一文看懂怎么用Python做数据分析

常遇到两类朋友。一类是会爬虫但不知道如何进一步做数据分析的，一类是平常用 Excel 做分析但不太会用 Python 分析的。如果和你很像，那下面这篇系统长文会很适合你，建议先收藏。

Excel 是数据分析中最常用的工具，本文通过 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。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、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 个部分目录如下：

01 生成数据表

***部分是生成数据表，常见的生成方法有两种，***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。

1. import numpy as np 
2. import pandas as 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。

1. df=pd.DataFrame(pd.read_csv('name.csv',header=1)) 
2. 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。

1. df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
2.                    "date":pd.date_range('20130102', periods=6), 
3.                    "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], 
4.                    "age":[23,44,54,32,34,32], 
5.                    "category":['100-A','100-B','110-A','110-C','210-A','130-F'], 
6.                    "price":[1200,np.nan,2133,5433,np.nan,4432]}, 
7.                    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。

02 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***，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。

1. #查看数据表的维度 
2. df.shape 
3. (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。

1. #数据表信息 
2. df.info() 
3.   
4. <class 'pandas.core.frame.DataFrame'> 
5. RangeIndex: 6 entries, 0 to 5 
6. Data columns (total 6 columns): 
7. id          6 non-null int64 
8. date        6 non-null datetime64[ns] 
9. city        6 non-null object 
10. category    6 non-null object 
11. age         6 non-null int64 
12. price       4 non-null float64 
13. dtypes: datetime64[ns](1), float64(1), int64(2), object(2) 
14. 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。

1. #查看数据表各列格式 
2. df.dtypes 
3.   
4. id                   int64 
5. date        datetime64[ns] 
6. city                object 
7. category            object 
8. age                  int64 
9. price              float64 
10. dtype: object 
11. #查看单列格式 
12. df['B'].dtype 
13.   
14. 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。

1. #检查数据空值 
2. df.isnull() 

1. #检查特定列空值 
2. df['price'].isnull() 
3.   
4. 0    False 
5. 1     True 
6. 2    False 
7. 3    False 
8. 4     True 
9. 5    False 
10. 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。

1. #查看city列中的唯一值 
2. df['city'].unique() 
3.   
4. 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。

1. #查看数据表的值 
2. df.values 
3.   
4. array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23, 
5.         1200.0], 
6.        [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan], 
7.        [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A', 54, 
8.         2133.0], 
9.        [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32, 
10.         5433.0], 
11.        [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34, 
12.         nan], 
13.        [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32, 
14.         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。

1. #查看列名称 
2. df.columns 
3.   
4. 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。

1. #查看前3行数据 
2. 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。

1. #查看***3行 
2. df.tail(3) 

03 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。

1. #删除数据表中含有空值的行 
2. 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。

1. #使用数字0填充数据表中空值 
2. 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。

1. #使用price均值对NA进行填充 
2. df['price'].fillna(df['price'].mean()) 
3.   
4. 0    1200.0 
5. 1    3299.5 
6. 2    2133.0 
7. 3    5433.0 
8. 4    3299.5 
9. 5    4432.0 
10. Name: 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。

1. #清除city字段中的字符空格 
2. 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。

1. #city列大小写转换   
2. 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。

1. #更改数据格式 
2. df['price'].astype('int') 
3.   
4. 0    1200 
5. 1    3299 
6. 2    2133 
7. 3    5433 
8. 4    3299 
9. 5    4432 
10. Name: 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。

1. #更改列名称 
2. 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***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***出现的重复值，保留***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***位和***一位。

1. df['city'] 
2. 0      beijing 
3. 1           sh 
4. 2    guangzhou 
5. 3     shenzhen 
6. 4     shanghai 
7. 5      beijing 
8. 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***位的 beijing 被保留，***出现的 beijing 被删除。

1. #删除后出现的重复值 
2. df['city'].drop_duplicates() 
3. 0      beijing 
4. 1           sh 
5. 2    guangzhou 
6. 3     shenzhen 
7. 4     shanghai 
8. Name: city, dtype: object 

设置 keep=’last‘’参数后，与之前删除重复值的结果相反，***位出现的 beijing 被删除，保留了***一位出现的 beijing。

1. #删除先出现的重复值 
2. df['city'].drop_duplicates(keep='last') 
3. 1           sh 
4. 2    guangzhou 
5. 3     shenzhen 
6. 4     shanghai 
7. 5      beijing 
8. Name: city, dtype: objec 

数值修改及替换

数据清洗中***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。

1. #数据替换 
2. df['city'].replace('sh', 'shanghai') 
3. 0      beijing 
4. 1     shanghai 
5. 2    guangzhou 
6. 3     shenzhen 
7. 4     shanghai 
8. 5      beijing 
9. Name: city, dtype: object 

本篇文章这是系列的第二篇，介绍第 4-6 部分的内容，数据表生成，数据表查看，和数据清洗。

04 数据预处理

第四部分是数据的预处理，对清洗完的数据进行整理以便后期的统计和分析工作。主要包括数据表的合并，排序，数值分列，数据分

组及标记等工作。

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。

1. #创建df1数据表 
2. df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
3. "gender":['male','female','male','female','male','female','male','female'], 
4. "pay":['Y','N','Y','Y','N','Y','N','Y',], 
5. "m-point":[10,12,20,40,40,40,30,20]}) 

使用 merge 函数对两个数据表进行合并，合并的方式为 inner，将两个数据表中共有的数据匹配到一起生成新的数据表。并命名为 df_inner。

1. #数据表匹配合并，inner模式 
2. df_inner=pd.merge(df,df1,how='inner') 

除了 inner 方式以外，合并的方式还有 left，right 和 outer 方式。这几种方式的差别在我其他的文章中有详细的说明和对比。

1. #其他数据表匹配模式 
2. df_left=pd.merge(df,df1,how='left') 
3. df_right=pd.merge(df,df1,how='right') 
4. df_outer=pd.merge(df,df1,how='outer') 

设置索引列

完成数据表的合并后，我们对 df_inner 数据表设置索引列，索引列的功能很多，可以进行数据提取，汇总，也可以进行数据筛选等。

设置索引的函数为 set_index。

1. #设置索引列 
2. df_inner.set_index('id') 

排序(按索引，按数值)

Excel 中可以通过数据目录下的排序按钮直接对数据表进行排序，比较简单。Python 中需要使用 ort_values 函数和 sort_index 函数完成排序。

在 python 中，既可以按索引对数据表进行排序，也可以看制定列的数值进行排序。首先我们按 age 列中用户的年龄对数据表进行排序。

使用的函数为 sort_values。

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

Sort_index 函数用来将数据表按索引列的值进行排序。

1. #按索引列排序 
2. df_inner.sort_index() 

数据分组

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。

Where 函数用来对数据进行判断和分组，下面的代码中我们对 price 列的值进行判断，将符合条件的分为一组，不符合条件的分为另一组，并使用 group 字段进行标记。

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

除了 where 函数以外，还可以对多个字段的值进行判断后对数据进行分组，下面的代码中对 city 列等于 beijing 并且 price 列大于等于 4000 的数据标记为 1。

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

数据分列

与数据分组相反的是对数值进行分列，Excel 中的数据目录下提供“分列”功能。在 python 中使用 split 函数实现分列。

在数据表中 category 列中的数据包含有两个信息，前面的数字为类别 id，后面的字母为 size 值。中间以连字符进行连接。我们使用 split 函数对这个字段进行拆分，并将拆分后的数据表匹配回原数据表中。

1. #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 
2. pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']) 

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

05 数据提取

第五部分是数据提取，也是数据分析中最常见的一个工作。这部分主要使用三个函数，loc，iloc 和 ix，loc 函数按标签值进行提取，iloc 按位置进行提取，ix 可以同时按标签和位置进行提取。下面介绍每一种函数的使用方法。

按标签提取(loc)

Loc 函数按数据表的索引标签进行提取，下面的代码中提取了索引列为 3 的单条数据。

1. #按索引提取单行的数值 
2. df_inner.loc[3] 
3. id 1004 
4. date 2013-01-05 00:00:00 
5. city shenzhen 
6. category 110-C 
7. age 32 
8. price 5433 
9. gender female 
10. m-point 40 
11. pay Y 
12. group high 
13. sign NaN 
14. category_1 110 
15. size C 
16. 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。

1. #按索引提取区域行数值 
2. 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。

1. #重设索引 
2. df_inner.reset_index() 

1. #设置日期为索引 
2. 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。

1. #提取4日之前的所有数据 
2. 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。

1. #使用iloc按位置区域提取数据 
2. 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。

1. #使用iloc按位置单独提取数据 
2. 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。

1. #使用ix按索引标签和位置混合提取数据 
2. 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。

1. #判断city列的值是否为beijing 
2. df_inner['city'].isin(['beijing']) 
3.   
4. date 
5. 2013-01-02 True 
6. 2013-01-05 False 
7. 2013-01-07 True 
8. 2013-01-06 False 
9. 2013-01-03 False 
10. 2013-01-04 False 
11. 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。

1. #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。 
2. 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。

1. category=df_inner['category'] 
2. 0 100-A 
3. 3 110-C 
4. 5 130-F 
5. 4 210-A 
6. 1 100-B 
7. 2 110-A
8. Name: category, dtype: object
9. #提取前三个字符，并生成数据表 
10. pd.DataFrame(category.str[:3]) 

06 数据筛选

第六部分为数据筛选，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)

Excel 数据目录下提供了“筛选”功能，用于对数据表按不同的条件进行筛选。Python 中使用 loc 函数配合筛选条件来完成筛选功能。配合 sum 和 count 函数还能实现 excel 中 sumif 和 countif 函数的功能。

使用“与”条件进行筛选，条件是年龄大于 25 岁，并且城市为 beijing。筛选后只有一条数据符合要求。

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

使用“或”条件进行筛选，年龄大于 25 岁或城市为 beijing。筛选后有 6 条数据符合要求。

1. #使用“或”条件筛选 
2. df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort 
3. (['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。

1. #对筛选后的数据按price字段进行求和 
2. df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), 
3. ['id','city','age','category','gender','price']].sort(['age']).price.sum() 
4.   
5. 19796  

使用“非”条件进行筛选，城市不等于 beijing。符合条件的数据有 4 条。将筛选结果按 id 列进行排序。

1. #使用“非”条件进行筛选 
2. 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。

1. #对筛选后的数据按city列进行计数 
2. df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count() 
3. 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。

1. #使用query函数进行筛选 
2. 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。

1. #对筛选后的结果按price进行求和 
2. df_inner.query('city == ["beijing", "shanghai"]').price.sum() 
3. 12230 

这是第三篇，介绍第 7-9 部分的内容，数据汇总，数据统计，和数据输出。

07 数据汇总

第七部分是对数据进行分类汇总，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

Excel 的数据目录下提供了“分类汇总”功能，可以按指定的字段和汇总方式对数据表进行汇总。Python 中通过 Groupby 函数完成相应的操作，并可以支持多级分类汇总。

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。

1. #对所有列进行计数汇总 
2. df_inner.groupby('city').count() 

可以在 groupby 中设置列名称来对特定的列进行汇总。下面的代码中按城市对 id 字段进行汇总计数。

1. #对特定的ID列进行计数汇总 
2. df_inner.groupby('city')['id'].count() 
3. city 
4. beijing 2 
5. guangzhou 1 
6. shanghai 2 
7. shenzhen 1 
8. Name: id, dtype: int64 
9.  
10. Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvDOLa9f 

在前面的基础上增加第二个列名称，分布对 city 和 size 两个字段进行计数汇总。

1. #对两个字段进行汇总计数 
2. df_inner.groupby(['city','size'])['id'].count() 
3. city size 
4. beijing A 1 
5. F 1 
6. guangzhou A 1 
7. shanghai A 1 
8. B 1 
9. shenzhen C 1 
10. Name: id, dtype: int64 
11.  
12. Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvDL89Gn 

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。

1. #对city字段进行汇总并计算price的合计和均值。 
2. 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。

1. #数据透视表 
2. pd.pivot_table(df_inner,index=["city"],values=["price"],columns=["size"],aggfunc=[len,np.sum],fill_value=0,margins=True) 

08 数据统计

第九部分为数据统计，这里主要介绍数据采样，标准差，协方差和相关系数的使用方法。

数据采样

Excel 的数据分析功能中提供了数据抽样的功能，如下图所示。Python 通过 sample 函数完成数据采样。

Sample 是进行数据采样的函数，设置 n 的数量就可以了。函数自动返回参与的结果。

1. #简单的数据采样 
2. 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。

1. #手动设置采样权重 
2. weights = [0, 0, 0, 0, 0.5, 0.5] 
3. df_inner.sample(n=2, weights=weights) 
4.  
5. Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvCvwN2y 

从采样结果中可以看出，后两条权重高的数据被选中。

Sample 函数中还有一个参数 replace，用来设置采样后是否放回。

1. #采样后不放回 
2. df_inner.sample(n=6, replace=False) 

1. #采样后放回 
2. df_inner.sample(n=6, replace=True) 

描述统计

Excel 中的数据分析中提供了描述统计的功能。Python 中可以通过 Describe 对数据进行描述统计。

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。

1. #数据表描述性统计 
2. df_inner.describe().round(2).T 

标准差

Python 中的 Std 函数用来接算特定数据列的标准差。

1. #标准差 
2. df_inner['price'].std() 
3. 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。

1. #两个字段间的协方差 
2. df_inner['price'].cov(df_inner['m-point']) 
3. 17263.200000000001 
4. #数据表中所有字段间的协方差 
5. 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。

1. #相关性分析 
2. df_inner['price'].corr(df_inner['m-point']) 
3. 0.77466555617085264 
4. #数据表相关性分析 
5. df_inner.corr() 

09 数据输出

第九部分是数据输出，处理和分析完的数据可以输出为 xlsx 格式和 csv 格式。

写入 excel

1. #输出到 excel 格式  
2. df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc') 

excel

写入 csv

1. #输出到 CSV 格式 
2. 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。

1. 创建数据表 
2. df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
3. "date":pd.date_range('20130102', periods=6), 
4. "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], 
5. "age":[23,44,54,32,34,32], 
6. "category":['100-A','100-B','110-A','110-C','210-A','130-F'], 
7. "price":[1200,np.nan,2133,5433,np.nan,4432]}, 
8. columns =['id','date','city','category','age','price']) 
9.  
10. Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBC8kaw 
11. #创建自定义函数 
12. def table_info(x): 
13.     shape=x.shape 
14.     types=x.dtypes 
15.     colums=x.columns 
16.     print("数据维度(行，列):\n",shape) 
17.     print("数据格式:\n",types) 
18.     print("列名称:\n",colums) 
19.  
20. Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBC8kaw 
21. #调用自定义函数获取df数据表信息并输出结果 
22. table_info(df) 
23.   
24. 数据维度(行，列): 
25. (6, 6) 
26. 数据格式: 
27. id int64 
28. date datetime64[ns] 
29. city object 
30. category object 
31. age int64 
32. price float64 
33. dtype: object 
34. 列名称: 
35. Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object') 
36.  
37. Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBJs6Fv 

以上就是用 Python 做数据分析的基本内容。

时间:2019-07-27 17:58  来源:可思数据    转发量:次