像Excel一样使用python进行数据分析（3）

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。

这个系列文章内容共分为9个部分。已由人民邮电出版社出版，感兴趣的朋友可以在异步社区获取完整版。

这是第三篇，介绍第7-9部分的内容，数据汇总，数据统计，和数据输出。

7，数据汇总

第七部分是对数据进行分类汇总，Excel中使用分类汇总和数据透视可以按特定维度对数据进行汇总，python中使用的主要函数是groupby和pivot_table。下面分别介绍这两个函数的使用方法。

分类汇总

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

Groupby是进行分类汇总的函数，使用方法很简单，制定要分组的列名称就可以，也可以同时制定多个列名称，groupby按列名称出现的顺序进行分组。同时要制定分组后的汇总方式，常见的是计数和求和两种。

#对所有列进行计数汇总

df_inner.groupby(‘city’).count()

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

#对特定的ID列进行计数汇总

df_inner.groupby(‘city’)[‘id’].count()

city

beijing 2

guangzhou 1

shanghai 2

shenzhen 1

Name: id, dtype: int64

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

#对两个字段进行汇总计数

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

除了计数和求和外，还可以对汇总后的数据同时按多个维度进行计算，下面的代码中按城市对price字段进行汇总，并分别计算price的数量，总金额和平均金额。

#对city字段进行汇总并计算price的合计和均值。

df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean])

数据透视

Excel中的插入目录下提供“数据透视表”功能对数据表按特定维度进行汇总。Python中也提供了数据透视表功能。通过pivot_table函数实现同样的效果。

数据透视表也是常用的一种数据分类汇总方式，并且功能上比groupby要强大一些。下面的代码中设定city为行字段，size为列字段，price为值字段。分别计算price的数量和金额并且按行与列进行汇总。

#数据透视表

pd.pivot_table(df_inner,index=[“city”],values=[“price”],columns=[“size”],aggfunc=[len,np.sum],fill_value=0,margins=True)

8，数据统计

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

数据采样

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

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

#简单的数据采样

df_inner.sample(n=3)

Weights参数是采样的权重，通过设置不同的权重可以更改采样的结果，权重高的数据将更有希望被选中。这里手动设置6条数据的权重值。将前面4个设置为0，后面两个分别设置为0.5。

#手动设置采样权重

weights = [0, 0, 0, 0, 0.5, 0.5]

df_inner.sample(n=2, weights=weights)

从采样结果中可以看出，后两条权重高的数据被选中。

Sample函数中还有一个参数replace，用来设置采样后是否放回。

#采样后不放回

df_inner.sample(n=6, replace=False)

#采样后放回

df_inner.sample(n=6, replace=True)

描述统计

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

Describe函数是进行描述统计的函数，自动生成数据的数量，均值，标准差等数据。下面的代码中对数据表进行描述统计，并使用round函数设置结果显示的小数位。并对结果数据进行转置。

#数据表描述性统计

df_inner.describe().round(2).T

标准差

Python中的Std函数用来接算特定数据列的标准差。

#标准差

df_inner[‘price’].std()

1523.3516556155596

协方差

Excel中的数据分析功能中提供协方差的计算，python中通过cov函数计算两个字段或数据表中各字段间的协方差。

Cov函数用来计算两个字段间的协方差，可以只对特定字段进行计算，也可以对整个数据表中各个列之间进行计算。

#两个字段间的协方差

df_inner[‘price’].cov(df_inner[‘m-point’])

17263.200000000001

#数据表中所有字段间的协方差

df_inner.cov()

相关分析

Excel的数据分析功能中提供了相关系数的计算功能，python中则通过corr函数完成相关分析的操作，并返回相关系数。

Corr函数用来计算数据间的相关系数，可以单独对特定数据进行计算，也可以对整个数据表中各个列进行计算。相关系数在-1到1之间，接近1为正相关，接近-1为负相关，0为不相关。

#相关性分析

df_inner[‘price’].corr(df_inner[‘m-point’])

0.77466555617085264

#数据表相关性分析

df_inner.corr()

9，数据输出

第九部分是数据输出，处理和分析完的数据可以输出为xlsx格式和csv格式。

写入excel

#输出到excel格式

df_inner.to_excel(‘excel_to_python.xlsx’, sheet_name=’bluewhale_cc’)

写入csv

#输出到CSV格式

df_inner.to_csv(‘excel_to_python.csv’)

在数据处理的过程中，大部分基础工作是重复和机械的，对于这部分基础工作，我们可以使用自定义函数进行自动化。以下简单介绍对数据表信息获取自动化处理。

#创建数据表

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’])

#创建自定义函数

def table_info(x):

shape=x.shape

types=x.dtypes

colums=x.columns

print(“数据维度(行，列):\n”,shape)

print(“数据格式:\n”,types)

print(“列名称:\n”,colums)

#调用自定义函数获取df数据表信息并输出结果

table_info(df)

数据维度(行，列):

(6, 6)

数据格式:

id int64

date datetime64[ns]

city object

category object

age int64

price float64

dtype: object

列名称:

Index([‘id’, ‘date’, ‘city’, ‘category’, ‘age’, ‘price’], dtype=’object’)