人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

describe

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

1#標準差

2df_inner['price'].std()

31523.3516556155596

協方差

Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

describe

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

1#標準差

2df_inner['price'].std()

31523.3516556155596

協方差

Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。

協方差

Cov 函數用來計算兩個字段間的協方差，可以只對特定字段進行計算，也可以對整個數據表中各個列之間進行計算。

1#兩個字段間的協方差

2df_inner['price'].cov(df_inner['m-point'])

317263.200000000001

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

describe

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

1#標準差

2df_inner['price'].std()

31523.3516556155596

協方差

Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。

協方差

Cov 函數用來計算兩個字段間的協方差，可以只對特定字段進行計算，也可以對整個數據表中各個列之間進行計算。

1#兩個字段間的協方差

2df_inner['price'].cov(df_inner['m-point'])

317263.200000000001

cov

相關分析

Excel 的數據分析功能中提供了相關係數的計算功能，python 中則通過 corr 函數完成相關分析的操作，並返回相關係數。

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

describe

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

1#標準差

2df_inner['price'].std()

31523.3516556155596

協方差

Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。

協方差

Cov 函數用來計算兩個字段間的協方差，可以只對特定字段進行計算，也可以對整個數據表中各個列之間進行計算。

1#兩個字段間的協方差

2df_inner['price'].cov(df_inner['m-point'])

317263.200000000001

cov

相關分析

Excel 的數據分析功能中提供了相關係數的計算功能，python 中則通過 corr 函數完成相關分析的操作，並返回相關係數。

相關係數

Corr 函數用來計算數據間的相關係數，可以單獨對特定數據進行計算，也可以對整個數據表中各個列進行計算。相關係數在-1 到 1 之間，接近 1 為正相關，接近-1 為負相關，0 為不相關。

1#相關性分析

2df_inner['price'].corr(df_inner['m-point'])

30.77466555617085264

4

5#數據表相關性分析

6df_inner.corr()

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

describe

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

1#標準差

2df_inner['price'].std()

31523.3516556155596

協方差

Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。

協方差

Cov 函數用來計算兩個字段間的協方差，可以只對特定字段進行計算，也可以對整個數據表中各個列之間進行計算。

1#兩個字段間的協方差

2df_inner['price'].cov(df_inner['m-point'])

317263.200000000001

cov

相關分析

Excel 的數據分析功能中提供了相關係數的計算功能，python 中則通過 corr 函數完成相關分析的操作，並返回相關係數。

相關係數

Corr 函數用來計算數據間的相關係數，可以單獨對特定數據進行計算，也可以對整個數據表中各個列進行計算。相關係數在-1 到 1 之間，接近 1 為正相關，接近-1 為負相關，0 為不相關。

1#相關性分析

2df_inner['price'].corr(df_inner['m-point'])

30.77466555617085264

4

5#數據表相關性分析

6df_inner.corr()

corr

09 數據輸出

第九部分是數據輸出，處理和分析完的數據可以輸出為 xlsx 格式和 csv 格式。

寫入 excel

1#輸出到 excel 格式

2df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')

"

人工智能與大數據技術 今天

作者 | 藍鯨網站分析

常遇到兩類朋友。一類是會爬蟲但不知道如何進一步做數據分析的，一類是平常用 Excel 做分析但不太會用 Python 分析的。如果和你很像，那下面這篇系統長文會很適合你，建議先收藏。

Excel 是數據分析中最常用的工具，本文通過 Python 與 excel 的功能對比介紹如何使用 Python 通過函數式編程完成 excel 中的數據處理及分析工作。從 1787 頁的 pandas 官網文檔中總結出最常用的 36 個函數，通過這些函數介紹如何通過 Python 完成數據生成和導入、數據清洗、預處理、數據分類、數據篩選、分類 彙總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

目錄

01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np

2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據並創建數據表的方法。代碼是最簡模式，裡面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

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

2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。後面將在數據清洗步驟進行處理。後面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = 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'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些髒數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目瞭然的 瞭解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是瞭解數據的概況，例如整個數據表的大小，所佔空間，數據格式，是否有空值和重複項和具體的數據內容。為後面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度

2df.shape

3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這裡返回的信息比較多，包括數據維度，列名稱，數據格式和所佔空間等信息。

1#數據表信息

2df.info()

3

4<class 'pandas.core.frame.DataFrame'>

5RangeIndex: 6 entries, 0 to 5

6Data columns (total 6 columns):

7id 6 non-null int64

8date 6 non-null datetime64[ns]

9city 6 non-null object

10category 6 non-null object

11age 6 non-null int64

12price 4 non-null float64

13dtypes: datetime64[ns](1), float64(1), int64(2), object(2)

14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格並查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式

2df.dtypes

3

4id int64

5date datetime64[ns]

6city object

7category object

8age int64

9price float64

10dtype: object

11

12#查看單列格式

13df['B'].dtype

14

15dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位。“定位條件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False。可以對整個數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值

2df.isnull()

df_isnull

1#檢查特定列空值

2df['price'].isnull()

3

40 False

51 True

62 False

73 False

84 True

95 False

10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重複項後的結果。

1#查看 city 列中的唯一值

2df['city'].unique()

3

4array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值

2df.values

3

4array([[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)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱

2df.columns

3

4Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看後 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中後 N 行的數據，默認 tail()顯示後 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看後 3 行的數據。

1`#查看最後 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重複值的處理。這裡不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對於空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數後，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行

2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值

2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然後使用這個均值對 NA 進行填

充。可以看到兩個空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充

2df['price'].fillna(df['price'].mean())

3

40 1200.0

51 3299.5

62 2133.0

73 5433.0

84 3299.5

95 4432.0

10Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格

2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換

2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式

2df['price'].astype('int')

3

40 1200

51 3299

62 2133

73 5433

84 3299

95 4432

10Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改後的結果。

1#更改列名稱

2df.rename(columns={'category': 'category-size'})

df_rename

刪除重複值

很多數據表中還包含重複值的問題，Excel 的數據目錄下有“刪除重複項”的功能，可以用來刪除數據表中的重複值。默認 Excel 會保留最先出現的數據，刪除後面重複出現的數據。

刪除重複項

Python 中使用 drop_duplicates 函數刪除重複值。我們以數據表中的 city 列為例，city 字段中存在重複值。默認情況下 drop_duplicates()將刪除後出現的重複值(與 excel 邏輯一致)。增加 keep=’last’參數後將刪除最先出現的重複值，保留最後的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重複，分別在第一位和最後一位。

1df['city']

20 beijing

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重複值，從結果中可以看到第一位的 beijing 被保留，最後出現的 beijing 被刪除。

1#刪除後出現的重複值

2df['city'].drop_duplicates()

30 beijing

41 sh

52 guangzhou

63 shenzhen

74 shanghai

8Name: city, dtype: object

設置 keep=’last‘’參數後，與之前刪除重複值的結果相反，第一位出現的 beijing 被刪除，保留了最後一位出現的 beijing。

1#刪除先出現的重複值

2df['city'].drop_duplicates(keep='last')

31 sh

42 guangzhou

53 shenzhen

64 shanghai

75 beijing

8Name: city, dtype: objec

數值修改及替換

數據清洗中最後一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換

2df['city'].replace('sh', 'shanghai')

30 beijing

41 shanghai

52 guangzhou

63 shenzhen

74 shanghai

85 beijing

9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

4-6 目錄

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便後期的統計和分析工作。主要包括數據表的合併，排序，數值分列，數據分

組及標記等工作。

數據表合併

首先是對不同的數據表進行合併，我們這裡創建一個新的數據表 df1，並將 df 和 df1 兩個數據表進行合併。在 Excel 中沒有直接完成數據表合併的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用於和 df 數據表進行合併。

1#創建 df1 數據表

2df1=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]})

df1

使用 merge 函數對兩個數據表進行合併，合併的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。並命名為 df_inner。

1#數據表匹配合並，inner 模式

2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合併的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式

2df_left=pd.merge(df,df1,how='left')

3df_right=pd.merge(df,df1,how='right')

4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合併後，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，彙總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列

2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序

2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序

2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，並使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low

2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷後對數據進行分組，下面的代碼中對 city 列等於 beijing 並且 price 列大於等於 4000 的數據標記為 1。

1#對複合多個條件的數據進行分組標記

2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，後面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，並將拆分後的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，並創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size

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

split

1#將完成分列後的數據表與原 df_inner 數據表進行匹配

2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標籤值進行提取，iloc 按位置進行提取，ix 可以同時按標籤和位置進行提取。下面介紹每一種函數的使用方法。

按標籤提取(loc)

Loc 函數按數據表的索引標籤進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值

2df_inner.loc[3]

3id 1004

4date 2013-01-05 00:00:00

5city shenzhen

6category 110-C

7age 32

8price 5433

9gender female

10m-point 40

11pay Y

12group high

13sign NaN

14category_1 110

15size C

16Name: 3, dtype: object

使用冒號可以限定提取數據的範圍，冒號前面為開始的標籤值，後面為結束的標籤值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值

2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用於恢復索引，這裡我們重新將 date 字段的日期設置為數據表的索引，並按日期進行數據提取。

1#重設索引

2df_inner.reset_index()

reset_index

1#設置日期為索引

2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的範圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據

2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這裡冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據

2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，後面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據

2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標籤和位置提取（ix）

ix 是 loc 和 iloc 的混合，既能按索引標籤提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標籤和位置混合提取數據

2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取（區域和條件值）

除了按標籤和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing

2df_inner['city'].isin(['beijing'])

3

4date

52013-01-02 True

62013-01-05 False

72013-01-07 True

82013-01-06 False

92013-01-03 False

102013-01-04 False

11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這裡我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列裡是否包含 beijing 和 shanghai，然後將複合條件的數據提取出來。

2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合併的數值中提取出制定的數值。

1category=df_inner['category']

20 100-A

33 110-C

45 130-F

54 210-A

61 100-B

72 110-A

8Name: category, dtype: object

9

10#提取前三個字符，並生成數據表

11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大於，小於和等於對數據進行篩選，並進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選（與，或，非）

Excel 數據目錄下提供了“篩選”功能，用於對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大於 25 歲，並且城市為 beijing。篩選後只有一條數據符合要求。

1#使用“與”條件進行篩選

2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大於 25 歲或城市為 beijing。篩選後有 6 條數據符合要求。

1#使用“或”條件篩選

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort

3(['age'])

或

在前面的代碼後增加 price 字段以及 sum 函數，按篩選後的結果將 price 字段值進行求和，相當於 excel 中 sumifs 的功能。

1#對篩選後的數據按 price 字段進行求和

2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),

3['id','city','age','category','gender','price']].sort(['age']).price.sum()

4

519796

使用“非”條件進行篩選，城市不等於 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼後面增加 city 列，並使用 count 函數進行計數。相當於 excel 中的 countifs 函數的功能。

1#對篩選後的數據按 city 列進行計數

2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()

34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選

2df_inner.query('city == ["beijing", "shanghai"]')

query

在前面的代碼後增加 price 字段和 sum 函數。對篩選後的 price 字段進行求和，相當於 excel 中的 sumifs 函數的功能。

1#對篩選後的結果按 price 進行求和

2df_inner.query('city == ["beijing", "shanghai"]').price.sum()

312230

這是第三篇，介紹第 7-9 部分的內容，數據彙總，數據統計，和數據輸出。

7-9 目錄

07 數據彙總

第七部分是對數據進行分類彙總，Excel 中使用分類彙總和數據透視可以按特定維度對數據進行彙總，python 中使用的主要函數是 groupby 和 pivot_table。下面分別介紹這兩個函數的使用方法。

分類彙總

Excel 的數據目錄下提供了“分類彙總”功能，可以按指定的字段和彙總方式對數據表進行彙總。Python 中通過 Groupby 函數完成相應的操作，並可以支持多級分類彙總。

分類彙總 1

Groupby 是進行分類彙總的函數，使用方法很簡單，制定要分組的列名稱就可以，也可以同時制定多個列名稱，groupby 按列名稱出現的順序進行分組。同時要制定分組後的彙總方式，常見的是計數和求和兩種。

1#對所有列進行計數彙總

2df_inner.groupby('city').count()

groupby

可以在 groupby 中設置列名稱來對特定的列進行彙總。下面的代碼中按城市對 id 字段進行彙總計數。

1#對特定的 ID 列進行計數彙總

2df_inner.groupby('city')['id'].count()

3city

4beijing 2

5guangzhou 1

6shanghai 2

7shenzhen 1

8Name: id, dtype: int64

在前面的基礎上增加第二個列名稱，分佈對 city 和 size 兩個字段進行計數彙總。

1#對兩個字段進行彙總計數

2df_inner.groupby(['city','size'])['id'].count()

3city size

4beijing A 1

5F 1

6guangzhou A 1

7shanghai A 1

8B 1

9shenzhen C 1

10Name: id, dtype: int64

除了計數和求和外，還可以對彙總後的數據同時按多個維度進行計算，下面的代碼中按城市對 price 字段進行彙總，並分別計算 price 的數量，總金額和平均金額。

1#對 city 字段進行彙總並計算 price 的合計和均值。

2df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

groupby1

數據透視

Excel 中的插入目錄下提供“數據透視表”功能對數據表按特定維度進行彙總。Python 中也提供了數據透視表功能。通過 pivot_table 函數實現同樣的效果。

數據透視

數據透視表也是常用的一種數據分類彙總方式，並且功能上比 groupby 要強大一些。下面的代碼中設定 city 為行字段，size 為列字段，price 為值字段。分別計算 price 的數量和金額並且按行與列進行彙總。

1#數據透視表

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

pivot_table

08 數據統計

第九部分為數據統計，這裡主要介紹數據採樣，標準差，協方差和相關係數的使用方法。

數據採樣

Excel 的數據分析功能中提供了數據抽樣的功能，如下圖所示。Python 通過 sample 函數完成數據採樣。

數據抽樣

Sample 是進行數據採樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

1#簡單的數據採樣

2df_inner.sample(n=3)

簡單隨機採樣

Weights 參數是採樣的權重，通過設置不同的權重可以更改採樣的結果，權重高的數據將更有希望被選中。這裡手動設置 6 條數據的權重值。將前面 4 個設置為 0，後面兩個分別設置為 0.5。

1#手動設置採樣權重

2weights = [0, 0, 0, 0, 0.5, 0.5]

3df_inner.sample(n=2, weights=weights)

手動設置採樣權重 1

從採樣結果中可以看出，後兩條權重高的數據被選中。

手動設置採樣權重 2

Sample 函數中還有一個參數 replace，用來設置採樣後是否放回。

1#採樣後不放回

2df_inner.sample(n=6, replace=False)

採樣後不放回

1#採樣後放回

2df_inner.sample(n=6, replace=True)

採樣後放回

描述統計

Excel 中的數據分析中提供了描述統計的功能。Python 中可以通過 Describe 對數據進行描述統計。

描述統計

Describe 函數是進行描述統計的函數，自動生成數據的數量，均值，標準差等數據。下面的代碼中對數據表進行描述統計，並使用 round 函數設置結果顯示的小數位。並對結果數據進行轉置。

1#數據表描述性統計

2df_inner.describe().round(2).T

describe

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

1#標準差

2df_inner['price'].std()

31523.3516556155596

協方差

Excel 中的數據分析功能中提供協方差的計算，python 中通過 cov 函數計算兩個字段或數據表中各字段間的協方差。

協方差

Cov 函數用來計算兩個字段間的協方差，可以只對特定字段進行計算，也可以對整個數據表中各個列之間進行計算。

1#兩個字段間的協方差

2df_inner['price'].cov(df_inner['m-point'])

317263.200000000001

cov

相關分析

Excel 的數據分析功能中提供了相關係數的計算功能，python 中則通過 corr 函數完成相關分析的操作，並返回相關係數。

相關係數

Corr 函數用來計算數據間的相關係數，可以單獨對特定數據進行計算，也可以對整個數據表中各個列進行計算。相關係數在-1 到 1 之間，接近 1 為正相關，接近-1 為負相關，0 為不相關。

1#相關性分析

2df_inner['price'].corr(df_inner['m-point'])

30.77466555617085264

4

5#數據表相關性分析

6df_inner.corr()

corr

09 數據輸出

第九部分是數據輸出，處理和分析完的數據可以輸出為 xlsx 格式和 csv 格式。

寫入 excel

1#輸出到 excel 格式

2df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')

excel

寫入 csv

1#輸出到 CSV 格式

2df_inner.to_csv('excel_to_python.csv')

在數據處理的過程中，大部分基礎工作是重複和機械的，對於這部分基礎工作，我們可以使用自定義函數進行自動化。以下簡單介紹對數據表信息獲取自動化處理。

1#創建數據表

2df = 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]},

8columns =['id','date','city','category','age','price'])

9

10#創建自定義函數

11def table_info(x):

12 shape=x.shape

13 types=x.dtypes

14 colums=x.columns

15 print("數據維度(行，列):

",shape)

16 print("數據格式:

",types)

17 print("列名稱:

",colums)

18

19#調用自定義函數獲取 df 數據表信息並輸出結果

20table_info(df)

21

22數據維度(行，列):

23(6, 6)

24數據格式:

25id int64

26date datetime64[ns]

27city object

28category object

29age int64

30price float64

31dtype: object

32列名稱:

33Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

以上就是用 Python 做數據分析的基本內容。

"

相關推薦

'別把幼兒園老師當保姆，“嘴笨”的家長學會這幾點也能良好溝通'

"第一次上幼兒園不僅考驗孩子，對家長們來說也是一個新體驗。很多父母都想知道寶寶在學校的情況，所以跟老師溝通，就成了至關重要的一步。表妹就在一家幼兒園裡當老師，什麼樣的家長她都見過，雖然她很能理解父母擔心孩子的心情，但有些爸爸媽媽的問題讓她很無語。特別是每次學校迎來新生時，很...

幼兒園 不完美媽媽 服裝 人生第一份工作 2019-09-18

'記住這六個字，你也能十倍速增長'

"作者：陳國環，原阿里鐵軍和渠道事業部總經理、原趕集網COO、原瓜子網COO。編輯整理：吳蓓宏，《商業評論》首席編輯。商評編者按戰略就是“選擇、聚焦、擊穿”。這六個字深深地刻在新商業學院“總裁進化三板斧”二期學員的腦海裡。而這六個字出自前阿里中供骨幹、趕集網和瓜子網十倍增長...

趕集網 二手車 阿里巴巴集團 招聘 人生第一份工作 馬雲 市場營銷 創業 投資 獵聘網 淘寶網 中華英才網 華為公司 租房 瓜子 2019-09-18

'無論能力有多差，只要學會這四種工作技巧，你也能漸漸變得優秀'

"現在的職場生存中越來越殘酷。只有你足夠的優秀才能他在短激烈的競爭環境中更好的成長。每一個人時時刻刻都在謹記著從一些優秀的人才身上得到更好的營養，發揮了自己更好的成長機遇。可是這不是一件簡單的事，每一個人都想成優秀的人身上得到更好發展，那些優秀的人又怎麼會把自己的真實本領展...

人生第一份工作 2019-09-17

'他是姚晨、林志穎的造型師，“化妝界的魔術手”，他說：走出這3個誤區，零基礎也能和明星一樣美'

"英國的一項統計研究表明：87%會化妝的女性，平均收入往往高於不化妝的女性，而且顯得更聰明。化妝技術好的女生可以有各種各樣的美法：韓式清透妝、日式甜美妝、歐美妝一化slay全場......別管網紅卸了妝是怎麼樣，上了妝別人就是可以站在鏡頭下和明星媲美的大美人。而化妝技術不好...

化妝 姚晨 林志穎 柳巖 化妝品 最in買手君 鍾麗緹 魔術 VOGUE 美妝愛用 時尚 眼影 顏丹晨 服裝 何炅 設計師 時尚芭莎 呂燕 英國 人生第一份工作 男人裝 頭條女神 有型有料實力派 口紅 曾恩琦 東京 咖啡 2019-09-17

'接手轉讓店鋪，有這個流程，開店小白也不怕'

"一位老闆這幾天特別鬱悶，因為他的1萬塊錢可能要不回來了。事情是這樣的，他看上了一個鋪子，租金和轉讓費都在自己的預算內，很滿意，很激動，就付了一萬塊的定金。第二天興高采烈去籤合同的時候才發現這個鋪子是學校的鋪子，上一個商家也是從二房東手上租過來的。合同是明年4月份到期，合同...

租房 跳槽那些事兒 文章 2019-09-16

'做到這2點，你也能打造高效能團隊'

"什麼是賦能？什麼是DISC？如何認識和了解員工？以下，盡情享用~基於DISC共識的高效能團隊協作，這是今天我跟大家分享的話題。一、賦能與激勵員工1.什麼是賦能？如何賦能？我們的分會場的主題是賦能，峰會的總主題是“賦能創新，助力大灣”，都談到人力資源管理中一個重要的話題“賦...

跳槽那些事兒 人生第一份工作 KPI 英特爾 市場營銷 2019-09-15

'“跟風操作”也能奏效？這7只股值得押注？'

"正如對衝基金跟蹤網站Whale Wisdom向我們展示的那樣，在過去幾年裡，跟蹤市場上的牛人操作一直是一件非常有利可圖的事情。Whale Wisdom編制了它所稱的WhaleIndex，這是由領先對衝基金經理持有的100只信心最高的股票組成的投資組合，如13-F季度備案文...

蘋果公司 對衝基金 微軟 Facebook 證券投資基金 亞馬遜 硬件 投資 雲計算 Apple TV 國家公債 人生第一份工作 藍籌股 金融 歷史 軟件 Apple Music 標準普爾 技術 2019-09-15

'為什麼電影裡黑客只用鍵盤不用鼠標？學會這一步，你也能扔掉鼠標'

"互聯網的發展，人們生活的各個場景都在發生著變化，衣食住行只要有網絡，足不出戶全搞定。便利的生活離不開這些背後的互聯網從業人員，任何一個需求都是一個個代碼敲出來的，在沉寂了幾年之後，程序員終於開始被大眾熟知，薪資高、加班多、頭髮少是外行人對程序員最表面的瞭解。程序員火了之後...

鼠標 程序員 電腦 Emacs 黑客 人生第一份工作 騰訊QQ 軟件 Linux 藝術 OS X UNIX 2019-09-14

'掌握這5個搭配技巧，搭配小白也能快速找準風格學會搭配'

"對於學習搭配這件事，很多文章都治標不治本，想要實施卻無從下手，這也是一直以來姑娘們的心頭大病，從來沒有消失過，這不又有新粉絲問我這個問題，所以今天再次寫寫搭配這件事。認識自己我知道，有一部分是很矛盾的，自己喜歡的和合適自己的究竟選哪一個，答案當然是合適自己的。如果只是自己...

服裝 美髮 時尚 項鍊 戲劇 文章 良心國貨大賞 2019-09-13

'寫10萬+爆文一點也不難！學會這5點，你也能寫出來'

"今天大掌櫃為大家分享寫爆文的幾種方法。在自媒體平臺創作，比如今日頭條、百家號、微信公眾號等，他們的方法是不一樣的，如果你是一個大V，擁有幾百萬的粉絲，那麼寫一篇文章，達到爆文的程度是很容易的。但是，如果你是一個小白，沒有任何這方面的經驗，如何寫出爆文呢？這時，也許你應該考...

文章 讀書 自媒體 今日頭條 2019-09-13

'這菜遇到多少買點，孩子常吃補鈣護血管，秋季也能長高個'

"這幾天，剛剛開學上課的兒子似乎比之前成熟了很多，最直接的反應就是回家以後會坐在自己屋子裡認真寫作業，不像之前會先玩一會手機，才投入到學習之中。另外在吃飯方面，也不是特別挑食，我做什麼他就吃什麼，而且吃的特別好，特別乾淨，與之前挑肥揀瘦的吃法也截然不同。看著孩子這些變化，我...

豆腐 木耳 不完美媽媽 蠔油 關愛吃貨成長協會 蒜茸 烹飪技巧 豆芽 文章 調味品 辣椒 豆乾 海帶 黑木耳 2019-09-12

'Python爬蟲入門並不難，進階也很簡單！只需要這13個階段就夠了'

"互聯網的數據爆炸式的增長，而利用 Python 爬蟲我們可以獲取大量有價值的數據：（分享一套完整的爬蟲學習教程，免費獲取方式在文末哦）1.爬取數據，進行市場調研和商業分析爬取知乎優質答案，篩選各話題下最優質的內容； 抓取房產網站買賣信息，分析房價變化趨勢、做不同區域的房價...

Python 網絡爬蟲 Scrapy 數據庫 瀏覽器 知乎 新聞 豆瓣網 CSS HTML 人生第一份工作 推薦技術 騰訊 機器學習 2019-09-10

'寫文章太難了？讀懂這三點，你也能寫出一篇好文章'

"在今天，寫作已經不僅僅是某些人的特權了，人人都可以寫——你發在朋友圈和社交軟件上的文字，也是寫作。但與此同時，很多人都發出了一個感嘆：寫作實在太難了。要我說，其實寫作很簡單。但是要想寫出一篇好文章，那還是需要借鑑一下前人的經驗的。比如，我們可以借鑑布蘭登•羅伊爾的寫作經驗...

文章 英語 平凡的世界 小說 2019-09-10

'ST康美也能暴賺四倍？這家券商怎麼操作的'

"今年4月份，康美藥業發佈2018年年報的同時，發佈了一份會計差錯更正說明，稱2018年以前營業收入、營業成本、費用及款項收付方面存在賬實不符的情況，其中貨幣資金多計299.44億元，營業收入多計88.98億元，營業成本多計76.62億元。公告一出，市場一片譁然！貨幣資金忽...

投資 康美藥業 中國證監會 茅臺 徐翔 4月吃什麼 人生第一份工作 軟件 2019-09-09

'上海初中彙總丨聽說這所學校年級後60也能進四校'

"上海民辦張江集團學校由浦東新區社發局和張江（集團）有限公司共同投資，又由擁有140多年曆史的上海中學（上海市首批領銜的實驗性示範性高中）承辦。作為上海中學在浦東新區開設的初中教學基地，由上海中學輸出管理人員進行優質的管理，同時由上海中學及其初中教學基地輸出骨幹教師進行優質...

上海 中考 人生第一份工作 英語 音樂 語文 數學 良心國貨大賞 心理健康 2019-09-08

'萬能的C語言，也能像其他語言那樣定義帶“默認參數”的函數嗎？'

"使用C++開發過程序時，定義函數可以指定默認參數，例如 void fun(int x, int y=3); 在調用 fun() 時第二個參數可以不傳遞，此時 fun() 函數默認第二個參數等於 3，例如 f(1) 就相當於 f(1,3)。這是一個很好用的特性，那麼在C語言...

C語言 編程語言 Linux 文章 2019-09-06

'領導要辭退下屬時，通常都會用這三個招數，早知道才能更好預防'

"在工作中和領導處理好關係，對我們會有很大的幫助，平時有點遲到早退的小事情，一般不會扣錢。遇到了升職加薪這樣的好事，領導還會優先的想到你。不過能不能和領導處理好關係，這要看個人的情商。有些年輕人對於人際交往並不擅長，莫名其妙就得罪了領導。有些領導格局比較狹隘，一點小事都要耿...

人生第一份工作 跳槽那些事兒 2019-09-05

'豬油能解毒治病，還能抗癌？這你也信，被豬油蒙了心吧'

"豬油拌麵，豬油拌飯,豬油炒春菜等等美味，想想就讓人不顧形象，直舔舌頭，今晚就來個豬油拌飯來慰藉下小編的饞胃。雖然豬油炒菜很香很美味，但是過分誇大豬油作用也有些離譜。網絡上流傳著介紹各種豬油的神奇功能的文章《不要嫌棄豬油了，豬油這樣吃不僅養生還能抗癌，你知道嗎》、《豬油這樣...

文章 癌症 藥品 養生 孫思邈 拌麵 心血管 食療 騰訊 黃疸 2019-09-04

'低成本也能模仿BLACKPINK？超越3sunshine，這四個女孩什麼來頭？'

"BLACKPINK 這個單詞我已經在文章裡說過太多次，今天，我要再說一次...不過，此 BLACKPINK 非彼 BLACKPINK，而是來自另一個國家的——“低成本版 BLACKPINK”。等等，BP 的粉絲先別急著走！看完我的介紹，你可能會粉上兩個 BLACKPINK...

音樂 韓國 YouTube 舞蹈 文章 春節泰好玩 whistle 2019-09-03

'腿粗女孩的藏肉大法，穿對這3款長褲，梨形身材也能擁有大長腿'

"婉婉所在的城市，氣溫已經下降到22攝氏度了，一場秋雨一場涼，未來大多城市的氣溫也越來越低啦。相信不止婉婉一個人，期待著全身被衣服包裹住的安全感，將身材不完美的地方遮住。梨形身材胯寬、腿粗、屁股大，挑選褲子真難，羨慕別的小仙女擁有漫畫腿。雖然沒辦法再擁有漫畫腿，但是打造大長...

設計 風衣 高跟鞋 瘦腿 時尚 服裝 萬能白T恤 良心國貨大賞 帆布鞋 文章 推拿 2019-09-03

推薦中...