前两天GF让用Python写个Excel表格处理脚本，在这里记录一下。某公司有个数据统计汇总表格，仅为初表，复制粘贴汇总而来。初表中，存在同一员工推荐多套商品以及各自金额，目标呢：合并同类项，并把推荐数量和金额进行累加。文字解释不太清楚，上图说话。
原始图片 original

目标图片 final

思路

Step 1: 涉及excel文件的读写，在此使用openpyxl或者xlrd和xlwt组合，需要了解其中的方法和单元格操作。
Step 2: 需要进行人名和推荐数量配对，以及累计金额的累加，在此使用字典数据类型。此外由于存在推荐多套的情况，在此需要进行一键对多值的映射，对于字典中值的初始化，使用列表方便改变数量。
Step 3：在“累计认购金额”条目，需要注意单元格内的内容格式是数字类型还是文本类型，如果是数字类型，可以使用sum函数累加，如果是文本类型，需要使用int函数转化为数值在累加，也可使用map函数进行字符到数字的映射。

实现

1. 使用openpyxl

# By WDL 2020-3-31
from openpyxl import Workbook, load_workbook
wb= load_workbook("XXX公司推荐成交明细.xlsx")
ws=wb["Sheet1"]#也可以使用wb.get_sheet_by_name("Sheet1") 获取工作表
# 读取数据，把excel中的一个table按行读取出来，存入一个二维的list
total_list=[]
for row in ws.rows:
    row_list=[]
    for cell in row:
        row_list.append(cell.value)
    total_list.append(row_list)
# 利用字典进行数据统计
namedict={}
valuedict={}
for term in total_list:
    if term[1] == None or term[1] == "员工姓名":# 员工姓名列
        continue
    else:
        namedict[term[1]]=namedict.get(term[1],0)+1
        valuedict.setdefault(term[1],[]).append(term[-1]) #一键 对多值的字典

#保存写操作
newwb = Workbook()
newsheet=newwb.active
newsheet.title="Sheet1"
#表头
newsheet["A1"]=total_list[0][0]
newsheet.merge_cells("A1:C1") #合并单元格
newsheet["A2"]="员工姓名"
newsheet["B2"]="推荐数量"
newsheet["C2"]="累计认购金额"

#单元格
i=3
for name in namedict:
    newsheet.cell(row=i,column=1).value=name
    newsheet.cell(row=i, column=2).value=namedict[name]
    newsheet.cell(row=i, column=3).value =sum(valuedict[name])
    i=i+1
newwb.save("XXX公司推荐成交明细_final.xlsx")

2. 使用xlrd和xlwt

# By WDL 2020-3-31
import xlrd,xlwt
wb=xlrd.open_workbook("XXX公司推荐成交明细.xlsx")
ws=wb.sheet_by_index(0)
print(ws.row_values(2)) #每一行作为一个列表
total_list=[]
for row in range(ws.nrows):
    row_list=ws.row_values(row)
    total_list.append(row_list)
namedict={}
for items in total_list:
    if items[1]==None or items[1]=="员工姓名":
        continue
    else:
        if items[1] in namedict.keys():
            namedict[items[1]]["推荐数量"]  += 1
            namedict[items[1]]["累计认购金额"] +=items[-1]
        else:
            namedict.setdefault(items[1], {})
            namedict[items[1]].setdefault("推荐数量",1)
            namedict[items[1]].setdefault("累计认购金额", items[-1])
# 写操作
wb = xlwt.Workbook()
ws = wb.add_sheet("Sheet1")
ws.write(0,0,label ="test")
wb.save("测试.xls") #xlwt貌似只支持xls格式

xlrd和xlwt模式没有写全，本人太懒，有兴趣的朋友可以自己试着补全。需要注意，xlwt貌似只支持保存为.xls的表格。并且，在第二种方法中，使用了字典的嵌套，第一层字典的键为名字，值为字典。

总结

openpyxl和xlrd/xlwt中需要注意单元格的索引，openpyxl单元格行列编号从1开始，而xlrd/xlwt的编号从0开始。其他关于字体格式，以及自动化识别的操作，本人太懒没再研究。

[1]: openpyxl 的使用 - excel中数据转成列表/ 字典https://blog.csdn.net/GYK0812/article/details/104380629/
[2]: Python Openpyxl快速入门教程 https://blog.csdn.net/qq_33353186/article/details/79191069

概述

Excel固然功能强大，也有许多函数实现数据处理功能，但是Excel仍需大量人工操作，虽然能嵌入VB脚本宏，但也容易染上宏病毒。python作为解释性语言，在数据处理方面拥有强大的函数库以及第三方库，excel作为主要基础数据源之一，在利用数据进行分析前往往需要预先对数据进行整理。因此，本文就python处理excel数据进行了学习，主要分为python对excel数据处理的常用数据类型以及常用函数，用python语言实现excel基本操作。

---

常用数据类型序列sequence, 列表list, 元组tuple, array,字典dictionary，series,dataframe,集合set区别

序列

首先，序列是是Python中最基本的数据结构。序列中的每个元素都分配一个数字 - 它的位置，或索引，第一个索引是0，第二个索引是1，依此类推。每个索引对应一个元素。Python包含 6 中内建的序列，包括列表、元组、字符串、Unicode字符串、buffer对象和xrange对象。
对于序列，都可以使用以下操作：

• 索引
• 切片
• 加
• 乘
• 成员检查
• 计算序列的长度
• 取序列中的最大、最小值

列表list

概述用途

• 一组有序项目的集合。可变的数据类型【可进行增删改查】
• 列表是以方括号“[]”包围的数据集合，不同成员以“,”分隔。
• 列表中可以包含任何数据类型，也可包含另一个列表
• 列表可通过序号访问其中成员

声明方式

example = [0,1,2,3,4,5,6,7,8,9]  

API

Python列表脚本操作符

Python列表函数

Python列表方法

切片

#列表操作补充--切片操作  
example = [0,1,2,3,4,5,6,7,8,9]  
#打印某一区间 左闭右开  
print(example[4:8])  
#想包含最后一个  
print(example[4:])  
#包含首个  
print(example[:8])  
#所有的  
print(example[:])  
#第三个参数为步长  
print(example[1:8:2])  
#倒序输出  
print(example[::-1])  
#列表合并  
a = [1,2,3]  
b = [4,5,6]  
print(a+b)  
#替换  
ex = [1,2,3,4,5,6]  
ex[4:]=[9,8,7]  
print(ex)#将56换为987

判断列表中

>>> list4=[123,["das","aaa"],234]
>>> list4
>>> "aaa" in list4 #in只能判断一个层次的元素
False
>>> "aaa" in list4[1] #选中列表中的列表进行判断
True
>>> list4[1][1]
'aaa'

元组tuple

概述用途

• 不可变序列
• 元组是以圆括号“()”包围的数据集合，不同成员以“,”分隔
• 与列表不同：元组中数据一旦确立就不能改变
• 通过下标进行访问

声明方式

L=(1,2,3)
含0个元素的元组: L = ()

元组操作

访问元组

>>> o =('a','b','c',('d1','d2')) 
>>> print o[0]
>>> print o[3][0]
a
d1

>>> age=22
>>> name='sandra'
>>> print'%s is %d years old'%(name,age)
sandra is 22 years old

修改元组
（元组中的元素值是不允许修改的，但我们可以对元组进行连接组合，如下实例）

tup1 = (12, 34.56);
tup2 = ('abc', 'xyz');
# 以下修改元组元素操作是非法的。
# tup1[0] = 100;
# 创建一个新的元组
tup3 = tup1 + tup2;
print tup3;

添加元组

#通过切片方法添加
a=(1,2,3,4,5,6)
a=a[:2]+(10,)+a[2:]
a

删除元素

del tup1

API

元组运算符

与字符串一样，元组之间可以使用 + 号和 * 号进行运算。这就意味着他们可以组合和复制，运算后会生成一个新的元组。

元组内置函数

字典dictionary

概述用途

• 字典是另一种可变容器模型，且可存储任意类型对象。

• 字典的每个键值(key=>value)对用冒号(:)分割，每个对之间用逗号(,)分割，整个字典包括在花括号({})中

声明方式

d = {key1 : value1, key2 : value2 }
//键必须是唯一的，但值则不必。
//值可以取任何数据类型，但键必须是不可变的，如字符串，数字或元组。

字典操作

访问字典里的值

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};
dict['Name']
dict['Age']

修改字典

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};
dict['Age'] = 8; 
dict['School'] = "DPS School"

删除字典元素
能删单一的元素也能清空字典，清空只需一项操作。

显示删除一个字典用del命令，如下实例：

dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'};
del dict['Name']; # 删除键是'Name'的条目
dict.clear();     # 清空词典所有条目
del dict ;        # 删除词典

API

字典内置函数

字典内置方法

ndarray（数组）–numpy

概述用途

python中的list是python的内置数据类型，list中的数据类不必相同的，而array的中的类型必须全部相同。在list中的数据类型保存的是数据的存放的地址，简单的说就是指针，并非数据，这样保存一个list就太麻烦了，例如list1=[1,2,3,‘a’]需要4个指针和四个数据，增加了存储和消耗cpu。numpy中封装的array有很强大的功能，里面存放的都是相同的数据类型
1）numpy array 必须有相同数据类型属性 ，Python list可以是多种数据类型的混合
2）numpy array有一些方便的函数
3）numpy array数组可以是多维的

声明方式

np.array用来创建ndarray类型

b=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])  

API

series-pandas

概述用途

class pandas.Series（data = None，index = None，dtype = None，name = None，copy = False，fastpath = False ）

带轴标签的一维ndarray（包括时间序列）。

标签不一定是唯一的，但必须是可清洗的类型。该对象支持基于整数和基于标签的索引，并提供了许多方法来执行涉及索引的操作。来自ndarray的统计方法已被覆盖，以自动排除缺失的数据（目前表示为NaN）。

Series（+， - ，/ , *）之间的操作根据其关联的索引值对齐值 - 它们不必是相同的长度。结果索引将是两个索引的排序并集。

声明

Python列表，index与列表元素个数一致

In [1]: import pandas as pd
​
In [2]: list_a = [2,4,5,6]
​
In [3]: pd.Series(list_a)
Out[3]:
0    2
1    4
2    5
3    6
dtype: int64

标量值，index表达Series类型的尺寸

In [4]: pd.Series(1,index = [1,2,3])
Out[4]:
1    1
2    1
3    1
dtype: int64

Python字典，键值对中的“键”是索引，index从字典中进行选择操作

In [5]: pd.Series({'a':1,'b':3})
Out[5]:
a 1
b 3
dtype: int64
#如果定义的index在原字典中已经存在，那么该索引会一直对应原字典的值，如果index对应不到原字典的值，则会返回NaN
In [11]: pd.Series({'a':1,'b':3},index = ['b','a','c'])
Out[11]:
b 3.0
a 1.0
c NaN
dtype: float64

ndarray，索引和数据都可以通过ndarray类型创建

In [9]: list_b = np.arange(6)
​
In [10]: pd.Series(list_b)
Out[10]:
0    0
1    1
2    2
3    3
4    4
5    5
dtype: int32

其他函数，range()函数等

In [12]: pd.Series(range(3))
Out[12]:
0    0
1    1
2    2
dtype: int32

series操作

Series类型包括index和values两部分

In [14]: a = pd.Series({'a':1,'b':5}) 
In [15]: a.index 
Out[15]: Index(['a', 'b'], dtype='object') 

In [16]: a.values #返回一个多维数组numpy对象 
Out[16]: array([1, 5], dtype=int64)

Series类型的操作类似ndarray类型

#自动索引和自定义索引并存，但不能混用
 In [17]: a[0] #自动索引 
Out[17]: 1 
#自定义索引 
In [18]: a['a'] 
Out[18]: 1 
#不能混用
In [20]: a[['a',1]] 
Out[20]: 
a 1.0 
1 NaN 
dtype: float64

Series类型的操作类似Python字典类型

#通过自定义索引访问
#对索引保留字in操作，值不可以
In [21]: 'a' in a
Out[21]: True
​
In [22]: 1 in a
Out[22]: False

Series类型在运算中会自动对齐不同索引的数据

In [29]: a = pd.Series([1,3,5],index = ['a','b','c']) 
In [30]: b = pd.Series([2,4,5,6],index = ['c,','d','e','b'])
 In [31]: a+b 
Out[31]: 
a NaN 
b 9.0 
c NaN 
c, NaN
d NaN 
e NaN 

Series对象可以随时修改并即刻生效

In [32]: a.index = ['c','d','e'] 
In [33]: a 
Out[33]: 
c 1 
d 3
 e 5 
dtype: int64 
In [34]: a+b 
Out[34]: 
b NaN 
c NaN
c, NaN 
d 7.0 
e 10.0
dtype: float64

dataframe-pandas

概述用途

DataFrame提供的是一个类似表的结构，由多个Series组成，而Series在DataFrame中叫columns

声明方式

import pandas as pd
from pandas import Series, DataFrame
import numpy as np
data = DataFrame(np.arange(15).reshape(3,5),index=['one','two','three'],columns=['a','b','c','d','e'])
print data

        a   b   c   d   e
one     0   1   2   3   4
two     5   6   7   8   9
three  10  11  12  13  14

array

import pandas as pd
import numpy as np
s1=np.array([1,2,3,4])
s2=np.array([5,6,7,8])
df=pd.DataFrame([s1,s2])
print df

series列表（效果与二维array相同）

import pandas as pd
import numpy as np
s1=pd.Series(np.array([1,2,3,4]))
s2=pd.Series(np.array([5,6,7,8]))
df=pd.DataFrame([s1,s2])
print df

value为Series的字典结构

import pandas as pd
import numpy as np

s1=pd.Series(np.array([1,2,3,4]))
s2=pd.Series(np.array([5,6,7,8]))
df=pd.DataFrame({"a":s1,"b":s2});
print df

操作

直接取值df.[]

df=pd.DataFrame({"A":[1,2,3,4],"B":[5,6,7,8],"C":[1,1,1,1]})
df=df[df.A>=2]
print df

使用.loc[]

df=pd.DataFrame({"A":[1,2,3,4],"B":[5,6,7,8],"C":[1,1,1,1]})
df=df.loc[df.A>2]
print df

.ix[]索引

print df.columns.size#列数 2
print df.iloc[:,0].size#行数 3 
print df.ix[[0]].index.values[0]#索引值 0
print df.ix[[0]].values[0][0]#第一行第一列的值 11
print df.ix[[1]].values[0][1]#第二行第二列的值 121

API

group(groupby 形成group)

df = pd.DataFrame({'animal': 'cat dog cat fish dog cat cat'.split(),
                  'size': list('SSMMMLL'),
                  'weight': [8, 10, 11, 1, 20, 12, 12],
                  'adult' : [False] * 5 + [True] * 2});
#列出动物中weight最大的对应size
group=df.groupby("animal").apply(lambda subf: subf['size'][subf['weight'].idxmax()])
print group

使用get_group 取出其中一分组

df = pd.DataFrame({'animal': 'cat dog cat fish dog cat cat'.split(),
                  'size': list('SSMMMLL'),
                  'weight': [8, 10, 11, 1, 20, 12, 12],
                  'adult' : [False] * 5 + [True] * 2});

group=df.groupby("animal")
cat=group.get_group("cat")
print cat

集合

概述作用

集合中包含一系列的元素，在Python中这些元素不需要是相同的类型，且这些元素在集合中是没有存储顺序的。

声明

>>> {1,2,"hi",2.23}
{2.23, 2, 'hi', 1}
>>> set("hello")
{'l', 'h', 'e', 'o'}

注：由于集合和字典都用{}表示，所以初始化空的集合只能通过set()操作，{}只是表示一个空的字典

集合操作

集合的增加

>>> a={1,2}
>>> a.update([3,4],[1,2,7])
>>> a
{1, 2, 3, 4, 7}
>>> a.update("hello")
>>> a
{1, 2, 3, 4, 7, 'h', 'e', 'l', 'o'}
>>> a.add("hello")
>>> a
{1, 2, 3, 4, 'hello', 7, 'h', 'e', 'l', 'o'}

集合的删除

>>> a={1,2,3,4}
>>> a.discard(1)
>>> a
{2, 3, 4}
>>> a.discard(1)
>>> a
{2, 3, 4}
>>> a.remove(1)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
KeyError: 1

集合也支持pop()方法，不过由于集合是无序的，pop返回的结果不能确定，且当集合为空时调用pop会抛出KeyError错误，可以调用clear方法来清空集合：

>>> a={3,"a",2.1,1}
>>> a.pop()
>>> a.pop()
>>> a.clear()
>>> a
set()
>>> a.pop()
Traceback (most recent call last):
  File "<input>", line 1, in <module>
KeyError: 'pop from an empty set'

API

集合操作

• 并集：set.union(s),也可以用a|b计算
• 交集：set.intersection(s)，也可以用a&b计算
• 差集：set.difference(s)，也可以用a-b计算
  需要注意的是Python提供了一个求对称差集的方法set.symmetric_difference(s)，相当于两个集合互求差集后再求并集，其实就是返回两个集合中只出现一次的元素，也可以用a^b计算。

>>> a={1,2,3,4}
>>> b={3,4,5,6}
>>> a.symmetric_difference(b)
{1, 2, 5, 6}
2
4

set.update(s)操作相当于将两个集合求并集并赋值给原集合，其他几种集合操作也提供各自的update版本来改变原集合的值，形式如intersection_update(),也可以支持多参数形式。

包含关系

两个集合之间一般有三种关系，相交、包含、不相交。在Python中分别用下面的方法判断：

• set.isdisjoint(s)：判断两个集合是不是不相交
• set.issuperset(s)：判断集合是不是包含其他集合，等同于a>=b
• set.issubset(s)：判断集合是不是被其他集合包含，等同于a<=b
  如果要真包含关系，就用符号操作>和<。

不变集合

Python提供了不能改变元素的集合的实现版本，即不能增加或删除元素，类型名叫frozenset，使用方法如下：

>>> a = frozenset("hello")
>>> a
frozenset({'l', 'h', 'e', 'o'})
2

需要注意的是frozenset仍然可以进行集合操作，只是不能用带有update的方法。如果要一个有frozenset中的所有元素的普通集合，只需把它当作参数传入集合的构造函数中即可：

python excel操作

##生成数据表

准备

import numpy as np
import pandas as pd

导入数据表

df=pd.DataFrame(pd.read_csv('name.csv',header=1))
df=pd.DataFrame(pd.read_excel('name.xlsx'))

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'])

数据表检查

python中处理的数据量通常会比较大，，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。

数据维度

#查看数据表的维度
df.shape
(6, 6)

数据表信息

#数据表信息
df.info()

<class 'pandas.core.frame.DataFrame'>
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

查看数据格式

#查看数据表各列格式
df.dtypes
 
id                   int64
date        datetime64[ns]
city                object
category            object
age                  int64
price              float64
dtype: object

#查看单列格式
df['B'].dtype
 
dtype('int64')

查看空值

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。

#检查数据空值
df.isnull()

#检查特定列空值
df['price'].isnull()
0    False
1     True
2    False
3    False
4     True
5    False

Name: price, dtype: bool

查看唯一值 （删除重复项）

#查看city列中的唯一值
df['city'].unique()

array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看数据表数值

#查看数据表的值
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)

查看列名称

#查看列名称
df.columns
Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前10行数据

#查看前3行数据
df.head(3)

查看后10行数据

#查看最后3行
df.tail(3)

数据表清洗

处理空值

#删除数据表中含有空值的行
df.dropna(how='any')

#使用数字0填充数据表中空值
df.fillna(value=0)

#使用数字0填充数据表中空值
df.fillna(value=0)

#使用price均值对NA进行填充
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

#清除city字段中的字符空格
df['city']=df['city'].map(str.strip)

大小写转换

#city列大小写转换
df['city']=df['city'].str.lower()

更改数据格式

#更改数据格式
df['price'].astype('int')
0    1200
1    3299
2    2133
3    5433
4    3299
5    4432
Name: price, dtype: int32

更改列名称

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

删除重复值

#删除后出现的重复值
df['city'].drop_duplicates()
0      beijing
1      sh
2      guangzhou
3     shenzhen
4     shanghai
Name: city, dtype: object

#删除先出现的重复值
df['city'].drop_duplicates(keep='last')
1      sh
2      guangzhou
3     shenzhen
4     shanghai
5     beijing
Name: city, dtype: objec

数值修改及替换

#数据替换
df['city'].replace('sh', 'shanghai')

数据预处理

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。

#数据表匹配合并，inner模式
df_inner=pd.merge(df,df1,how='inner')
#其他数据表匹配模式
df_left=pd.merge(df,df1,how='left')
df_right=pd.merge(df,df1,how='right')
df_outer=pd.merge(df,df1,how='outer')

设置索引列

#设置索引列
df_inner.set_index('id')

排序（按索引，按数值）

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

#按索引列排序
df_inner.sort_index()

数据分组（vlookup）

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。

#如果price列的值>3000，group列显示high，否则显示low
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

#对复合多个条件的数据进行分组标记
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

数据分列（对字段拆分）

#对category字段的值依次进行分列，并创建数据表，索引值为df_inner的索引列，列名称为category和size
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])

#将完成分列后的数据表与原df_inner数据表进行匹配
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

数据提取

按标签提取(loc)

#按索引提取单行的数值
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。

#按索引提取区域行数值
df_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。

#重设索引
df_inner.reset_index()

#设置日期为索引
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。

#提取4日之前的所有数据
df_inner[:'2013-01-04']

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。

#使用iloc按位置区域提取数据
df_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。

#使用iloc按位置单独提取数据
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。

#使用ix按索引标签和位置混合提取数据
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。

#判断city列的值是否为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

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。

#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。
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']
0 100-A
3 110-C
5 130-F
4 210-A
1 100-B
2 110-A
Name: category, dtype: object

#提取前三个字符，并生成数据表
pd.DataFrame(category.str[:3])

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）

#使用“与”条件进行筛选
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

#使用“或”条件筛选
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort(['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。

#对筛选后的数据按price字段进行求和
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”条件进行筛选
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

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。

#对筛选后的数据按city列进行计数
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()
4

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。

#使用query函数进行筛选
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中的sumifs函数的功能。

#对筛选后的结果按price进行求和
df_inner.query('city == ["beijing", "shanghai"]').price.sum()
12230

数据汇总

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

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()

#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

#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)

数据统计

数据采样

Python通过sample函数完成数据采样。

#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]
f_inner.sample(n=2, weights=weights)

#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

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()

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')

参考

• 【python】pandas库Series类型与基本操作详解
• 列表（list）、元组（tuple）、字典（dictionary）、array(数组)-numpy、DataFrame-pandas 、集合（set）
• 像Excel一样使用python进行数据分析

好的学习资料

• Numpy https://www.numpy.org.cn/
• Pandas https://www.pypandas.cn/
  pandas API速查 https://www.jianshu.com/p/a77b0bc736f2 翻译自 (https://www.dataquest.io/blog/pandas-cheat-sheet/ )
• 菜鸟教程
• Matplotlib http://reverland.org/python/2012/09/07/matplotlib-tutorial/

---

• Doraengineer’s blog说明

1 良好的操作习惯

1.1 加密工作簿

单击文件选项卡，打开信息面板，下拉保护工作簿按钮，选择用户密码进行加密。取消密码保护，需要再次进入保护工作簿，在对话框中清空原密码。

1.2 自定义工作簿的默认保存位置

单击文件选项卡，选择选项，选择保存里面去设置默认本地文件位置的路径。

1.3 行列标识被隐藏 或者 填充柄功能被取消 或者 数据改变时公式不进行自动重算

单击文件选项卡，选择选项，选择高级里面去勾选
显示行和列标题，启用填充柄和单元格拖放功能。选择公式里面去勾选自动重算，

1.4 大数据查看时冻结工作表的首行或者首列

视图选项卡下的单击冻结窗格下拉按钮，单击冻结首行或者冻结首列。如果想同时冻结首行和首列，先同时选中首行和首列（选中首行，按住ctrl，选中首列），视图选项卡下的单击冻结窗格下拉按钮单击冻结拆分窗格。

1.5 重要工作表限制编辑或者保护部分区域

●重要工作表限制编辑 审阅选项卡的更改组中单击保护工作表按钮。
当要取消工作表被保护状态时，在审阅选项卡的更改组中单击撤销工作表保护按钮，将会弹出撒销工作表保护对话框，输入建立保护操作时所设置的密码，即可撇销被保护状态。

●保护部分区域
➊单击▲按钮选中表格中所有单元格区域，然后单击鼠标右键，弹出的快捷菜单中单击设置单元格格式命令，打开设置单元格格式对话框。
❷单击保护标签，撤选锁定复选框 ❸再单击确定按钮返回到工作表中。

1.6 同步滚动并排查看两个工作簿

视图选项卡单击并排查看按钮，与此同时，单击同步滚动即可事项鼠标滚轮，两个工作簿同步滚动。

2 提高数据的录入效率

2.1 避免长编码总是显示科学计数

当输入工号，编号或者数位较长的等特殊号码时，如果输入以0开头的编码，Excel默认会省去0，所以要将单元格的数据格式设置为文本再输入编码。
如下图：

2.2 财务单据中快速输入大写人民币

2.3 大量小数时的简易输入法

设置好 “自动插入小数点” 之后，选中一个单元格，输入“1234”，按enter键，就自动添加了小数点。

2.4 不相邻的相同数据可一次性输入

当单元格不相邻的时候，按住ctrl键不放，选中多个要输入的单元格，然后直接输入数据。按下ctrl+enter键之后就可以实现不相邻的相同数据可一次性输入

2.5多表大量负数简易输入法

2.6部分重复数据的简易输入法

2.7 保持编码的相同宽度

2.8 导入文本数据

2.9 将已有工作表内容填充到其他工作表

2.10 限制输入的数据只能在指定范围内或者指定格式，以及给出输入提示

数据有效性一栏，设置一栏可以，输入信息选项可以当用户输入时给予提醒，出错警告选项：当用户输入数据不合法时候，给予提示

2.11 建立下拉公式选择输入的序列

第一种方式，当下拉选项较多的时候，用拾取器按钮：

第二种方式：

2.12 限制一列中输入重复值

2.13 限制输入空格 和 禁止出库大于库存数

3 数据的处理与挖掘

3.1 数据整理

3.1.1 处理数据时整行或者整列互换

单击左键选中整列，将鼠标指针移至此列的边缘，使指针变为双十字箭头，按住shift键，同时按住鼠标左键将选中的列拖动到要移动的位置

3.1.2 处理掉数据中所有的空格与空行

1. 按ctrl+F组合键，打开查找与替换，在查找内容文本框中按空格键，单击全部替换按钮，单击确定即可。

2. 删除空行的第一种方法：利用"筛选（导航栏数据选项下）
   

3. 删除空行的第二种方法：定位（快捷键ctrl+g或者F5）功能删除所有空行。
   定位勾选空值之后，所有的空行被选中后右键选中删除即可。

3.1.3 处理数据表中的重复数据

1 删除数据中的重复值

2 “条件格式”查找重复值

3.1.4 处理日期

文本格式的日期无法进行日期筛选，需要更改为标准日期。

3.1.5 处理文本型数据

1. Excel不允许文本型的数字被计算，将数据的格式进行转换为数字即可
2. 含有强制换行符的数字不能被计算，强制换行符与自动换行符不一样，它是在想要换行的位置按下Alt+enter键产生的换行。 按ctrl+F组合键，打开查找与替换，在查找内容文本框中输入ctrl+J，单击全部替换按钮，单击确定删除全部的换行符。

3.2 数据抽取与构建

3.2.1 分列抽取新字段

3.2.2 文本函数抽取新字段

3.2.3 分列巧妙批量删除数据的多余的单位

3.2.4 合并两列数据构建新数据

3.2.5 合并单元格时保留所有数据

1. 首先选中的单元格数量要与实际要合并的单元格数量一致
   

2. 单击“格式刷”按钮后，光标变成一把刷子，将光标移至到要合并的单元格上，单击一次即可合并单元格。从外表上看已经合并了单元格，也并未破坏表格的结构。（需要注意的是：当需要合并的单元格的数字格式特殊时，在选取空白单元格的时候，要对空白单元格进行设置，让它和原数据区域的格式一致，这样在使用格式刷的时候，数据才不会出错。）

3.3 数据定位查找与替换

3.3.1 快速定位所有 空值 和 0 值

1. 快速定位所有 空值
   快捷键ctrl+G打开定位选项卡

2. 快速定位所有 0 值
   快捷键ctrl+F打开查找与替换选项卡
   

3. 定位0 值 和 空值的作用就是：

• 定位空单元格实现数据一次性输入，就想 2.4节中 不相邻的相同数据可一次性输入的功能。
• 单元格中的数据同时增加或者同时减去一个数的时候可以忽略空值单元格：
  
  
  

3.3.2用通配符批量查找一类数据

3.4数据计算

3.4.1 多表合一表

3.4.2 多表合并计算——求和，求平均值，计数统计

第一列的属性要和合并计算那几个工作表属性顺序一样。



可以选择求和或者求平均值或者计数。

3.4.3 妙用合并计算进行多表数据核对

返回值为0的表示表一和表二的数据一样没有差异。如果数据不是0，说明数据存在差异。

3.4.4 相对引用 和 绝对引用

1. 相对引用是指把一个含有单元格地址的公式复制到另一个位置时（用填充柄填充的时候），公式中的单元格的地址会随之改变。
2. 绝对引用指把公式移动或者复制到其他单元格的时候，公式的引用位置地址始终不变。它与相对引用的区别就在于单元格地址前面是否含有$符号，$符号表示锁定，添加了$符号的就是绝对引用

3.4.5 用名称简化函数参数

名称是将一个单元格区域定义为一个更加容易理解的名字，首先选中要简化的区域，然后在名称框中输入名称。这样在公式里面就简化参数。

3.5 按条件特殊显示数据

3.5.1 不同图标界定数据范围

3.5.2 指定月份数据 和 周末日期特殊显示

4 数据可视化分析

4.1 图表的编辑技巧

4.1.1 建立图表并快速向图表中添加新数据

1. 建立图表
2. 向图表中添加新数据
3. 在图表上重设数据源
   
   

4.1.2 在图标上添加数据标签

4.1.3 双图表类型时通常要启用次坐标轴

5 用函数计算统计数据

5.1 逻辑函数

5.1.1 if函数——条件判断的利器

=if(条件，条件为真时返回的值，条件为假时返回的值)

5.1.2 and,or函数——条件判断的得力助手

=and(条件1，条件2 , 条件3 , 条件4)，只有所有的条件为真时，返回true。
= or (条件1，条件2 , 条件3 , 条件4)，只要一个条件满足，返回true。

5.2 数学函数

5.2.1 自动求和按钮

5.2.2 sumif函数——只对满足条件的求和

=sumif(条件判断区域， 条件， 用于求和的区域)

5.2.3 sumifs函数——同时满足多条件求和

=sumifs(用于求和的区域, 条件判断区域, 条件， 条件判断区域,条件… )

5.2.4 sumproduct函数——并非完全等同sumifs的一个函数

= sumproduct(数组1，数组2，数组3)

5.2.5 round 和 roundup函数——从根源上控制小数位数

5.2.6 mod函数——余数计算器

5.2.7 int函数——整数切割器

5.3 统计函数

5.3.1 average和averageif函数——求平均值与按照条件求平均值

5.3.2 count和countif函数——计数与按照条件计数

5.3.3 countifs 和 sumproduct 函数——满足多条件记数

5.3.4 max（if） 函数——用max创造“maxif”效果

5.4 日期与时间函数

5.4.1 year,month,day 函数——提取日期

5.4.2 dateif函数——日期差值计算函数

5.4.3 workday函数——与工作日有关的计算

5.4.4 weekday函数——星期数判断器

weekday函数的第二个参数：

5.4.5 eomonth函数——月末日期推算器

5.4.6 hour,minute,second函数——提取时间

5.5 查找与引用函数

5.5.1 row 与column函数——行列坐标查询

5.5.2 lookup函数——查找利器

5.5.3 vlookup函数——联动查找神器

5.5.4 index + match函数

5.6 文本提取函数

5.6.1 find函数——字符位置搜索器

5.6.2 mid函数——途中截取器

5.6.3 text函数——数据易容专家

5.7 信息类函数

5.7.1 iserror函数——报错侦查器

5.7.2 iseven 和 isodd 函数——奇偶数判断器