887204ed58f9dcfe8b6daaf29.png
[1698dc7f932d5619dc3343e6b1f6fd8d.png]: /images/20220828/1a3fd503cc08467da0e2ddb532342059.png
[faaadedf19a3fa36f7218c1160da00ba.png]: /images/20220828/5f97db7acbc44ff686e559ed2429eb2f.png
[11a4228dd5785a91837e2cee4894a5ea.png]: /images/20220828/791fe0e538a44ac7be4b794092725fa1.png
[71425bc7db1cb1455d0df1d099823950.png]: /images/20220828/dc7eb0c20b1547639725f5546e8b65da.png
[a429be56dfdedff23ba847178bb255b9.png]: /images/20220828/d7b923e0d0304114a058f32d11443b8a.png
[d040bac689d1059a01d0df0323b25470.png]: /images/20220828/98e0a82236054c75b0b27fb2b4fb2be8.png
[01d62e0173b3abc6b0bc59490663841c.png]: /images/20220828/710c04b521bb411ea618ebb7bb5ec559.png
[25b52d5b2de076aa00dc6d9c66ef66b0.png]: /images/20220828/93138d1ad967430a997e4d8323ba0947.png
[6cc4f02ecc93e78b4fa548c047d11704.png]: /images/20220828/c2f774d4799a4e6ebe683ce5e2eb1021.png
[5c9aee6266f75b416b669d70563c7ec9.png]: /images/20220828/43f7efea755c4aa385fb54abc11b9610.png
[1f5d2cb14a8dbb2c47526dc9f162a6eb.png]: /images/20220828/337abff8467a4d38ac9cc91e96c20e6d.png
[ed254844f77ad4c12e2cf89f2dd0955c.gif]: /images/20220828/84e12600d5364c37ae3c21d84e5ce298.png
[7e8ed7a057b11f8d6c24773c3658d96d.png]: /images/20220828/0329eeefc1aa44febce70ab68e564b93.png
[ed0f87e1f8c9d3110cf8a1a1dbf94f83.png]: /images/20220828/dca5b2d7f1a74eb6bc9f9be0bb1c498b.png
[75d21dc1e655640797ac12aa5e5ece61.png]: /images/20220828/bce247c8f08c451c87a81bd6a304c2ad.png
[Link 1]: https://blog.csdn.net/weixin_38753213/article/details/112001044
[Pyecharts]: https://blog.csdn.net/pdcfighting/article/details/119880791
[Pandas]: https://blog.csdn.net/pdcfighting/article/details/119962726
[Python]: https://blog.csdn.net/pdcfighting/article/details/120245546
[8bcd2cbdb954d227fb29450afa4f1c73.png]: /images/20220828/6d5ec6f8a5cc43298993b00b1658a162.png