一文看懂怎么用Python做數據分析

作者：程序員ACE 2019-06-26 11:10:47

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、分類匯總、透視等最常見的操作。

文章內容共分為 9 個部分目錄如下：

01 生成數據表

***部分是生成數據表，常見的生成方法有兩種，***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。

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。

import numpy as np 
import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據并創建數據表的方法。代碼是最簡模式，里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。

df=pd.DataFrame(pd.read_csv('name.csv',header=1)) 
df=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。后面將在數據清洗步驟進行處理。后面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
                   "date":pd.date_range('20130102', periods=6), 
                   "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'])

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臟數據。

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***，我們無法一目了然的了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了解數據的概況，例如整個數據表的大小，所占空間，數據格式，是否有空值和重復項和具體的數據內容。為后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。

#查看數據表的維度 
df.shape 
(6, 6)

數據表信息

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

#數據表信息 
df.info() 
  
&lt;class 'pandas.core.frame.DataFrame'&gt; 
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

查看數據格式

Excel 中通過選中單元格并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。

#查看數據表各列格式 
df.dtypes 
  
id                   int64 
date        datetime64[ns] 
city                object 
category            object 
age                  int64 
price              float64 
dtype: object 
#查看單列格式 
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。

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。

#檢查數據空值 
df.isnull()

#檢查特定列空值 
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“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。

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 中刪除重復項后的結果。

#查看city列中的唯一值 
df['city'].unique() 
  
array(['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。

#查看數據表的值 
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]], dtype=object)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

#查看列名稱 
df.columns 
  
Index(['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。

#查看前3行數據 
df.head(3)

查看后 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中后 N 行的數據，默認 tail()顯示后 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后 3 行的數據。

#查看***3行 
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，數據格式和重復值的處理。這里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。對于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。

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 函數后，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。

#刪除數據表中含有空值的行 
df.dropna(how='any')

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。

#使用數字0填充數據表中空值 
df.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，然后使用這個均值對 NA 進行填充。可以看到兩個空值字段顯示為 3299.5。

#使用price均值對NA進行填充 
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。

#清除city字段中的字符空格 
df['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。

#city列大小寫轉換   
df['city']=df['city'].str.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。

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。

#更改數據格式 
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后的結果。

#更改列名稱 
df.rename(columns={'category': 'category-size'})

刪除重復值

很多數據表中還包含重復值的問題，Excel 的數據目錄下有“刪除重復項”的功能，可以用來刪除數據表中的重復值。默認 Excel 會保留***出現的數據，刪除后面重復出現的數據。

Python 中使用 drop_duplicates 函數刪除重復值。我們以數據表中的 city 列為例，city 字段中存在重復值。默認情況下 drop_duplicates()將刪除后出現的重復值(與 excel 邏輯一致)。增加 keep=’last’參數后將刪除***出現的重復值，保留***的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重復，分別在***位和***一位。

df['city'] 
0      beijing 
1           sh 
2    guangzhou 
3     shenzhen 
4     shanghai 
5      beijing 
Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重復值，從結果中可以看到***位的 beijing 被保留，***出現的 beijing 被刪除。

#刪除后出現的重復值 
df['city'].drop_duplicates() 
0      beijing 
1           sh 
2    guangzhou 
3     shenzhen 
4     shanghai 
Name: city, dtype: object

設置 keep=’last‘’參數后，與之前刪除重復值的結果相反，***位出現的 beijing 被刪除，保留了***一位出現的 beijing。

#刪除先出現的重復值 
df['city'].drop_duplicates(keep='last') 
1           sh 
2    guangzhou 
3     shenzhen 
4     shanghai 
5      beijing 
Name: city, dtype: objec

數值修改及替換

數據清洗中***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。

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。

#數據替換 
df['city'].replace('sh', 'shanghai') 
0      beijing 
1     shanghai 
2    guangzhou 
3     shenzhen 
4     shanghai 
5      beijing 
Name: 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。

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后期的統計和分析工作。主要包括數據表的合并，排序，數值分列，數據分

組及標記等工作。

數據表合并

首先是對不同的數據表進行合并，我們這里創建一個新的數據表 df1，并將 df 和 df1 兩個數據表進行合并。在 Excel 中沒有直接完成數據表合并的功能，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，用于和 df 數據表進行合并。

#創建df1數據表 
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
"gender":['male','female','male','female','male','female','male','female'], 
"pay":['Y','N','Y','Y','N','Y','N','Y',], 
"m-point":[10,12,20,40,40,40,30,20]})

使用 merge 函數對兩個數據表進行合并，合并的方式為 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。并命名為 df_inner。

#數據表匹配合并，inner模式 
df_inner=pd.merge(df,df1,how='inner')

除了 inner 方式以外，合并的方式還有 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。

#其他數據表匹配模式 
df_left=pd.merge(df,df1,how='left') 
df_right=pd.merge(df,df1,how='right') 
df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合并后，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，匯總，也可以進行數據篩選等。

設置索引的函數為 set_index。

#設置索引列 
df_inner.set_index('id')

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。

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。

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

Sort_index 函數用來將數據表按索引列的值進行排序。

#按索引列排序 
df_inner.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，并使用 group 字段進行標記。

#如果price列的值>3000，group列顯示high，否則顯示low 
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

除了 where 函數以外，還可以對多個字段的值進行判斷后對數據進行分組，下面的代碼中對 city 列等于 beijing 并且 price 列大于等于 4000 的數據標記為 1。

#對復合多個條件的數據進行分組標記 
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

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。

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，后面的字母為 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，并將拆分后的數據表匹配回原數據表中。

#對category字段的值依次進行分列，并創建數據表，索引值為df_inner的索引列，列名稱為category和size 
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])

#將完成分列后的數據表與原df_inner數據表進行匹配 
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

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 函數按標簽值進行提取，iloc 按位置進行提取，ix 可以同時按標簽和位置進行提取。下面介紹每一種函數的使用方法。

按標簽提取(loc)

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

#按索引提取單行的數值 
df_inner.loc[3] 
id 1004 
date 2013-01-05 00:00:00 
city shenzhen 
category 110-C 
age 32 
price 5433 
gender female 
m-point 40 
pay Y 
group high 
sign NaN 
category_1 110 
size C 
Name: 3, dtype: object

使用冒號可以限定提取數據的范圍，冒號前面為開始的標簽值，后面為結束的標簽值。下面提取了 0 到 5 的數據行。

#按索引提取區域行數值 
df_inner.loc[0:5]

Reset_index 函數用于恢復索引，這里我們重新將 date 字段的日期設置為數據表的索引，并按日期進行數據提取。

#重設索引 
df_inner.reset_index()

#設置日期為索引 
df_inner=df_inner.set_index('date')

使用冒號限定提取數據的范圍，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。

#提取4日之前的所有數據 
df_inner[:'2013-01-04']

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，這里冒號前后的數字不再是索引的標簽名稱，而是數據所在的位置，從 0 開始。

#使用iloc按位置區域提取數據 
df_inner.iloc[:3,:2]

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，后面方括號中的數表示所在列的位置。

#使用iloc按位置單獨提取數據 
df_inner.iloc[[0,2,5],[4,5]]

按標簽和位置提取(ix)

ix 是 loc 和 iloc 的混合，既能按索引標簽提取，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。

#使用ix按索引標簽和位置混合提取數據 
df_inner.ix[:'2013-01-03',:4]

按條件提取(區域和條件值)

除了按標簽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。

#判斷city列的值是否為beijing 
df_inner['city'].isin(['beijing']) 
  
date 
2013-01-02 True 
2013-01-05 False 
2013-01-07 True 
2013-01-06 False 
2013-01-03 False 
2013-01-04 False 
Name: 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。這里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。

#先判斷city列里是否包含beijing和shanghai，然后將復合條件的數據提取出來。 
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

數值提取還可以完成類似數據分列的工作，從合并的數值中提取出制定的數值。

category=df_inner['category'] 
0 100-A 
3 110-C 
5 130-F 
4 210-A 
1 100-B 
2 110-A
Name: category, dtype: object 
#提取前三個字符，并生成數據表 
pd.DataFrame(category.str[:3])

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大于，小于和等于對數據進行篩選，并進行計數和求和。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，用于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。

使用“與”條件進行篩選，條件是年齡大于 25 歲，并且城市為 beijing。篩選后只有一條數據符合要求。

#使用“與”條件進行篩選 
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

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

#使用“或”條件篩選 
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort 
(['age'])

在前面的代碼后增加 price 字段以及 sum 函數，按篩選后的結果將 price 字段值進行求和，相當于 excel 中 sumifs 的功能。

#對篩選后的數據按price字段進行求和 
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), 
['id','city','age','category','gender','price']].sort(['age']).price.sum() 
  
19796

使用“非”條件進行篩選，城市不等于 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

#使用“非”條件進行篩選 
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

在前面的代碼后面增加 city 列，并使用 count 函數進行計數。相當于 excel 中的 countifs 函數的功能。

#對篩選后的數據按city列進行計數 
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count() 
4

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。

#使用query函數進行篩選 
df_inner.query('city == ["beijing", "shanghai"]')

在前面的代碼后增加 price 字段和 sum 函數。對篩選后的 price 字段進行求和，相當于 excel 中的 sumifs 函數的功能。

#對篩選后的結果按price進行求和 
df_inner.query('city == ["beijing", "shanghai"]').price.sum() 
12230

這是第三篇，介紹第 7-9 部分的內容，數據匯總，數據統計，和數據輸出。

07 數據匯總

第七部分是對數據進行分類匯總，Excel 中使用分類匯總和數據透視可以按特定維度對數據進行匯總，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。

分類匯總

Excel 的數據目錄下提供了“分類匯總”功能，可以按指定的字段和匯總方式對數據表進行匯總。Python 中通過 Groupby 函數完成相應的操作，并可以支持多級分類匯總。

Groupby 是進行分類匯總的函數，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。同時要制定分組后的匯總方式，常見的是計數和求和兩種。

#對所有列進行計數匯總 
df_inner.groupby('city').count()

可以在 groupby 中設置列名稱來對特定的列進行匯總。下面的代碼中按城市對 id 字段進行匯總計數。

#對特定的ID列進行計數匯總 
df_inner.groupby('city')['id'].count() 
city 
beijing 2 
guangzhou 1 
shanghai 2 
shenzhen 1 
Name: id, dtype: int64 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvDOLa9f

在前面的基礎上增加第二個列名稱，分布對 city 和 size 兩個字段進行計數匯總。

#對兩個字段進行匯總計數 
df_inner.groupby(['city','size'])['id'].count() 
city size 
beijing A 1 
F 1 
guangzhou A 1 
shanghai A 1 
B 1 
shenzhen C 1 
Name: id, dtype: int64 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvDL89Gn

除了計數和求和外，還可以對匯總后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 字段進行匯總，并分別計算 price 的數量，總金額和平均金額。

#對city字段進行匯總并計算price的合計和均值。 
df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

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匯總。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。

數據透視表也是常用的一種數據分類匯總方式，并且功能上比 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 的數量和金額并且按行與列進行匯總。

#數據透視表 
pd.pivot_table(df_inner,index=["city"],values=["price"],columns=["size"],aggfunc=[len,np.sum],fill_value=0,margins=True)

08 數據統計

第九部分為數據統計，這里主要介紹數據采樣，標準差，協方差和相關系數的使用方法。

數據采樣

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 函數完成數據采樣。

Sample 是進行數據采樣的函數，設置 n 的數量就可以了。函數自動返回參與的結果。

#簡單的數據采樣 
df_inner.sample(n=3)

Weights 參數是采樣的權重，通過設置不同的權重可以更改采樣的結果，權重高的數據將更有希望被選中。這里手動設置 6 條數據的權重值。將前面 4 個設置為 0，后面兩個分別設置為 0.5。

#手動設置采樣權重 
weights = [0, 0, 0, 0, 0.5, 0.5] 
df_inner.sample(n=2, weights=weights) 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvCvwN2y

從采樣結果中可以看出，后兩條權重高的數據被選中。

Sample 函數中還有一個參數 replace，用來設置采樣后是否放回。

#采樣后不放回 
df_inner.sample(n=6, replace=False)

#采樣后放回 
df_inner.sample(n=6, replace=True)

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，并使用 round 函數設置結果顯示的小數位。并對結果數據進行轉置。

#數據表描述性統計 
df_inner.describe().round(2).T

標準差

Python 中的 Std 函數用來接算特定數據列的標準差。

#標準差 
df_inner['price'].std() 
1523.3516556155596

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。

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。

#兩個字段間的協方差 
df_inner['price'].cov(df_inner['m-point']) 
17263.200000000001 
#數據表中所有字段間的協方差 
df_inner.cov()

相關分析

Excel 的數據分析功能中提供了相關系數的計算功能，python 中則通過 corr 函數完成相關分析的操作，并返回相關系數。

Corr 函數用來計算數據間的相關系數，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。相關系數在-1 到 1 之間，接近 1 為正相關，接近-1 為負相關，0 為不相關。

#相關性分析 
df_inner['price'].corr(df_inner['m-point']) 
0.77466555617085264 
#數據表相關性分析 
df_inner.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

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

excel

寫入 csv

#輸出到 CSV 格式 
df_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復和機械的，對于這部分基礎工作，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。

創建數據表 
df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
"date":pd.date_range('20130102', periods=6), 
"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']) 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBC8kaw 
#創建自定義函數 
def table_info(x): 
    shape=x.shape 
    types=x.dtypes 
    colums=x.columns 
    print("數據維度(行，列):\n",shape) 
    print("數據格式:\n",types) 
    print("列名稱:\n",colums) 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBC8kaw 
#調用自定義函數獲取df數據表信息并輸出結果 
table_info(df) 
  
數據維度(行，列): 
(6, 6) 
數據格式: 
id int64 
date datetime64[ns] 
city object 
category object 
age int64 
price float64 
dtype: object 
列名稱: 
Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object') 
 
Read more: http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html#ixzz5rvBJs6Fv

以上就是用 Python 做數據分析的基本內容。

責任編輯：未麗燕來源：今日頭條