网站开发常用哪几种语言,公司网页设计推广服务公司,北京网站推广排名,怎么样推广自己的网站#xff08;虽然是转载#xff0c;但是是我每块都测试过得#xff0c;容易出问题的地方我会添加一些自己的经验#xff0c;仅供参考#xff09; 像Excel一样使用python进行数据分析#xff08;2#xff09; 像Excel一样使用python进行数据分析#xff08;3#xff09;… 虽然是转载但是是我每块都测试过得容易出问题的地方我会添加一些自己的经验仅供参考 像Excel一样使用python进行数据分析2 像Excel一样使用python进行数据分析3 摘要本篇文章通过python与excel的功能对比介绍如何使用python通过函数式编程完成excel中的数据处理及分析工作。 Excel是数据分析中最常用的工具本篇文章通过python与excel的功能对比介绍如何使用python通过函数式编程完成excel中的数据处理及分析工作。在Python中pandas库用于数据处理 我们从1787页的pandas官网文档中总结出最常用的36个函数通过这些函数介绍如何通过python完成数据生成和导入数据清洗预处理以及最常见的数据分类数据筛选分类 汇总透视等最常见的操作。 文章内容共分为9个部分。这是第一篇介绍前3部分内容数据表生成数据表查看和数据清洗。 1 生成数据表 第一部分是生成数据表常见的生成方法有两种第一种是导入外部数据第二种是直接写入数据。 Excel中的文件菜单中提供了获取外部数据的功能支持数据库和文本文件和页面的多种数据源导入。 python支持从多种类型的数据导入。在开始使用python进行数据导入前需要先导入pandas库为了方便起见我们也同时导入numpy库。 import numpy as np
import pandas as pd 导入数据表 下面分别是从excel和csv格式文件导入数据并创建数据表的方法。代码是最简模式里面有很多可选参数设置例如列名称索引列数据格式等等。感兴趣的朋友可以参考pandas的 官方文档。 #这里注意read_csv的时候经常会出现编码错误此时1、需要修改文件路径中的\ 为 / 2、用notepad将文件的格式修改为utf-8dfpd.DataFrame(pd.read_csv(name.csv,header1))
dfpd.DataFrame(pd.read_excel(name.xlsx)) 创建数据表 另一种方法是通过直接写入数据来生成数据表excel中直接在单元格中输入数据就可以python中通过下面的代码来实现。生成数据表的函数是pandas库中的DateFrame函数数据表一共有6行数据每行有6个字段。在数据中我们特意设置了一些NA值和有问题的字段例如包含空格等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。 df pd.DataFrame({id:[1001,1002,1003,1004,1005,1006],date:pd.date_range(20130102, periods6),city:[Beijing , SH, guangzhou , Shenzhen, shanghai, BEIJING ],age:[23,44,54,32,34,32],category:[100-A,100-B,110-A,110-C,210-A,130-F],price:[1200,np.nan,2133,5433,np.nan,4432]},columns [id,date,city,category,age,price]) 这是刚刚创建的数据表我们没有设置索引列price字段中包含有NA值city字段中还包含了一些脏数据。 2数据表检查 第二部分是对数据表进行检查python中处理的数据量通常会比较大比如我们之前的文章中介绍的纽约出租车数据和Citibike的骑行数据数据量都在千万级我们无法一目了然的 了解数据表的整体情况必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况例如整个数据表的大小所占空间数据格式是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。 数据维度(行列) Excel中可以通过CTRL向下的光标键和CTRL向右的光标键来查看行号和列号。Python中使用shape函数来查看数据表的维度也就是行数和列数函数返回的结果(6,6)表示数据表有6行6列。下面是具体的代码。 #查看数据表的维度
df.shape
(6, 6) 数据表信息 使用info函数查看数据表的整体信息这里返回的信息比较多包括数据维度列名称数据格式和所占空间等信息。 #数据表信息
df.info()
class pandas.core.frame.DataFrame
RangeIndex: 6 entries, 0 to 5
Data columns (total 6 columns):
id 6 non-null int64
date 6 non-null datetime64[ns]
city 6 non-null object
category 6 non-null object
age 6 non-null int64
price 4 non-null float64
dtypes: datetime64[ns](1), float64(1), int64(2), object(2)
memory usage: 368.0 bytes 查看数据格式 Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。Python中使用dtypes函数来返回数据格式。 Dtypes是一个查看数据格式的函数可以一次性查看数据表中所有数据的格式也可以指定一列来单独查看。 #查看数据表各列格式
df.dtypes
id int64
date datetime64[ns]
city object
category object
age int64
price float64
dtype: object #查看单列格式
df[B].dtype
dtype(int64) 查看空值 Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。 Isnull是Python中检验空值的函数返回的结果是逻辑值包含空值返回True不包含则返回False。可以对整个数据表进行检查也可以单独对某一列进行空值检查。 #检查数据空值
df.isnull() #检查特定列空值
df[price].isnull()
0 False
1 True
2 False
3 False
4 True
5 False
Name: price, dtype: bool 查看唯一值 Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色标记。Python中使用unique函数查看唯一值。 Unique是查看唯一值的函数只能对数据表中的特定列进行检查。下面是代码返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。 #查看city列中的唯一值
df[city].unique()
array([Beijing , SH, guangzhou , Shenzhen, shanghai, BEIJING ], dtypeobject) 查看数据表数值 Python中的Values函数用来查看数据表中的数值。以数组的形式返回不包含表头信息。 #查看数据表的值
df.values
array([[1001, Timestamp(2013-01-02 00:00:00), Beijing , 100-A, 23,1200.0],[1002, Timestamp(2013-01-03 00:00:00), SH, 100-B, 44, nan],[1003, Timestamp(2013-01-04 00:00:00), guangzhou , 110-A, 54,2133.0],[1004, Timestamp(2013-01-05 00:00:00), Shenzhen, 110-C, 32,5433.0],[1005, Timestamp(2013-01-06 00:00:00), shanghai, 210-A, 34,nan],[1006, Timestamp(2013-01-07 00:00:00), BEIJING , 130-F, 32,4432.0]], dtypeobject) 查看列名称 Colums函数用来单独查看数据表中的列名称。 #查看列名称
df.columns
Index([id, date, city, category, age, price], dtypeobject) 查看前10行数据 Head函数用来查看数据表中的前N行数据默认head()显示前10行数据可以自己设置参数值来确定查看的行数。下面的代码中设置查看前3行的数据。 #查看前3行数据
df.head(3) 查看后10行数据 Tail行数与head函数相反用来查看数据表中后N行的数据默认tail()显示后10行数据可以自己设置参数值来确定查看的行数。下面的代码中设置查看后3行的数据。 #查看最后3行
df.tail(3) 3数据表清洗 第三部分是对数据表中的问题进行清洗。主要内容包括对空值大小写问题数据格式和重复值的处理。这里不包含对数据间的逻辑验证。 处理空值(删除或填充) 我们在创建数据表的时候在price字段中故意设置了几个NA值。对于空值的处理方式有很多种可以直接删除包含空值的数据也可以对空值进行填充比如用0填充或者用均值填充。还可以根据不同字段的逻辑对空值进行推算。 Excel中可以通过“查找和替换”功能对空值进行处理将空值统一替换为0或均值。也可以通过“定位”空值来实现。 Python中处理空值的方法比较灵活可以使用 Dropna函数用来删除数据表中包含空值的数据也可以使用fillna函数对空值进行填充。下面的代码和结果中可以看到使用dropna函数后包含NA值的两个字段已经不见了。返回的是一个不包含空值的数据表。 #删除数据表中含有空值的行
df.dropna(howany) 除此之外也可以使用数字对空值进行填充下面的代码使用fillna函数对空值字段填充数字0。 #使用数字0填充数据表中空值
df.fillna(value0) 我们选择填充的方式来处理空值使用price列的均值来填充NA字段同样使用fillna函数在要填充的数值中使用mean函数先计算price列当前的均值然后使用这个均值对NA进行填 充。可以看到两个空值字段显示为3299.5 #使用price均值对NA进行填充
df[price].fillna(df[price].mean())
0 1200.0
1 3299.5
2 2133.0
3 5433.0
4 3299.5
5 4432.0
Name: price, dtype: float64 清理空格 除了空值字符中的空格也是数据清洗中一个常见的问题下面是清除字符中空格的代码。 #清除city字段中的字符空格
df[city]df[city].map(str.strip) 大小写转换 在英文字段中字母的大小写不统一也是一个常见的问题。Excel中有UPPERLOWER等函数python中也有同名函数用来解决大小写的问题。在数据表的city列中就存在这样的问题。我们将city列的所有字母转换为小写。下面是具体的代码和结果。 #city列大小写转换
df[city]df[city].str.lower() 更改数据格式 Excel中通过“设置单元格格式”功能可以修改数据格式。Python中通过astype函数用来修改数据格式。 Python中dtype是查看数据格式的函数与之对应的是astype函数用来更改数据格式。下面的代码中将price字段的值修改为int格式。 #更改数据格式
df[price].astype(int)
0 1200
1 3299
2 2133
3 5433
4 3299
5 4432
Name: price, dtype: int32 更改列名称 Rename是更改列名称的函数我们将来数据表中的category列更改为category-size。下面是具体的代码和更改后的结果。 #更改列名称
df.rename(columns{category: category-size}) 删除重复值 很多数据表中还包含重复值的问题Excel的数据目录下有“删除重复项”的功能可以用来删除数据表中的重复值。默认Excel会保留最先出现的数据删除后面重复出现的数据。 Python中使用drop_duplicates函数删除重复值。我们以数据表中的city列为例city字段中存在重复值。默认情况下drop_duplicates()将删除后出现的重复值(与excel逻辑一致)。增加keep’last’参数后将删除最先出现的重复值保留最后的值。下面是具体的代码和比较结果。 原始的city列中beijing存在重复分别在第一位和最后一位。 df[city]
0 beijing
1 sh
2 guangzhou
3 shenzhen
4 shanghai
5 beijing
Name: city, dtype: object 使用默认的drop_duplicates()函数删除重复值从结果中可以看到第一位的beijing被保留最后出现的beijing被删除。 #删除后出现的重复值
df[city].drop_duplicates()
0 beijing
1 sh
2 guangzhou
3 shenzhen
4 shanghai
Name: city, dtype: object 设置keep’last‘’参数后与之前删除重复值的结果相反第一位出现的beijing被删除保留了最后一位出现的beijing。 #删除先出现的重复值
df[city].drop_duplicates(keeplast)
1 sh
2 guangzhou
3 shenzhen
4 shanghai
5 beijing
Name: city, dtype: object 数值修改及替换 数据清洗中最后一个问题是数值修改或替换Excel中使用“查找和替换”功能就可以实现数值的替换。 Python中使用replace函数实现数据替换。数据表中city字段上海存在两种写法分别为shanghai和SH。我们使用replace函数对SH进行替换。 #数据替换
df[city].replace(sh, shanghai)
0 beijing
1 shanghai
2 guangzhou
3 shenzhen
4 shanghai
5 beijing
Name: city, dtype: object 在第二篇文章中我们将继续介绍4-6部分的内容分别为数据预处理数据提取和数据筛选三部分的问题。感兴趣的朋友请继续关注。 转载于:https://www.cnblogs.com/xitingxie/p/8336137.html
