主要用到的工具：Pandas 、fuzzywuzzy
Pandas:是基于numpy的一种工具，专门为分析大量数据而生，它包含大量的处理数据的函数和方法，
以下为pandas中文API：
缩写和包导入
在这个速查手册中，我们使用如下缩写：
df：任意的Pandas DataFrame对象
s：任意的Pandas Series对象
同时我们需要做如下的引入：
import pandas as pd
import numpy as np
导入数据
pd.read_csv(filename)：从CSV文件导入数据
pd.read_table(filename)：从限定分隔符的文本文件导入数据
pd.read_excel(filename)：从Excel文件导入数据
pd.read_sql(query, connection_object)：从SQL表/库导入数据
pd.read_json(json_string)：从JSON格式的字符串导入数据
pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格
pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()
pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据
导出数据
df.to_csv(filename)：导出数据到CSV文件
df.to_excel(filename)：导出数据到Excel文件
df.to_sql(table_name, connection_object)：导出数据到SQL表
df.to_json(filename)：以Json格式导出数据到文本文件
创建测试对象
pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
df.index = pd.date_range(\’1900/1/30\’, periods=df.shape[0])：增加一个日期索引
查看、检查数据
df.head(n)：查看DataFrame对象的前n行
df.tail(n)：查看DataFrame对象的最后n行
df.shape()：查看行数和列数
df.info()：查看索引、数据类型和内存信息
df.describe()：查看数值型列的汇总统计
s.value_counts(dropna=False)：查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数
数据选取
df[col]：根据列名，并以Series的形式返回列
df[[col1, col2]]：以DataFrame形式返回多列
s.iloc[0]：按位置选取数据
s.loc[\’index_one\’]：按索引选取数据
df.iloc[0,:]：返回第一行
df.iloc[0,0]：返回第一列的第一个元素
df.values[:,:-1]:返回除了最后一列的其他列的所以数据
df.query(\'[1, 2] not in c\’): 返回c列中不包含1，2的其他数据集
数据清理
df.columns = [\’a\’,\’b\’,\’c\’]：重命名列名
pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
df.dropna()：删除所有包含空值的行
df.dropna(axis=1)：删除所有包含空值的列
df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
df.fillna(x)：用x替换DataFrame对象中所有的空值
s.astype(float)：将Series中的数据类型更改为float类型
s.replace(1,\’one\’)：用‘one\’代替所有等于1的值
s.replace([1,3],[\’one\’,\’three\’])：用\’one\’代替1，用\’three\’代替3
df.rename(columns=lambda x: x + 1)：批量更改列名
df.rename(columns={\’old_name\’: \’new_ name\’})：选择性更改列名
df.set_index(\’column_one\’)：更改索引列
df.rename(index=lambda x: x + 1)：批量重命名索引
数据处理：Filter、Sort和GroupBy
df[df[col] > 0.5]：选择col列的值大于0.5的行
df.sort_values(col1)：按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False)：按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
df.groupby(col)：返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max
数据合并
df1.append(df2)：将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how=\’inner\’)：对df1的列和df2的列执行SQL形式的join
数据统计
df.describe()：查看数据值列的汇总统计
df.mean()：返回所有列的均值
df.corr()：返回列与列之间的相关系数
df.count()：返回每一列中的非空值的个数
df.max()：返回每一列的最大值
df.min()：返回每一列的最小值
df.median()：返回每一列的中位数
df.std()：返回每一列的标准差
以下为数据处理的代码：
#!/usr/bin/python
# -*- encoding: utf-8
import numpy as np
import pandas as pd
from fuzzywuzzy import fuzz
from fuzzywuzzy import process
def enum_row(row):
print(row[\'state\']) #对state这一列做枚举
def find_state_code(row):
if row[\'state\'] != 0: # 如果这个state的名字存在，就用state的名字与states列表中的值选择一个最接近的，如果小于80分，直接舍弃，大于80才返回
print(process.extractOne(row[\'state\'], states, score_cutoff=80))
def capital(str): # 把str这个字符串，第一个字母大写，其余小写
return str.capitalize()
def correct_state(row):
if row[\'state\'] != 0: # 如果这个state的名字存在，就用state的名字与states列表中的值选择一个最接近的，如果小于80分，直接舍弃，大于80才返回
state = process.extractOne(row[\'state\'], states, score_cutoff=80)
if state: # 如果为真，则找到了一个相关性的州名
state_name = state[0] # 选择用找到的这个州名数据
return \' \'.join(map(capital, state_name.split(\' \'))) # 先按空格分开（有的州名中间有空格）单词，然后每个单词首字母大写
return row[\'state\']
def fill_state_code(row):
if row[\'state\'] != 0:
state = process.extractOne(row[\'state\'], states, score_cutoff=80)
if state:
state_name = state[0]
return state_to_code[state_name] # 返回这个州名的value，即缩写
return \'\'
if __name__ == \"__main__\":
pd.set_option(\'display.width\', 200) # 横向最多显示多少个字符， 一般80不适合横向的屏幕，平时多用200.
data = pd.read_excel(\'sales.xlsx\', sheetname=\'sheet1\', header=0) # 读取excel表
print(\'data.head() = \\n\', data.head()) # 默认显示前五行
print(\'data.tail() = \\n\', data.tail()) # tail显示后五行
print(\'data.dtypes = \\n\', data.dtypes) # 数据类型
print(\'data.columns = \\n\', data.columns)# 显示第一行行名
for c in data.columns:
print(c, end=\' \') # 输出第一行行名，中间以空格隔开
print() #相当于回车
data[\'total\'] = data[\'Jan\'] + data[\'Feb\'] + data[\'Mar\'] # Jan、Feb、Mar三列的值相加得到一个total
print(data.head())
print(data[\'Jan\'].sum()) # Jan这一列的值相加
print(data[\'Jan\'].min()) # Jan这一列的最小值
print(data[\'Jan\'].max()) # Jan这一列的最大值
print(data[\'Jan\'].mean()) # Jan这一列的平均值
print(\'=============\')
# 添加一行
s1 = data[[\'Jan\', \'Feb\', \'Mar\', \'total\']].sum() # s1包含四个值，分别是这四列的和
print(s1)
s2 = pd.DataFrame(data=s1)
print(s2)
print(s2.T)
print(s2.T.reindex(columns=data.columns)) # 将s2进行转置输出
# 即：
s = pd.DataFrame(data=data[[\'Jan\', \'Feb\', \'Mar\', \'total\']].sum()).T
s = s.reindex(columns=data.columns, fill_value=0)
print(s)
data = data.append(s, ignore_index=True)
data = data.rename(index={15:\'Total\'})
print(data.tail())
# apply的使用
print(\'==============apply的使用==========\')
data.apply(enum_row, axis=1) # axis=0时对每一列做变换，axis=1时对每一行做变换
# 事先写好以state为单位的编码字典
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\"}
states = list(state_to_code.keys()) # 把字典中的key拿出来放到states列表中
print(fuzz.ratio(\'Python Package\', \'PythonPackage\')) #计算Python Package与PythonPackage的相似度
print(process.extract(\'Mississippi\', states)) # Mississippi与states中哪个最接近，并且列出相似比，不考虑大小写
print(process.extract(\'Mississipi\', states, limit=1)) # limit=1代表只取最接近的一个
print(process.extractOne(\'Mississipi\', states)) # extractOne代表只取最接近的一个
data.apply(find_state_code, axis=1) #apply表示对每一行（axis=1）的数据做find_state_code的变换
print(\'Before Correct State:\\n\', data[\'state\']) # 打印修改之前的state
data[\'state\'] = data.apply(correct_state, axis=1) # 检测每一行，并对其修改
print(\'After Correct State:\\n\', data[\'state\'])
data.insert(5, \'State Code\', np.nan) # 插入State Code这一列，为这一列州名的缩写
data[\'State Code\'] = data.apply(fill_state_code, axis=1)
print(data)
# group by
print(\'==============group by================\')
print(data.groupby(\'State Code\'))
print(\'All Columns:\\n\')
print(data.groupby(\'State Code\').sum()) # 按州名缩写划分，并将同样州名的数字相加
print(\'Short Columns:\\n\')
print(data[[\'State Code\', \'Jan\', \'Feb\', \'Mar\', \'total\']].groupby(\'State Code\').sum())
# 写入文件
data.to_excel(\'sales_result.xls\', sheet_name=\'Sheet1\', index=False)
补充：pandas基于多条件文本模糊查询，list，str.contains()
针对文本的模糊查询可以用str.contains()进行，但是如果多条件呢，几十个上百个，不能一个一个去查询。
思路是
1.将多条件简历在一个列表里
2.通过列表推导式加str.contains()函数和sum()函数求和
3.通过loc筛选出我们需要的本文的内容
创建
需要筛选的内容words列表，之后进行筛选、
下面显示的是sum函数里的内容的最后形式，1和2都相当于True，0代表False
有时间写一个更简单的的另一种多条件模糊筛选。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。
暂无评论内容