python数据分析 一文看懂怎么用 Python 做数据分析

作者 | 蓝鲸网站分析博客

来源 | http://bluewhale.cc/2017-04-21/use-python-for-data-analysis-like-excel-3.html

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，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，那下面这篇系统长文会很适合你，建议先收藏。

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。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、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个部分目录如下：

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。

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。

1df=pd.DataFrame)2df=pd.DataFrame)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。

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。

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。

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，函数返回的结果表示数据表有6行，6列。下面是具体的代码。

1#查看数据表的维度2df.shape3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。

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。

1#查看数据表各列格式 2df.dtypes 3 4idint64 5datedatetime64[ns] 6cityobject 7categoryobject 8ageint64 9pricefloat6410dtype:object1112#查看单列格式13df["B"].dtype1415dtype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。

1#检查特定列空值 2df["price"].isnull 3 40False 51True 62False 73False 84True 95False10Name: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。

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。

1#查看数据表的值 2df.values 3 4array,"Beijing","100-A",23, 51200.0], 6[1002,Timestamp,"SH","100-B",44,nan], 7[1003,Timestamp,"guangzhou","110-A",54, 82133.0], 9[1004,Timestamp,"Shenzhen","110-C",32,105433.0],11[1005,Timestamp,"shanghai","210-A",34,12nan],13[1006,Timestamp,"BEIJING","130-F",32,144432.0]],dtype=object)查看列名称

Colums函数用来单独查看数据表中的列名称。

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。

1`#查看前3行数据``df.head`

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。

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。

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。

1#删除数据表中含有空值的行2df.dropna

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。可以看到两个空值字段显示为3299.5

1#使用price均值对NA进行填充 2df["price"].fillna) 3 401200.0 513299.5 622133.0 735433.0 843299.5 954432.010Name:price,dtype:float64

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。

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。下面是具体的代码和结果。

1#city列大小写转换2df["city"]=df["city"].str.lower

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。

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。

1#更改列名称2df.rename

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。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。

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。

1#删除后出现的重复值2df["city"].drop_duplicates30beijing41sh52guangzhou63shenzhen74shanghai8Name: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。

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。

1#数据替换2df["city"].replace30beijing41shanghai52guangzhou63shenzhen74shanghai85beijing9Name:city,dtype:object

本篇文章这是系列的第二篇，介绍第4-6部分的内容，数据表生成，数据表查看，和数据清洗。

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。

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。

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。

1#数据表匹配合并，inner模式2df_inner=pd.merge

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我其他的文章中有详细的说明和对比。

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。设置索引的函数为set_index。

1#设置索引列2df_inner.set_index

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ort_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。使用的函数为sort_values。

Sort_index函数用来将数据表按索引列的值进行排序。

1#按索引列排序2df_inner.sort_index

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，下面的代码中我们对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。

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。

1#对复合多个条件的数据进行分组标记2df_inner.loc[&,"sign"]=1

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。

1#将完成分列后的数据表与原df_inner数据表进行匹配2df_inner=pd.merge

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。

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。

1#按索引提取区域行数值2df_inner.loc[0:5]

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。

1#设置日期为索引2df_inner=df_inner.set_index

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。

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。

1#使用iloc按位置区域提取数据2df_inner.iloc[:3,:2]

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。

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。

1#使用ix按索引标签和位置混合提取数据2df_inner.ix[:"2013-01-03",:4]

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。

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。

1#先判断city列里是否包含beijing和shanghai，然后将复合条件的数据提取出来。2df_inner.loc[df_inner["city"].isin]

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。

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。

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。

1#使用“与”条件进行筛选2df_inner.loc[&,["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。

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。

1#对筛选后的数据按price字段进行求和2df_inner.loc[|,3["id","city","age","category","gender","price"]].sort.price.sum4519796

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。

在前面的代码后面增加city列，并使用count函数进行计数。相当于excel中的countifs函数的功能。

1#对筛选后的数据按city列进行计数2df_inner.loc[,["id","city","age","category","gender"]].sort.city.count34

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。

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中的sumifs函数的功能。

1#对筛选后的结果按price进行求和2df_inner.query.price.sum312230

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。

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。

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。

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。

1#对特定的ID列进行计数汇总2df_inner.groupby["id"].count3city4beijing25guangzhou16shanghai27shenzhen18Name: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。

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。

1#对city字段进行汇总并计算price的合计和均值。2df_inner.groupby["price"].agg

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。

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。

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。

1#简单的数据采样2df_inner.sample

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。

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。

1#采样后不放回2df_inner.sample

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。

1#数据表描述性统计2df_inner.describe.round.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。

1#两个字段间的协方差2df_inner["price"].cov317263.200000000001

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。

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

1#输出到excel格式2df_inner.to_excel

写入 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。

1#创建数据表 2df=pd.DataFrame, 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"]) 910#创建自定义函数11deftable_info:12shape=x.shape13types=x.dtypes14colums=x.columns15print:n",shape)16print17print1819#调用自定义函数获取df数据表信息并输出结果20table_info2122数据维度:2324数据格式:25idint6426datedatetime64[ns]27cityobject28categoryobject29ageint6430pricefloat6431dtype:object32列名称:33Index

以上就是用Python做数据分析的基本内容。

/今日留言主题/

你用 Python 主要做什么，数据分析多么？

(留言格式：Dayxx：blahblah）