Python实现《谁说菜鸟不会数据分析（入门篇）》的案例

这段时间在学习Excel和Python相关内容，Excel数据分析入门有一本《谁说菜鸟不会数据分析（入门篇）》，内容细致，简洁易懂，注重培养分析的思维而不仅仅是告知方法。在学习Python过程中萌发了通过使用Python的方式实现《谁说菜鸟不会数据分析（入门篇）》中对Excel文件的处理的想法，借此提高对Python数据分析的使用，理解数据处理的方式。因为才刚开始接触学习Python和Excel，可能Python有些问题处理方式过于繁琐，不够简洁，只是进行一下尝试。

1. 重复数据处理

有时候数据中会出现重复行，干扰数据分析，这就需要对重复数据进行处理。
剔除数据中重复数据，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。

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('E:/Docs/Python/excel_data/ch04/4.2/重复数据处理.xls')
# 这里路径要用'/'，否则使用右斜杠'\'会报OSError Invalid argument错误   
frame = pd.read_excel(xlsx,'Sheet1')

如果要读取一个文件中的多个表单，创建ExcelFile会更快，但你也可以将文件名传递到pandas.read_excel：

frame1 = pd.read_excel('E:/Docs/Python/excel_data/ch04/4.2/重复数据处理.xls','Sheet1')
frame1

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_

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('E:/Docs/Python/excel_data/ch04/4.2/重复数据处理_处理后.xls')
frame_.to_excel(writer,'Sheet1')
writer.save()

你还可以不使用ExcelWriter，而是传递文件的路径到to_excel：

frame_.to_excel('E:/Docs/Python/excel_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('E:/Docs/Python/excel_data/ch04/4.2/检查数据逻辑错误.xls','Sheet1')

frame2_ = frame2.copy()
frame2_

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，ABCDEFG7道题中只能选择3项，用不等于0的值是否是3来短判断，多或者少都是错误的。

# for循环记得for、if、else语句后面都有：
for i in range(len(frame2_)):
    if (frame2_.loc[i] != 0).sum() == 3:
        frame2_.loc[i,'检验'] ='正确'
    else:
        frame2_.loc[i,'检验'] ='错误'
frame2_

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：
1. 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；
2. 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('E:/Docs/Python/excel_data/ch04/4.3/字段分列.xls','Sheet1')
frame3

首先提取需要分列的列，用split()分列，这里的分隔符是空格

frame3_ =  pd.DataFrame((x.split(' ') for x in frame3.name),index=frame3.index,columns=['A','B'])
frame3_

4. 字段分列（无特定分隔符）

frame4 = pd.read_excel('E:/Docs/Python/excel_data/ch04/4.3/数据抽取.xls','Sheet1')
frame4

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

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('E:/Docs/Python/excel_data/ch04/4.3//字符匹配/员工职位表.xlsx','Sheet1')
frame51

frame52 = pd.read_excel('E:/Docs/Python/excel_data/ch04/4.3//字符匹配/员工个人信息表（销售部）.xlsx','Sheet1')
frame52

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')

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('E:/Docs/Python/excel_data/ch04/4.3//简单计算.xls','Sheet1')
frame6

frame6['销售额'] = frame6['销售数量']* frame6['单价']
frame6

# 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

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('E:/Docs/Python/excel_data/ch04/4.3//函数计算.xls','Sheet1')
frame7

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

文中所涉及的excel数据文件和Jupyter的ipynb文件放在：
https://pan.baidu.com/s/1_ZfhpUTRoFEEglbqF7AhZA 密码：586r
《谁说菜鸟不会数据分析（入门篇）》的图书需要自己解决。