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(lái)執(zhí)行一些常見(jiàn)的Excel任務(wù)。有些例子比較瑣碎，但我覺(jué)得展示這些簡(jiǎn)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(huì)進(jìn)行一些模糊字符串匹配，以此來(lái)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(jiǎn)單，但在Excel中卻很復(fù)雜的事情的。

有道理吧？讓我們開(kāi)始吧。
為某行添加求和項(xiàng)

我要介紹的第一項(xiàng)任務(wù)是把某幾列相加然后添加一個(gè)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(gè)總和欄來(lái)顯示Jan、Feb和Mar三個(gè)月的銷售總額。

在Excel和pandas中這都是簡(jiǎn)單直接的。對(duì)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(lái)，讓我們對(duì)各列計(jì)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(jiàn)，我們?cè)诒硎驹路莸牧械牡?7行添加了SUM(G2:G16)，來(lái)取得每月的總和。
進(jìn)行在pandas中進(jìn)行列級(jí)別的分析很簡(jiǎn)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(diǎn)不同。在Excel的單元格里把每個(gè)月的總和相加很簡(jiǎn)單。由于pandas需要維護(hù)整個(gè)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(jué)，不過(guò)如果你希望將總和值顯示為表格中的單獨(dú)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(jì)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(lái)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(gè)格式良好的DataFrame，我們可以使用append來(lái)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(méi)有被正確的取得。這是因?yàn)槲覀兤村e(cuò)了一些州的名字。在Excel中處理這一問(wèn)題是一個(gè)巨大的挑戰(zhàn)（對(duì)于大型數(shù)據(jù)集而言）

幸運(yùn)的是，使用pandas我們可以利用強(qiáng)大的python生態(tài)系統(tǒng)。考慮如何解決這類麻煩的數(shù)據(jù)問(wèn)題，我考慮進(jìn)行一些模糊文本匹配來(lái)決定正確的值。

幸運(yùn)的是其他人已經(jīng)做了很多這方面的工作。fuzzy wuzzy庫(kù)包含一些非常有用的函數(shù)來(lái)解決這類問(wèn)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(xiě)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(lái)接受州名這一列的數(shù)據(jù)然后把他轉(zhuǎn)換為一個(gè)有效的縮寫(xiě)。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(gè)值對(duì)你的數(shù)據(jù)來(lái)說(shuō)比較好。你會(huì)注意到，返回值要么是一個(gè)有效的縮寫(xiě)，要么是一個(gè)np.nan 所以域中會(huì)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(lái)把縮寫(xiě)添加到合適的列中。    
df_final['abbrev'] = df_final.apply(convert_state, axis=1)
df_final.tail()

我覺(jué)的這很酷。我們已經(jīng)開(kāi)發(fā)出了一個(gè)非常簡(jiǎn)單的流程來(lái)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(shí)候這沒(méi)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(lái)做一些分類匯總（subtotal）。

在Excel中，我們會(huì)用subtotal 工具來(lái)完成。

輸出如下：

在pandas中創(chuàng)建分類匯總，是使用groupby 來(lái)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(guò)對(duì)data frame中所有的值使用 applymap 來(lái)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(hào)是‘0'。我們想要使用rename 來(lái)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(duì)數(shù)據(jù)做很多復(fù)雜的操作——就如同Excel一樣。因?yàn)槲乙恢痹趯W(xué)習(xí)pandas，但我發(fā)現(xiàn)我還是會(huì)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(shí)到把它倆作對(duì)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(lái)替換他們零碎復(fù)雜的Excel，進(jìn)行數(shù)據(jù)操作。