跳到主要内容Python 数据分析实战:从数据导入到输出全解析 | 极客日志PythonAI算法
Python 数据分析实战:从数据导入到输出全解析
本文系统介绍了使用 Python 进行数据分析的完整流程,重点讲解了 Pandas 库的核心功能。内容涵盖数据表的生成与导入(CSV/Excel)、数据检查(维度、格式、空值)、数据清洗(空值处理、去重、格式转换)、数据预处理(合并、排序、分组)、数据提取与筛选(条件查询)、数据汇总与统计(透视表、描述统计)以及最终的数据输出。文章通过与 Excel 功能的对比,展示了 Python 在处理大规模数据时的优势,并提供了一系列实用的代码示例,帮助读者快速掌握基于 Python 的数据分析技能。
观心2 浏览 Python 数据分析实战:从数据导入到输出全解析
引言
在数据处理领域,常遇到两类朋友:一类是会爬虫但不知道如何进一步做数据分析的,另一类是平常用 Excel 做分析但不太会用 Python 分析的。如果和你很像,那么这篇系统长文会很适合你。
Excel 是数据分析中最常用的工具,本文通过 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。我们从 pandas 官方文档中总结出最常用的函数,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、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,涵盖数据表生成、检查、清洗、预处理、提取、筛选、汇总、统计及输出。
01 生成数据表
生成数据表常见的有两种方法:一种是导入外部数据,另一种是直接写入数据。Excel 中的文件菜单提供了获取外部数据的功能,支持数据库、文本文件和网页等多种数据源导入。
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,同时也导入 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。
df = pd.DataFrame(pd.read_csv('name.csv', header=1))
df = pd.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 DataFrame 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', 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'])
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。
02 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,比如纽约出租车数据和 Citibike 的骑行数据,数据量都很大,我们无法一目了然地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。
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。
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。
df.isnull()
df['price'].isnull()
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。类似于 Excel 中删除重复项后的结果。
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。
查看列名称
Columns 函数用来单独查看数据表中的列名称。
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。
03 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。
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。
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。
df['price'].fillna(df['price'].mean())
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。
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 UPPER,LOWER 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。
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。
df['price'].astype('int')
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。
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 会保留第一次出现的数据,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' 参数后将删除第一次出现的重复值,保留最后一次的的值。
df['city'].drop_duplicates()
df['city'].drop_duplicates(keep='last')
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。
df['city'].replace('sh', 'shanghai')
04 数据预处理
第四部分是数据的预处理,对清洗完的数据进行整理以便后期的统计和分析工作。主要包括数据表的合并、排序、数值分列、数据分组及标记等工作。
数据表合并
首先是对不同的数据表进行合并,我们这里创建一个新的数据表 df1,并将 df 和 df1 两个数据表进行合并。在 Excel 中没有直接完成数据表合并的功能,可以通过 VLOOKUP 函数分步实现。在 Python 中可以通过 merge 函数一次性实现。下面建立 df1 数据表,用于和 df 数据表进行合并。
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 函数对两个数据表进行合并,合并的方式为 inner,将两个数据表中共有的数据匹配到一起生成新的数据表。并命名为 df_inner。
df_inner = pd.merge(df, df1, how='inner')
除了 inner 方式以外,合并的方式还有 left、right 和 outer 方式。这几种方式的差别在于保留哪些行的数据。
df_left = pd.merge(df, df1, how='left')
df_right = pd.merge(df, df1, how='right')
df_outer = pd.merge(df, df1, how='outer')
设置索引列
完成数据表的合并后,我们对 df_inner 数据表设置索引列,索引列的功能很多,可以进行数据提取、汇总,也可以进行数据筛选等。
排序 (按索引,按数值)
Excel 中可以通过数据目录下的排序按钮直接对数据表进行排序,比较简单。Python 中需要使用 sort_values 函数和 sort_index 函数完成排序。
在 Python 中,既可以按索引对数据表进行排序,也可以看制定列的数值进行排序。首先我们按 age 列中用户的年龄对数据表进行排序。
df_inner.sort_values(by=['age'])
Sort_index 函数用来将数据表按索引列的值进行排序。
数据分组
Excel 中可以通过 VLOOKUP 函数进行近似匹配来完成对数值的分组,或者使用'数据透视表'来完成分组。相应的 Python 中使用 where 函数完成数据分组。
Where 函数用来对数据进行判断和分组,下面的代码中对 price 列的值进行判断,将符合条件的分为一组,不符合条件的分为另一组,并使用 group 字段进行标记。
df_inner['group'] = np.where(df_inner['price'] > 3000, 'high', 'low')
除了 where 函数以外,还可以对多个字段的值进行判断后对数据进行分组,下面的代码中对 city 列等于 beijing 并且 price 列大于等于 4000 的数据标记为 1。
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign'] = 1
数据分列
与数据分组相反的是对数值进行分列,Excel 中的数据目录下提供'分列'功能。在 Python 中使用 split 函数实现分列。
在数据表中 category 列中的数据包含有两个信息,前面的数字为类别 id,后面的字母为 size 值。中间以连字符进行连接。我们使用 split 函数对这个字段进行拆分,并将拆分后的数据表匹配回原数据表中。
pd.DataFrame((x.split('-') for x in df_inner['category']), index=df_inner.index, columns=['category', 'size'])
df_inner = pd.merge(df_inner, split_result, right_index=True, left_index=True)
05 数据提取
第五部分是数据提取,也是数据分析中最常见的一个工作。这部分主要使用三个函数,loc、iloc 和 ix,loc 函数按标签值进行提取,iloc 按位置进行提取,ix 可以同时按标签和位置进行提取。下面介绍每一种函数的使用方法。
按标签提取 (loc)
Loc 函数按数据表的索引标签进行提取,下面的代码中提取了索引列为 3 的单条数据。
使用冒号可以限定提取数据的范围,冒号前面为开始的标签值,后面为结束的标签值。下面提取了 0 到 5 的数据行。
Reset_index 函数用于恢复索引,这里我们重新将 date 字段的日期设置为数据表的索引,并按日期进行数据提取。
df_inner.reset_index()
df_inner = df_inner.set_index('date')
使用冒号限定提取数据的范围,冒号前面为空表示从 0 开始。提取所有 2013 年 1 月 4 日以前的数据。
按位置提取 (iloc)
使用 iloc 函数按位置对数据表中的数据进行提取,这里冒号前后的数字不再是索引的标签名称,而是数据所在的位置,从 0 开始。
iloc 函数除了可以按区域提取数据,还可以按位置逐条提取,前面方括号中的 0, 2, 5 表示数据所在行的位置,后面方括号中的数表示所在列的位置。
df_inner.iloc[[0, 2, 5], [4, 5]]
按标签和位置提取 (ix)
ix 是 loc 和 iloc 的混合,既能按索引标签提取,也能按位置进行数据提取。下面代码中行的位置按索引日期设置,列按位置设置。
df_inner.ix[:'2013-01-03', :4]
按条件提取 (区域和条件值)
除了按标签和位置提起数据以外,还可以按具体的条件进行数据。下面使用 loc 和 isin 两个函数配合使用,按指定条件对数据进行提取。
使用 isin 函数对 city 中的值是否为 beijing 进行判断。
df_inner['city'].isin(['beijing'])
将 isin 函数嵌套到 loc 的数据提取函数中,将判断结果为 Ture 数据提取出来。这里我们把判断条件改为 city 值是否为 beijing 和 shanghai。如果是就把这条数据提取出来。
df_inner.loc[df_inner['city'].isin(['beijing', 'shanghai'])]
数值提取还可以完成类似数据分列的工作,从合并的数值中提取出制定的数值。
category = df_inner['category']
pd.DataFrame(category.str[:3])
06 数据筛选
第六部分为数据筛选,使用与、或、非三个条件配合大于、小于和等于对数据进行筛选,并进行计数和求和。与 Excel 中的筛选功能和 countifs 和 sumifs 功能相似。
按条件筛选 (与,或,非)
Excel 数据目录下提供了'筛选'功能,用于对数据表按不同的条件进行筛选。Python 中使用 loc 函数配合筛选条件来完成筛选功能。配合 sum 和 count 函数还能实现 Excel 中 sumif 和 countif 函数的功能。
使用'与'条件进行筛选,条件是年龄大于 25 岁,并且城市为 beijing。筛选后只有一条数据符合要求。
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category', 'gender']]
使用'或'条件进行筛选,年龄大于 25 岁或城市为 beijing。筛选后有 6 条数据符合要求。
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category', 'gender']].sort_values(by=['age'])
在前面的代码后增加 price 字段以及 sum 函数,按筛选后的结果将 price 字段值进行求和,相当于 Excel 中 sumifs 的功能。
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id', 'city', 'age', 'category', 'gender', 'price']].sort_values(by=['age']).price.sum()
使用'非'条件进行筛选,城市不等于 beijing。符合条件的数据有 4 条。将筛选结果按 id 列进行排序。
df_inner.loc[(df_inner['city'] != 'beijing'), ['id', 'city', 'age', 'category', 'gender']].sort_values(by=['id'])
还有一种筛选的方式是用 query 函数。下面是具体的代码和筛选结果。
df_inner.query('city == ["beijing", "shanghai"]')
在前面的代码后增加 price 字段和 sum 函数。对筛选后的 price 字段进行求和,相当于 Excel 中 sumifs 函数的功能。
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
07 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。
df_inner.groupby('city').count()
df_inner.groupby('city')['id'].count()
df_inner.groupby(['city', 'size'])['id'].count()
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。
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。
pd.pivot_table(df_inner, index=["city"], values=["price"], columns=["size"], aggfunc=[len, np.sum], fill_value=0, margins=True)
08 数据统计
第八部分为数据统计,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。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。
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。
weights = [0, 0, 0, 0, 0.5, 0.5]
df_inner.sample(n=2, weights=weights)
Sample 函数中还有一个参数 replace,用来设置采样后是否放回。
df_inner.sample(n=6, replace=False)
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。
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。
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。
df_inner['price'].cov(df_inner['m-point'])
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。
df_inner['price'].corr(df_inner['m-point'])
df_inner.corr()
09 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
df_inner.to_excel('excel_to_python.xlsx', sheet_name='bluewhale_cc')
写入 CSV
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。
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'])
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)
table_info(df)
以上就是用 Python 做数据分析的基本内容。通过掌握这些核心函数,你可以高效地完成从数据导入、清洗、分析到输出的全流程工作。
相关免费在线工具
- 加密/解密文本
使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
- RSA密钥对生成器
生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
- Mermaid 预览与可视化编辑
基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
- curl 转代码
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online
- Base64 字符串编码/解码
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
- Base64 文件转换器
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online