Data analysis by Python 入门

1. 重复数据处理

在DataFrame中主要运用duplicated方法和drop_duplicates方法：

  • duplicated方法返回的是一个布尔型的Series，用来只是各行是否重复，如果重复则为True，否则为False。
  • drop_duplicates直接返回已经删除了重复行的DataFrame。

默认drop_duplicates方法会判断所有列，只有所有列的值都重复才算重复行，如果仅需要依据某一列或者某几列进行重复项判断。可以添加列名的列表：drop_duplicates([‘K1’])或者drop_duplicates([‘K1’,’K2’])。删除的重复值可以选择保留第一项还是最后一项，添加 keep = ‘last’,会保留最后一个重复值，keep = ‘first’会保留第一个重复值。

1.1 Excel文件读取

pandas的ExcelFile类或pandas.read_excel函数支持读取存储在Excel 2003（或更高版本）中的表格型数据。这两个工具分别使用扩展包xlrd和openpyxl读取XLS和XLSX文件。你可以用pip或conda安装它们。
要使用ExcelFile，通过传递xls或xlsx路径创建一个实例，然后用存储在表单中的数据可以read_excel读取到DataFrame

import pandas as pd
import pandas as pd
xlsx = pd.ExcelFile('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls')
frame = pd.read_excel(xlsx, 'Sheet1')
frame
# 也可以直接用read_excel读取
# frame = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls', 'Sheet1')
xlsx = pd.ExcelFile('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls')
frame = pd.read_excel(xlsx, 'Sheet1')
frame
# 也可以直接用read_excel读取
# frame = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls', 'Sheet1')



编号

0

A667708

1

A310882

2

A356517

3

A520304

4

A776477

5

A466074

6

A466074

7

A466074

8

A776477

9

A218912



1.2 重复数据处理

使用DataFrame的drop_duplicates()进行重复数据的删除

frame_ = frame.drop_duplicates(keep = 'last')
# keep = 'last',会保留最后一个重复值，keep = 'first'会保留第一个重复值
frame_
frame_ = frame.drop_duplicates(keep = 'last')
# keep = 'last',会保留最后一个重复值，keep = 'first'会保留第一个重复值
frame_



编号

0

A667708

1

A310882

2

A356517

3

A520304

7

A466074

8

A776477

9

A218912



处理数据另存为Excel文件

如果要将pandas数据写入为Excel格式，你必须首先创建一个ExcelWriter，然后使用pandas对象的to_excel方法将 数据写入到其中：

writer = pd.ExcelWriter('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')
frame_.to_excel(writer, 'Sheet1')
writer.save()
# 当然，你还可以不使用ExcelWriter，而是传递文件的路径到to_excel：
# frame.to_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')
writer = pd.ExcelWriter('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')
frame_.to_excel(writer, 'Sheet1')
writer.save()
# 当然，你还可以不使用ExcelWriter，而是传递文件的路径到to_excel：
# frame.to_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')

2. 检查数据逻辑错误

逻辑错误是根据数据来源、数据性质等进行判断的，比如年龄出现负值等等。
这里的例子是在多选题中需要选择3项，为0代表未选择，不为0代表选择，所以需要判断每一行数据中不为0的个数是否等于3.
因为原先的xls文件有合并单元格，首先手动将其删除，只留下标题列ABCDEFG和表内容。

frame2 = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/检查数据逻辑错误.xls', 'Sheet1')
frame2_ = frame2.copy()
frame2_
frame2 = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/检查数据逻辑错误.xls', 'Sheet1')
frame2_ = frame2.copy()
frame2_



A

B

C

D

E

F

G

0

0

0

1

1

0

1

0

1

1

1

0

1

0

1

0

2

1

0

1

0

2

0

0

3

1

10

1

0

0

0

0



# DataFrame的loc和iloc方法可以选中行进行计算判断，loc和iloc分别通过索引和整数索引进行选择
for i in range(len(frame2_)):
    if (frame2_.loc[i] !=0).sum() == 3:
        frame2_.loc[i, '校验'] = '正确'
    else:
        frame2_.loc[i, '校验'] = '错误'
frame2_
# DataFrame的loc和iloc方法可以选中行进行计算判断，loc和iloc分别通过索引和整数索引进行选择
for i in range(len(frame2_)):
    if (frame2_.loc[i] !=0).sum() == 3:
        frame2_.loc[i, '校验'] = '正确'
    else:
        frame2_.loc[i, '校验'] = '错误'
frame2_



A

B

C

D

E

F

G

校验

0

0

0

1

1

0

1

0

正确

1

1

1

0

1

0

1

0

错误

2

1

0

1

0

2

0

0

错误

3

1

10

1

0

0

0

0

错误



3. 字段分列（带分隔符）

在数据源数据中，有时根据需要，需要从某一列数据中提取信息（比如从身份证号中提取出生年月信息）或者对数据进行分割（比如类似2011-01-05的日期，提取年月日信息单独成列）。根据数据的不同分为两种情况，利用字符串的分隔提取方法解决：

  1. 需要分列的信息之间有特殊的分隔符，比如逗号、空格等，可以直接用split方法分割；
  2. 没有特殊分隔符时，采用对字符串的索引方式，如 对x = ‘spam’;可以使用x[0],x[-1],x[1:3]等进行信息提取

本例是针对英文名进行分割，中间有空格作为分隔符
excel文件比较随意，只添加了数据内容，没有列名，先手动添加列名 name

frame3 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字段分列.xls', 'Sheet1')
frame3
frame3 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字段分列.xls', 'Sheet1')
frame3



name

0

Syed Abbas

1

Molly Dempsey

2

Lola Jacobsen

3

Diane Margheim



# 首先提取需要分裂的列，用split()分列，显然，这里的分隔符为空格
frame3_ = pd.DataFrame((x.split(' ') for x in frame3.name), index = frame3.index, columns = ['A', 'B'])
frame3_
# 首先提取需要分裂的列，用split()分列，显然，这里的分隔符为空格
frame3_ = pd.DataFrame((x.split(' ') for x in frame3.name), index = frame3.index, columns = ['A', 'B'])
frame3_



A

B

0

Syed

Abbas

1

Molly

Dempsey

2

Lola

Jacobsen

3

Diane

Margheim



4. 字段分列（无特定分隔符）

frame4 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/数据抽取.xls', 'Sheet1')
frame4
frame4 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/数据抽取.xls', 'Sheet1')
frame4



姓名

姓

0

黄雅玲

NaN

1

王伟

NaN

2

谢丽秋

NaN

3

王俊元

NaN

4

孙林

NaN

5

王炫皓

NaN

6

张三丰

NaN

7

李四光

NaN

8

王麻子

NaN

9

赵六儿

NaN



# 字段本质上为字符串，固定的位置可以直接用索引直接选取
frame4['姓'] = pd.Series((x[0]) for x in frame4['姓名'])
frame4
# 字段本质上为字符串，固定的位置可以直接用索引直接选取
frame4['姓'] = pd.Series((x[0]) for x in frame4['姓名'])
frame4



姓名

姓

0

黄雅玲

黄

1

王伟

王

2

谢丽秋

谢

3

王俊元

王

4

孙林

孙

5

王炫皓

王

6

张三丰

张

7

李四光

李

8

王麻子

王

9

赵六儿

赵



5. 字段匹配

在excel中，vlookup是字段匹配搜索的神器，加上INDEX和MATCH函数几乎所向披靡。在DataFrame中，merge是合并两个DataFrame的方法，可以利用on = ‘列名’选择该列进行匹配，还可以选择选择交集、并集、左合并、右合并，功能十分强大
在本例中，员工职位表中有员工的姓名、工号、职务等信息，而在员工个人信息表中缺少职务信息，需要从员工职位表中将职务信息对应添加到员工个人信息表中。选择工号列进行匹配。

frame51 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工职位表.xlsx', 'Sheet1')
frame51
frame51 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工职位表.xlsx', 'Sheet1')
frame51



姓名

工号

部门

职务

0

黄雅玲

A776477

销售部

销售代表

1

王伟

A667708

销售部

销售代表

2

谢丽秋

A520304

销售部

销售代表

3

王俊元

A310882

销售部

销售总监

4

孙林

A466074

销售部

销售代表

5

王炫皓

A356517

销售部

销售代表

6

张三丰

A277381

市场部

市场总监

7

李四光

A254382

市场部

市场助理

8

王麻子

A213541

市场部

市场助理

9

赵六儿

A309752

市场部

市场助理



frame52 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工个人信息表（销售部）.xlsx', 'Sheet1')
frame52
frame52 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工个人信息表（销售部）.xlsx', 'Sheet1')
frame52



姓名

工号

出生年月

性别

工龄

职务

0

黄雅玲

A776477

12/8/1968

女

37

NaN

1

王俊元

A310882

2/19/1952

男

45

NaN

2

谢丽秋

A520304

8/30/1963

女

28

NaN

3

王炫皓

A356517

9/19/1958

男

33

NaN

4

孙林

A466074

3/4/1955

男

29

NaN

5

王伟

A667708

7/2/1963

男

8

NaN



# 需要从《员工职位表》中提取‘职务’信息到《员工个人信息表》中，这相当于两个DataFrame合并，连接键为‘工号’，需要的字段为职务
pd.merge(frame52, frame51[['工号', '职务']], on = '工号')
# 需要从《员工职位表》中提取‘职务’信息到《员工个人信息表》中，这相当于两个DataFrame合并，连接键为‘工号’，需要的字段为职务
pd.merge(frame52, frame51[['工号', '职务']], on = '工号')



姓名

工号

出生年月

性别

工龄

职务_x

职务_y

0

黄雅玲

A776477

12/8/1968

女

37

NaN

销售代表

1

王俊元

A310882

2/19/1952

男

45

NaN

销售总监

2

谢丽秋

A520304

8/30/1963

女

28

NaN

销售代表

3

王炫皓

A356517

9/19/1958

男

33

NaN

销售代表

4

孙林

A466074

3/4/1955

男

29

NaN

销售代表

5

王伟

A667708

7/2/1963

男

8

NaN

销售代表



6. 简单计算

本质上相当于在DataFrame添加一列，该列由前面列的数据生成，直接两列相乘即可
本例中是计算销售额（运用公式：销售额 = 销售数量 * 单价）

frame6 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/简单计算.xls', 'Sheet1')
frame6
frame6 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/简单计算.xls', 'Sheet1')
frame6



产品名称

销售数量

单价

销售额

0

产品A

200.0

78.0

NaN

1

产品B

300.0

88.0

NaN

2

产品C

100.0

85.0

NaN

3

产品D

50.0

100.0

NaN

4

产品E

87.0

68.0

NaN

5

合计

NaN

NaN

NaN



frame6['销售额'] = frame6['销售数量'] * frame6['单价']
frame6
frame6['销售额'] = frame6['销售数量'] * frame6['单价']
frame6



产品名称

销售数量

单价

销售额

0

产品A

200.0

78.0

15600.0

1

产品B

300.0

88.0

26400.0

2

产品C

100.0

85.0

8500.0

3

产品D

50.0

100.0

5000.0

4

产品E

87.0

68.0

5916.0

5

合计

NaN

NaN

NaN



# 这里销售额已经计算完毕，因为看到表格中还有合计项，顺便联系一下iloc的用法
frame6.iloc[5, 1:] = frame6.iloc[0:5, 1:].sum()
frame6
# 这里销售额已经计算完毕，因为看到表格中还有合计项，顺便联系一下iloc的用法
frame6.iloc[5, 1:] = frame6.iloc[0:5, 1:].sum()
frame6



产品名称

销售数量

单价

销售额

0

产品A

200.0

78.0

15600.0

1

产品B

300.0

88.0

26400.0

2

产品C

100.0

85.0

8500.0

3

产品D

50.0

100.0

5000.0

4

产品E

87.0

68.0

5916.0

5

合计

737.0

419.0

61416.0



7. 函数计算

计算平均值和总和直接使用mean和sum函数，因为是计算每行的值，需要设置axis=1。

frame7 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/函数计算.xls', 'Sheet1')
frame7
frame7 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/函数计算.xls', 'Sheet1')
frame7



产品名称

一季度

二季度

三季度

四季度

季度平均

总销售量

0

产品A

51.00

40.8

56.100

91.80

NaN

NaN

1

产品B

20.00

16.0

22.000

36.00

NaN

NaN

2

产品C

154.00

123.2

169.400

277.20

NaN

NaN

3

产品D

60.00

48.0

66.000

108.00

NaN

NaN

4

产品E

96.00

76.8

105.600

172.80

NaN

NaN

5

产品F

95.25

76.2

104.775

171.45

NaN

NaN



frame7['季度平均'] = frame7[['一季度', '二季度', '三季度', '四季度']].mean(axis = 1)
frame7['总销售量'] = frame7[['一季度','二季度','三季度','四季度']].sum(axis = 1)
frame7
frame7['季度平均'] = frame7[['一季度', '二季度', '三季度', '四季度']].mean(axis = 1)
frame7['总销售量'] = frame7[['一季度','二季度','三季度','四季度']].sum(axis = 1)
frame7



产品名称

一季度

二季度

三季度

四季度

季度平均

总销售量

0

产品A

51.00

40.8

56.100

91.80

59.92500

239.700

1

产品B

20.00

16.0

22.000

36.00

23.50000

94.000

2

产品C

154.00

123.2

169.400

277.20

180.95000

723.800

3

产品D

60.00

48.0

66.000

108.00

70.50000

282.000

4

产品E

96.00

76.8

105.600

172.80

112.80000

451.200

5

产品F

95.25

76.2

104.775

171.45

111.91875

447.675