用Python的pandas框架操作Excel文件中的數(shù)據(jù)教程

本文的目的，是向您展示如何使用pandas 來執(zhí)行一些常見的Excel任務(wù)。有些例子比較瑣碎，但我覺得展示這些簡單的東西與那些你可以在其他地方找到的復(fù)雜功能同等重要。作為額外的福利，我將會進(jìn)行一些模糊字符串匹配，以此來展示一些小花樣，以及展示pandas是如何利用完整的Python模塊系統(tǒng)去做一些在Python中是簡單，但在Excel中卻很復(fù)雜的事情的。

有道理吧？讓我們開始吧。
為某行添加求和項

我要介紹的第一項任務(wù)是把某幾列相加然后添加一個總和欄。

首先我們將excel 數(shù)據(jù) 導(dǎo)入到pandas數(shù)據(jù)框架中。

import pandas as pd
import numpy as np
df = pd.read_excel("excel-comp-data.xlsx")
df.head()

我們想要添加一個總和欄來顯示Jan、Feb和Mar三個月的銷售總額。

在Excel和pandas中這都是簡單直接的。對于Excel，我在J列中添加了公式sum(G2:I2)。在Excel中看上去是這樣的：

下面，我們是這樣在pandas中操作的：    
df["total"] = df["Jan"] + df["Feb"] + df["Mar"]
df.head()

接下來，讓我們對各列計算一些匯總信息以及其他值。如下Excel表所示，我們要做這些工作：

如你所見，我們在表示月份的列的第17行添加了SUM(G2:G16)，來取得每月的總和。
進(jìn)行在pandas中進(jìn)行列級別的分析很簡單。下面是一些例子：

df["Jan"].sum(), df["Jan"].mean(),df["Jan"].min(),df["Jan"].max()
 
(1462000, 97466.666666666672, 10000, 162000)

現(xiàn)在我們要把每月的總和相加得到它們的和。這里pandas和Excel有點不同。在Excel的單元格里把每個月的總和相加很簡單。由于pandas需要維護(hù)整個DataFrame的完整性，所以需要一些額外的步驟。

首先，建立所有列的總和欄

sum_row=df[["Jan","Feb","Mar","total"]].sum()
sum_row
 
Jan   1462000
Feb   1507000
Mar    717000
total  3686000
dtype: int64

這很符合直覺，不過如果你希望將總和值顯示為表格中的單獨一行，你還需要做一些微調(diào)。

我們需要把數(shù)據(jù)進(jìn)行變換，把這一系列數(shù)字轉(zhuǎn)換為DataFrame，這樣才能更加容易的把它合并進(jìn)已經(jīng)存在的數(shù)據(jù)中。T 函數(shù)可以讓我們把按行排列的數(shù)據(jù)變換為按列排列。

df_sum=pd.DataFrame(data=sum_row).T
df_sum

在計算總和之前我們要做的最后一件事情是添加丟失的列。我們使用reindex來幫助我們完成。技巧是添加全部的列然后讓pandas去添加所有缺失的數(shù)據(jù)。    
df_sum=df_sum.reindex(columns=df.columns)
df_sum

現(xiàn)在我們已經(jīng)有了一個格式良好的DataFrame，我們可以使用append來把它加入到已有的內(nèi)容中。    
df_final=df.append(df_sum,ignore_index=True)
df_final.tail()

你可以注意到，在進(jìn)行了vlookup后，有一些數(shù)值并沒有被正確的取得。這是因為我們拼錯了一些州的名字。在Excel中處理這一問題是一個巨大的挑戰(zhàn)（對于大型數(shù)據(jù)集而言）

幸運的是，使用pandas我們可以利用強大的python生態(tài)系統(tǒng)?？紤]如何解決這類麻煩的數(shù)據(jù)問題，我考慮進(jìn)行一些模糊文本匹配來決定正確的值。

幸運的是其他人已經(jīng)做了很多這方面的工作。fuzzy wuzzy庫包含一些非常有用的函數(shù)來解決這類問題。首先要確保你安裝了他。

我們需要的另外一段代碼是州名與其縮寫的映射表。而不是親自去輸入它們，谷歌一下你就能找到這段代碼code。

首先導(dǎo)入合適的fuzzywuzzy函數(shù)并且定義我們的州名映射表。

from fuzzywuzzy import fuzz
from fuzzywuzzy import process
state_to_code = {"VERMONT": "VT", "GEORGIA": "GA", "IOWA": "IA", "Armed Forces Pacific": "AP", "GUAM": "GU",
         "KANSAS": "KS", "FLORIDA": "FL", "AMERICAN SAMOA": "AS", "NORTH CAROLINA": "NC", "HAWAII": "HI",
         "NEW YORK": "NY", "CALIFORNIA": "CA", "ALABAMA": "AL", "IDAHO": "ID", "FEDERATED STATES OF MICRONESIA": "FM",
         "Armed Forces Americas": "AA", "DELAWARE": "DE", "ALASKA": "AK", "ILLINOIS": "IL",
         "Armed Forces Africa": "AE", "SOUTH DAKOTA": "SD", "CONNECTICUT": "CT", "MONTANA": "MT", "MASSACHUSETTS": "MA",
         "PUERTO RICO": "PR", "Armed Forces Canada": "AE", "NEW HAMPSHIRE": "NH", "MARYLAND": "MD", "NEW MEXICO": "NM",
         "MISSISSIPPI": "MS", "TENNESSEE": "TN", "PALAU": "PW", "COLORADO": "CO", "Armed Forces Middle East": "AE",
         "NEW JERSEY": "NJ", "UTAH": "UT", "MICHIGAN": "MI", "WEST VIRGINIA": "WV", "WASHINGTON": "WA",
         "MINNESOTA": "MN", "OREGON": "OR", "VIRGINIA": "VA", "VIRGIN ISLANDS": "VI", "MARSHALL ISLANDS": "MH",
         "WYOMING": "WY", "OHIO": "OH", "SOUTH CAROLINA": "SC", "INDIANA": "IN", "NEVADA": "NV", "LOUISIANA": "LA",
         "NORTHERN MARIANA ISLANDS": "MP", "NEBRASKA": "NE", "ARIZONA": "AZ", "WISCONSIN": "WI", "NORTH DAKOTA": "ND",
         "Armed Forces Europe": "AE", "PENNSYLVANIA": "PA", "OKLAHOMA": "OK", "KENTUCKY": "KY", "RHODE ISLAND": "RI",
         "DISTRICT OF COLUMBIA": "DC", "ARKANSAS": "AR", "MISSOURI": "MO", "TEXAS": "TX", "MAINE": "ME"}

這里有些介紹模糊文本匹配函數(shù)如何工作的例子。    
process.extractOne("Minnesotta",choices=state_to_code.keys())
 
('MINNESOTA', 95)
 
process.extractOne("AlaBAMMazzz",choices=state_to_code.keys(),score_cutoff=80)

現(xiàn)在我知道它是如何工作的了，我們創(chuàng)建自己的函數(shù)來接受州名這一列的數(shù)據(jù)然后把他轉(zhuǎn)換為一個有效的縮寫。這里我們使用score_cutoff的值為80。你可以做一些調(diào)整，看看哪個值對你的數(shù)據(jù)來說比較好。你會注意到，返回值要么是一個有效的縮寫，要么是一個np.nan 所以域中會有一些有效的值。    
def convert_state(row):
  abbrev = process.extractOne(row["state"],choices=state_to_code.keys(),score_cutoff=80)
  if abbrev:
    return state_to_code[abbrev[0]]
  return np.nan

把這列添加到我們想要填充的單元格，然后用NaN填充它
    
df_final.insert(6, "abbrev", np.nan)
df_final.head()

我們使用apply 來把縮寫添加到合適的列中。    
df_final['abbrev'] = df_final.apply(convert_state, axis=1)
df_final.tail()

我覺的這很酷。我們已經(jīng)開發(fā)出了一個非常簡單的流程來智能的清理數(shù)據(jù)。顯然，當(dāng)你只有15行左右數(shù)據(jù)的時候這沒什么了不起的。但是如果是15000行呢？在Excel中你就必須進(jìn)行一些人工清理了。
分類匯總

在本文的最后一節(jié)中，讓我們按州來做一些分類匯總（subtotal）。

在Excel中，我們會用subtotal 工具來完成。

輸出如下：

在pandas中創(chuàng)建分類匯總，是使用groupby 來完成的。    
df_sub=df_final[["abbrev","Jan","Feb","Mar","total"]].groupby('abbrev').sum()
df_sub

然后，我們想要通過對data frame中所有的值使用 applymap 來把數(shù)據(jù)單位格式化為貨幣。    
def money(x):
  return "${:,.0f}".format(x)
 
formatted_df = df_sub.applymap(money)
formatted_df

格式化看上去進(jìn)行的很順利，現(xiàn)在我們可以像之前那樣獲取總和了。    
sum_row=df_sub[["Jan","Feb","Mar","total"]].sum()
sum_row
    
Jan   1462000
Feb   1507000
Mar    717000
total  3686000
dtype: int64

把值變換為列然后進(jìn)行格式化。
     
df_sub_sum=pd.DataFrame(data=sum_row).T
df_sub_sum=df_sub_sum.applymap(money)
df_sub_sum

最后，把總和添加到DataFrame中。    
final_table = formatted_df.append(df_sub_sum)
final_table

你可以注意到總和行的索引號是‘0'。我們想要使用rename 來重命名它。
    
final_table = final_table.rename(index={0:"Total"})
final_table

結(jié)論

到目前為止，大部分人都已經(jīng)知道使用pandas可以對數(shù)據(jù)做很多復(fù)雜的操作——就如同Excel一樣。因為我一直在學(xué)習(xí)pandas，但我發(fā)現(xiàn)我還是會嘗試記憶我是如何在Excel中完成這些操作的而不是在pandas中。我意識到把它倆作對比似乎不是很公平——它們是完全不同的工具。但是，我希望能接觸到哪些了解Excel并且想要學(xué)習(xí)一些可以滿足分析他們數(shù)據(jù)需求的其他替代工具的那些人。我希望這些例子可以幫助到其他人，讓他們有信心認(rèn)為他們可以使用pandas來替換他們零碎復(fù)雜的Excel，進(jìn)行數(shù)據(jù)操作。