python 数据分析（六）astype('category')按类别分组 + 分组聚合操作 + 透视表 + 交叉表 + excel表的数据处理

一、按照类别单独分类astype()

---

按照普通的mean来求菜品的均价无法计算（中间可能会有重复的菜品）；
但按照类别对菜品进行分类获取的菜品是唯一的，这就用到了astype()方法并配合category（类别）来完成
普通求法：

import pandas
detail = pandas.read_excel('detail.xlsx')
print(detail.loc[:,['counts','amounts']].describe())

获得的count会有重复，这就会用到astype

---

1. astype()用法

---

detail['dishes_name'] = detail['dishes_name'].astype('category')
print(detail['dishes_name'].describe())
print(detail['dishes_name'])

---

二、时间操作

---

将本身的数据类型转换成符合条件的时间日期型，方便数据操作

---

1. 第一种：直接利用to_datetime()

---

import pandas

detail = pandas.read_excel('detail.xlsx')
detail['place_order_time'] = pandas.to_datetime(detail['place_order_time'])
year = [i.year for i in detail['place_order_time']]

---

2. 第二种：Series.dt

---

序列的.dt方法其实就是datatime方法的转换

print(detail['place_order_time'].dt.year)

---

三、分组聚合操作

---

1. 分组

---

（1）groupby()方法

---

groupby参数：

def groupby(self, by=None, axis=0, level=None, as_index=True, sort=True,group_keys=True, squeeze=False, **kwargs)

---

分组获取指定列对象

result = detail[['order_id','counts','amounts']].groupby(by='order_id')
print(result) # 

获取的是DataFrameGroupBy 对象

print(result['order_id'])#SeriesGroupBy

但对于DataFrameGroupBy取出的就是SeriesGroupBy对象

我们可以对分组后的对象进行一些操作：如均值

result = detail.groupby(by='order_id')
print(result[['counts','amounts']].mean().head())

亦可以对分组后的对象进行一些聚合操作

## size 分组后每组的条数order_id
print(result.size())

## sum，分组后：每个订单点了多少份菜，消费总额度
print(result.sum())

说明：可以进行分组，分组后的所有列只能使用一种聚合函数操作
注意：如果想让不同的列进行不同的聚合操作，需要写两次代码

---

2. 聚合

---

（1）agg()方法

---

DataFrame.agg(func, axis=0, *args, **kwargs)
# func是一个函数，如果接多个函数，需要使用列表将多个函数名封装起来，可以使用我们自己定义的也可以使用聚合函数

• agg，aggregate 方法都支持对每个分组应用某函数，包括 Python 内置函数或自定义函数。 同时这两个方法能够也能够直接对 DataFrame 进行函数应用操作。
• 在正常使用过程中，agg 函数和 aggregate 函数对 DataFrame 对象操作时功能几乎完全相 同，因此只需要掌握其中一个函数即可。
• 它们的参数说明如下表
  

以我们之前的所学无法求不同列的均值，和等聚合操作；但利用agg方法我们可以来做个尝试

• 求不同列的和

  result1 = detail[['counts','amounts']].agg(numpy.sum)
  print(result1)
  

  
  说明：agg函数解决了让不同的列可以进行不同的聚合操作

---

① 使用方法1

---

• 对counts和amounts进行均值、求和操作

  result2 = detail[['counts','amounts']].agg([numpy.sum,numpy.mean])
  print(result2)
  

  

---

② 使用方法2

---

• 对counts进行求和操作，对amounts进行均值操作

  result3 = detail.agg({'counts':numpy.sum,'amounts':numpy.mean})
  print(result3)
  

  

---

③ 使用方法3

---

• 对一个列进行多个聚合操作，

  result4 =  detail.agg({'counts':numpy.sum,'amounts':[numpy.sum,numpy.mean]})
  print(result4)
  

  

---

④ 使用方法4

---

• 实现将自定义函数作为聚合函数统计函数

def double_sum(data):
    return numpy.sum(data)*2

result5 = detail.agg({'counts':double_sum})
print(result5)

---

（2）在分组的基础上进行聚合操作

---

即DataFrameGroupBy.聚合操作

result6 = detail[['order_id','counts','amounts']].groupby(by='order_id')
group_agg_result = result6.agg({'counts':numpy.sum,'amounts':[numpy.sum,numpy.mean]})
print("使用order_id进行分组后的DataFrameGroupBy进行聚合操作：\n",group_agg_result)

---

（3）apply()方法

---

注意：agg与apply的区别：
主要区别在于

• apply是对整个表格中的数据进行聚合操作
• 而agg方法可以让不同的字段应用不同的聚合函数

相同之处就是：

• 都可以对分组后的数据进行聚合操作

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

---

apply仅支持对某些列或所有数据进行聚合操作，但满足不了不同的列应用不同的聚合操作

result7 = detail[['counts','amounts']].apply(numpy.mean)
print("使用apply对这两个字段进行聚合操作：\n",result7)

因为参数是func，亦可以完成多个聚合操作

在分组后也可以使用apply进行聚合操作

---

（4）transform()方法

---

• transform 方法能够对整个 DataFrame 的所有元素进行操作。且 transform 方法只有一个 参数“func”，表示对 DataFrame 操作的函数。
• 同时 transform 方法还能够对 DataFrame 分组后的对象 GroupBy 进行操作，可以实现组 内离差标准化等操作。
• 若在计算离差标准化的时候结果中有 NaN，这是由于根据离差标准化公式，最大值和 最小值相同的情况下分母是 0。而分母为 0 的数在 Python 中表示为 NaN。

def transform(self, func, *args, **kwargs)

func表名可以传入函数对其聚合操作，自定义函数进行离差标准化操作

---

① 对于离差标准化

---

agg/apply/transform都可以用来做离差标准化；因为参数中都有func，都可以自定义函数

counts_min = detail['counts'].min()
counts_max = detail['counts'].max()
# ## 用result6报错是因为分组后取counts是一组一组的，不是一个一个的数据

print("对counts进行离差标准化",detail['counts'].transform(lambda x:(x-counts_min)/(counts_max-counts_min)))
print("对counts进行离差标准化",detail['counts'].apply(lambda x:(x-counts_min)/(counts_max-counts_min)))
print("对counts进行离差标准化",detail['counts'].agg(lambda x:(x-counts_min)/(counts_max-counts_min)))

注意：不能用分组后的数据来进行离差标准化；分组后取counts是一组一组的，不是一个一个的数据

通过离差标准化可以计算方差或标准差
衡量数据离散程度可以使用方差或标准差

amounts_min = detail['amounts'].min()
amounts_max = detail['amounts'].max()
print('菜品价格的标准差：',detail['amounts'].std())
detail['amounts_licha']= (detail['amounts'] - amounts_min)/(amounts_max-amounts_min)
print('菜品价格的离差标准化：',detail['amounts_licha'].std())

不使用离差标准化会因为单位不同等原因造成方差的结果很大，对实际不符

---

四、透视表

---

利用 pivot_table 函数可以实现透视表，pivot_table()函数的常用参数及其使用格式如下

def pivot_table(data, values=None, index=None, columns=None, aggfunc='mean',fill_value=None, margins=False, dropna=True,margins_name='All')

• pivot_table自带聚合函数mean操作（默认的）在不特殊指定聚合函数 aggfunc 时，会默认使用 numpy.mean 进行聚合运算，numpy.mean 会自动过滤掉非数值类型数据。可以通过指定 aggfunc 参数修改聚合函数。
• index相当于分组;如下面对order_id分组；和 groupby 方法分组的时候相同，pivot_table 函数在创建透视表的时候分组键 index 可 以有多个
• 通过设置 columns 参数可以指定列分组
• 当全部数据列数很多时，若只想要显示某列，可以通过指定 values 参数来实现。
• 当某些数据不存在时，会自动填充 NaN，因此可以指定 fill_value 参数，表示当存在缺 失值时，以指定数值进行填充
• 可以更改 margins 参数，查看汇总数据。

---

detail_pivot1 = pandas.pivot_table(detail[['order_id','counts','amounts']],index='order_id')
print(detail_pivot1)

按order_id分组，并求均值

如果想要指定聚合函数aggfunc=’'
aggfunc=’'内置是字符串可以直接写聚合函数，但最好用numpy.方法;可以提示，防止写错

detail_pivot2 = pandas.pivot_table(detail[['order_id','counts','amounts']],index='order_id',aggfunc=numpy.sum)
print(detail_pivot2)

---

五、crosstab 函数创建交叉表

---

交叉表是一种特殊的透视表，主要用于计算分组频率。利用 pandas 提供的 crosstab 函数 可以制作交叉表，crosstab 函数的常用参数和使用格式如下

pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, dropna=True, normalize=False)

由于交叉表是透视表的一种，其参数基本保持一致，不同之处在于 crosstab 函数中的 index，columns，values 填入的都是对应的从 Dataframe 中取出的某一列。

---

交叉表和透视表的index区别：交叉表index不能直接跟字段名‘order_id’，跟的是字段值detail[‘order_id’]

result = pandas.crosstab(index=detail['order_id'],columns=detail['dishes_name'],values=detail['counts'],aggfunc=numpy.sum)  ## sum是把相同order_id的放在一行了
print(result)

columns为对应列的所有数据作为交叉表的列，values是对应数量放在对应列下，aggfunc=numpy.sum是把分组order_id的所有内容加到一行

---

六、excel表的数据处理

---

1. 工号与名字一致重复（去重）

---

 def drop_duplicates(self, subset=None, keep='first', inplace=False)

import pandas
data = pandas.read_excel('英雄联盟员工信息表.xlsx')
print("原始数据：",data.shape) # 原始数据： (22, 8)
#1. 工号与名字一致重复
# def drop_duplicates(self, subset=None, keep='first', inplace=False)
data.drop_duplicates(subset=['工号','姓名'],inplace=True)
print("去除重复员工后：",data.shape) # 去除重复员工后： (20, 8)

注意：drop_duplicates默认是对这一行的所有数据进行比对，完全一样才会骑去重；我们可以通过subset=[’’,’’]来指定几个字段去重
inplace=False有返回值，不作用在原数据上；inplace=True无返回值，作用在原数据上

---

2. 员工平均工作年限

---

print(data['工龄'].mean()) # 3.8

---

3. 任职最久的3位

---

对序列进行排序用sort_values

def sort_values(self, by, axis=0, ascending=True, inplace=False,kind='quicksort', na_position='last')

result_Sort = data[['姓名','工龄']].sort_values(by='工龄',ascending=False,inplace=False)
print(result_Sort.head(3))

ascending有两个值：True和False，升序和降序
注意：若是之前的表格改变，而且排序后再将值赋给表格会报错，可能是行缺失，可能是排序后值不匹配；所以用inplace=False

---

4. 员工总体流失率

---

mask = data['状态']=='离职'
print(mask)
print(type(mask))

print("离职率：",data.iloc[mask.values,:].shape[0]/data.shape[0]) # 离职率： 0.3

mask.values为False的则不显示，True的显示。通过判断有多少行来求离职的，除以所有的，即为离职率

对一个序列对象如果单纯的想获取值，可以使用values属性

print(mask.values) # [ True False False  True False False False False False False False False True False  True False False False  True  True]

根据上面的代码我们可以利用Boolean值相加减来获得离职的人数，以此来求离职率

print("离职率：",mask.values.sum()/data.shape[0]) # 离职率： 0.3

---

5. 各部门有多少员工

---

print(data[['部门','姓名']].groupby(by='部门').count())

print((data[['部门']].groupby(by='部门')).count())

这种方式取出为空，因为你没有索引让他列出值

---