转载自
Data analysis by Python 入门
1. 重复数据处理
在DataFrame中主要运用duplicated方法和drop_duplicates方法：
- duplicated方法返回的是一个布尔型的Series，用来只是各行是否重复，如果重复则为True，否则为False。
- drop_duplicates直接返回已经删除了重复行的DataFrame。
默认drop_duplicates方法会判断所有列，只有所有列的值都重复才算重复行，如果仅需要依据某一列或者某几列进行重复项判断。可以添加列名的列表：drop_duplicates([‘K1’])或者drop_duplicates([‘K1’,’K2’])。删除的重复值可以选择保留第一项还是最后一项，添加 keep = ‘last’,会保留最后一个重复值，keep = ‘first’会保留第一个重复值。
1.1 Excel文件读取
pandas的ExcelFile类或pandas.read_excel函数支持读取存储在Excel 2003（或更高版本）中的表格型数据。这两个工具分别使用扩展包xlrd和openpyxl读取XLS和XLSX文件。你可以用pip或conda安装它们。
要使用ExcelFile，通过传递xls或xlsx路径创建一个实例，然后用存储在表单中的数据可以read_excel读取到DataFrame
import pandas as pd
xlsx = pd.ExcelFile('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls')frame = pd.read_excel(xlsx, 'Sheet1')frame# 也可以直接用read_excel读取# frame = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理.xls', 'Sheet1') | 编号 |
| 0 | A667708 |
| 1 | A310882 |
| 2 | A356517 |
| 3 | A520304 |
| 4 | A776477 |
| 5 | A466074 |
| 6 | A466074 |
| 7 | A466074 |
| 8 | A776477 |
| 9 | A218912 |
1.2 重复数据处理
使用DataFrame的drop_duplicates()进行重复数据的删除
frame_ = frame.drop_duplicates(keep = 'last')# keep = 'last',会保留最后一个重复值，keep = 'first'会保留第一个重复值frame_
| 编号 |
| 0 | A667708 |
| 1 | A310882 |
| 2 | A356517 |
| 3 | A520304 |
| 7 | A466074 |
| 8 | A776477 |
| 9 | A218912 |
处理数据另存为Excel文件
如果要将pandas数据写入为Excel格式，你必须首先创建一个ExcelWriter，然后使用pandas对象的to_excel方法将 数据写入到其中：
writer = pd.ExcelWriter('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls')frame_.to_excel(writer, 'Sheet1')writer.save()# 当然，你还可以不使用ExcelWriter，而是传递文件的路径到to_excel：# frame.to_excel('H:/DataAnalysis/data/ch04/4.2/重复数据处理_处理后.xls') 2. 检查数据逻辑错误
逻辑错误是根据数据来源、数据性质等进行判断的，比如年龄出现负值等等。
这里的例子是在多选题中需要选择3项，为0代表未选择，不为0代表选择，所以需要判断每一行数据中不为0的个数是否等于3.
因为原先的xls文件有合并单元格，首先手动将其删除，只留下标题列ABCDEFG和表内容。
frame2 = pd.read_excel('H:/DataAnalysis/data/ch04/4.2/检查数据逻辑错误.xls', 'Sheet1')frame2_ = frame2.copy()frame2_ | A | B | C | D | E | F | G |
| 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 |
| 1 | 1 | 1 | 0 | 1 | 0 | 1 | 0 |
| 2 | 1 | 0 | 1 | 0 | 2 | 0 | 0 |
| 3 | 1 | 10 | 1 | 0 | 0 | 0 | 0 |
# DataFrame的loc和iloc方法可以选中行进行计算判断，loc和iloc分别通过索引和整数索引进行选择for i in range(len(frame2_)): if (frame2_.loc[i] !=0).sum() == 3: frame2_.loc[i, '校验'] = '正确' else: frame2_.loc[i, '校验'] = '错误'frame2_
| A | B | C | D | E | F | G | 校验 |
| 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 正确 |
| 1 | 1 | 1 | 0 | 1 | 0 | 1 | 0 | 错误 |
| 2 | 1 | 0 | 1 | 0 | 2 | 0 | 0 | 错误 |
| 3 | 1 | 10 | 1 | 0 | 0 | 0 | 0 | 错误 |
3. 字段分列（带分隔符）
在数据源数据中，有时根据需要，需要从某一列数据中提取信息（比如从身份证号中提取出生年月信息）或者对数据进行分割（比如类似2011-01-05的日期，提取年月日信息单独成列）。根据数据的不同分为两种情况，利用字符串的分隔提取方法解决：
- 需要分列的信息之间有特殊的分隔符，比如逗号、空格等，可以直接用split方法分割；
- 没有特殊分隔符时，采用对字符串的索引方式，如 对x = ‘spam’;可以使用x[0],x[-1],x[1:3]等进行信息提取
本例是针对英文名进行分割，中间有空格作为分隔符
excel文件比较随意，只添加了数据内容，没有列名，先手动添加列名 name
frame3 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字段分列.xls', 'Sheet1')frame3 | name |
| 0 | Syed Abbas |
| 1 | Molly Dempsey |
| 2 | Lola Jacobsen |
| 3 | Diane Margheim |
# 首先提取需要分裂的列，用split()分列，显然，这里的分隔符为空格frame3_ = pd.DataFrame((x.split(' ') for x in frame3.name), index = frame3.index, columns = ['A', 'B'])frame3_ | A | B |
| 0 | Syed | Abbas |
| 1 | Molly | Dempsey |
| 2 | Lola | Jacobsen |
| 3 | Diane | Margheim |
4. 字段分列（无特定分隔符）
frame4 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/数据抽取.xls', 'Sheet1')frame4 | 姓名 | 姓 |
| 0 | 黄雅玲 | NaN |
| 1 | 王伟 | NaN |
| 2 | 谢丽秋 | NaN |
| 3 | 王俊元 | NaN |
| 4 | 孙林 | NaN |
| 5 | 王炫皓 | NaN |
| 6 | 张三丰 | NaN |
| 7 | 李四光 | NaN |
| 8 | 王麻子 | NaN |
| 9 | 赵六儿 | NaN |
# 字段本质上为字符串，固定的位置可以直接用索引直接选取frame4['姓'] = pd.Series((x[0]) for x in frame4['姓名'])frame4
| 姓名 | 姓 |
| 0 | 黄雅玲 | 黄 |
| 1 | 王伟 | 王 |
| 2 | 谢丽秋 | 谢 |
| 3 | 王俊元 | 王 |
| 4 | 孙林 | 孙 |
| 5 | 王炫皓 | 王 |
| 6 | 张三丰 | 张 |
| 7 | 李四光 | 李 |
| 8 | 王麻子 | 王 |
| 9 | 赵六儿 | 赵 |
5. 字段匹配
在excel中，vlookup是字段匹配搜索的神器，加上INDEX和MATCH函数几乎所向披靡。在DataFrame中，merge是合并两个DataFrame的方法，可以利用on = ‘列名’选择该列进行匹配，还可以选择选择交集、并集、左合并、右合并，功能十分强大
在本例中，员工职位表中有员工的姓名、工号、职务等信息，而在员工个人信息表中缺少职务信息，需要从员工职位表中将职务信息对应添加到员工个人信息表中。选择工号列进行匹配。
frame51 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工职位表.xlsx', 'Sheet1')frame51 | 姓名 | 工号 | 部门 | 职务 |
| 0 | 黄雅玲 | A776477 | 销售部 | 销售代表 |
| 1 | 王伟 | A667708 | 销售部 | 销售代表 |
| 2 | 谢丽秋 | A520304 | 销售部 | 销售代表 |
| 3 | 王俊元 | A310882 | 销售部 | 销售总监 |
| 4 | 孙林 | A466074 | 销售部 | 销售代表 |
| 5 | 王炫皓 | A356517 | 销售部 | 销售代表 |
| 6 | 张三丰 | A277381 | 市场部 | 市场总监 |
| 7 | 李四光 | A254382 | 市场部 | 市场助理 |
| 8 | 王麻子 | A213541 | 市场部 | 市场助理 |
| 9 | 赵六儿 | A309752 | 市场部 | 市场助理 |
frame52 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/字符匹配/员工个人信息表（销售部）.xlsx', 'Sheet1')frame52 | 姓名 | 工号 | 出生年月 | 性别 | 工龄 | 职务 |
| 0 | 黄雅玲 | A776477 | 12/8/1968 | 女 | 37 | NaN |
| 1 | 王俊元 | A310882 | 2/19/1952 | 男 | 45 | NaN |
| 2 | 谢丽秋 | A520304 | 8/30/1963 | 女 | 28 | NaN |
| 3 | 王炫皓 | A356517 | 9/19/1958 | 男 | 33 | NaN |
| 4 | 孙林 | A466074 | 3/4/1955 | 男 | 29 | NaN |
| 5 | 王伟 | A667708 | 7/2/1963 | 男 | 8 | NaN |
# 需要从《员工职位表》中提取‘职务’信息到《员工个人信息表》中，这相当于两个DataFrame合并，连接键为‘工号’，需要的字段为职务pd.merge(frame52, frame51[['工号', '职务']], on = '工号')
| 姓名 | 工号 | 出生年月 | 性别 | 工龄 | 职务_x | 职务_y |
| 0 | 黄雅玲 | A776477 | 12/8/1968 | 女 | 37 | NaN | 销售代表 |
| 1 | 王俊元 | A310882 | 2/19/1952 | 男 | 45 | NaN | 销售总监 |
| 2 | 谢丽秋 | A520304 | 8/30/1963 | 女 | 28 | NaN | 销售代表 |
| 3 | 王炫皓 | A356517 | 9/19/1958 | 男 | 33 | NaN | 销售代表 |
| 4 | 孙林 | A466074 | 3/4/1955 | 男 | 29 | NaN | 销售代表 |
| 5 | 王伟 | A667708 | 7/2/1963 | 男 | 8 | NaN | 销售代表 |
6. 简单计算
本质上相当于在DataFrame添加一列，该列由前面列的数据生成，直接两列相乘即可
本例中是计算销售额（运用公式：销售额 = 销售数量 * 单价）
frame6 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/简单计算.xls', 'Sheet1')frame6 | 产品名称 | 销售数量 | 单价 | 销售额 |
| 0 | 产品A | 200.0 | 78.0 | NaN |
| 1 | 产品B | 300.0 | 88.0 | NaN |
| 2 | 产品C | 100.0 | 85.0 | NaN |
| 3 | 产品D | 50.0 | 100.0 | NaN |
| 4 | 产品E | 87.0 | 68.0 | NaN |
| 5 | 合计 | NaN | NaN | NaN |
frame6['销售额'] = frame6['销售数量'] * frame6['单价']frame6
| 产品名称 | 销售数量 | 单价 | 销售额 |
| 0 | 产品A | 200.0 | 78.0 | 15600.0 |
| 1 | 产品B | 300.0 | 88.0 | 26400.0 |
| 2 | 产品C | 100.0 | 85.0 | 8500.0 |
| 3 | 产品D | 50.0 | 100.0 | 5000.0 |
| 4 | 产品E | 87.0 | 68.0 | 5916.0 |
| 5 | 合计 | NaN | NaN | NaN |
# 这里销售额已经计算完毕，因为看到表格中还有合计项，顺便联系一下iloc的用法frame6.iloc[5, 1:] = frame6.iloc[0:5, 1:].sum()frame6
| 产品名称 | 销售数量 | 单价 | 销售额 |
| 0 | 产品A | 200.0 | 78.0 | 15600.0 |
| 1 | 产品B | 300.0 | 88.0 | 26400.0 |
| 2 | 产品C | 100.0 | 85.0 | 8500.0 |
| 3 | 产品D | 50.0 | 100.0 | 5000.0 |
| 4 | 产品E | 87.0 | 68.0 | 5916.0 |
| 5 | 合计 | 737.0 | 419.0 | 61416.0 |
7. 函数计算
计算平均值和总和直接使用mean和sum函数，因为是计算每行的值，需要设置axis=1。
frame7 = pd.read_excel('H:/DataAnalysis/data/ch04/4.3/函数计算.xls', 'Sheet1')frame7 | 产品名称 | 一季度 | 二季度 | 三季度 | 四季度 | 季度平均 | 总销售量 |
| 0 | 产品A | 51.00 | 40.8 | 56.100 | 91.80 | NaN | NaN |
| 1 | 产品B | 20.00 | 16.0 | 22.000 | 36.00 | NaN | NaN |
| 2 | 产品C | 154.00 | 123.2 | 169.400 | 277.20 | NaN | NaN |
| 3 | 产品D | 60.00 | 48.0 | 66.000 | 108.00 | NaN | NaN |
| 4 | 产品E | 96.00 | 76.8 | 105.600 | 172.80 | NaN | NaN |
| 5 | 产品F | 95.25 | 76.2 | 104.775 | 171.45 | NaN | NaN |
frame7['季度平均'] = frame7[['一季度', '二季度', '三季度', '四季度']].mean(axis = 1)frame7['总销售量'] = frame7[['一季度','二季度','三季度','四季度']].sum(axis = 1)frame7
| 产品名称 | 一季度 | 二季度 | 三季度 | 四季度 | 季度平均 | 总销售量 |
| 0 | 产品A | 51.00 | 40.8 | 56.100 | 91.80 | 59.92500 | 239.700 |
| 1 | 产品B | 20.00 | 16.0 | 22.000 | 36.00 | 23.50000 | 94.000 |
| 2 | 产品C | 154.00 | 123.2 | 169.400 | 277.20 | 180.95000 | 723.800 |
| 3 | 产品D | 60.00 | 48.0 | 66.000 | 108.00 | 70.50000 | 282.000 |
| 4 | 产品E | 96.00 | 76.8 | 105.600 | 172.80 | 112.80000 | 451.200 |
| 5 | 产品F | 95.25 | 76.2 | 104.775 | 171.45 | 111.91875 | 447.675 |