Python数据分析实战基础(一)：初识Pandas

作者 | 吹牛Z
来源 | 数据不吹牛

据某数据来源统计，学习了Pandas的同学，有超过60%仍然投向了Excel的怀抱，之所以做此下策，多半是因为刚开始用Python处理数据时，选择想要的行和列实在太痛苦，完全没有Excel想要哪里点哪里的快感。

第一篇潘大师（初识Pandas）教程考虑到篇幅问题只讲了最基础的列向索引，但这显然不能满足同志们日益增长的个性化服务（选取）需求。为了舒缓痛感，增加快感，满足需求，第二篇内容我们单独把索引拎出来，结合场景详细介绍两种常用的索引方式：

• 第一种是基于位置（整数）的索引，案例短平快，有个粗略的了解即可，实际中偶有用到，但它的应用范围不如第二种广泛。
• 第二种是基于名称（标签）的索引，这是要敲黑板练的重点，因为它将是我们后面进行数据清洗和分析的重要基石。

首先，简单介绍一下练习的案例数据：

和第一篇数据集一样，记录着不同流量来源下，各渠道来源明细所对应的访客数、支付转化率和客单价。数据集虽然简短（复杂的案例数据集在基础篇完结后会如约而至），但是有足够的代表性，下面开始我们索引的表演。

01 基于位置（数字）的索引

先看一下索引的操作方式：

我们需要根据实际情况，填入对应的行参数和列参数。

场景一（行选取）

目标：选择“流量来源”等于“一级”的所有行。

思路：手指戳屏幕数一数，一级的渠道，是从第1行到第13行，对应行索引是0-12，但Python切片默认是含首不含尾的，要想选取0-12的索引行，我们得输入“0:13”，列想要全部选取，则输入冒号“：”即可。

场景二（列选取）

目标：我们想要把所有渠道的流量来源和客单价单拎出来看一看。

思路：所有流量渠道，也就是所有行，在第一个行参数的位置我们输入“：”；再看列，流量来源是第1列，客单价是第5列，对应的列索引分别是0和4：

值得注意的是，如果我们要跨列选取，得先把位置参数构造成列表形式，这里就是[0,4]，如果是连续选取，则无需构造成列表，直接输入0:5（选取索引为0的列到索引为4的列）就好。

场景三（行列交叉选取）

目标：我们想要看一看二级、三级流量来源、来源明细对应的访客和支付转化率

思路：先看行，二级三级渠道对应行索引是13:17，再次强调索引含首不含尾的原则，我们传入的行参数是13:18；列的话我们需要流量来源、来源明细、访客和转化，也就是前4列，传入参数0:4。

02 基于名称（标签）的索引

为了建立起横向对比的体感，我们依然沿用上面三个场景。

场景一：选择一级渠道的所有行。

思路：这次我们不用一个个数位置了，要筛选流量渠道为"一级"的所有行，只需做一个判断，判断流量来源这一列，哪些值等于"一级"。

返回的结果由True和False（布尔型）构成，在这个例子中分别代表结果等于一级和非一级。在loc方法中，我们可以把这一列判断得到的值传入行参数位置，Pandas会默认返回结果为True的行（这里是索引从0到12的行），而丢掉结果为False的行，直接上例子：

场景二：我们想要把所有渠道的流量来源和客单价单拎出来看一看。

思路：所有渠道等于所有行，我们在行参数位置直接输入“:”，要提取流量来源和客单价列，直接输入名称到列参数位置，由于这里涉及到两列，所以得用列表包起来：

场景三：我们想要提取二级、三级流量来源、来源明细对应的访客和支付转化率。

思路：行提取用判断，列提取输入具体名称参数。

此处插播一条isin函数的广告，这个函数能够帮助我们快速判断源数据中某一列（Series）的值是否等于列表中的值。拿案例来说，df[‘流量来源’].isin([‘二级’,‘三级’])，判断的是流量来源这一列的值，是否等于“二级”或者“三级”，如果等于（等于任意一个）就返回True，否则返回False。我们再把这个布尔型判断结果传入行参数，就能够很容易的得到流量来源等于二级或者三级的渠道。

既然loc的应用场景更加广泛，应该给他加个鸡腿，再来个接地气的场景练练手。

插入场景之前，我们先花30秒的时间捋一捋Pandas中列（Series）向求值的用法，具体操作如下：

只需要加个尾巴，均值、标准差等统计数值就出来了，了解完这个，下面正式进入场景四。

场景四：对于流量渠道数据，我们真正应该关注的是优质渠道，假如这里我们定义访客数、转化率、客单价都高于平均值渠道是优质渠道，那怎么找到这些渠道呢？

思路：优质渠道，得同时满足访客、转化、客单高于平均值这三个条件，这是解题的关键。

先看看均值各是多少：

再判断各指标列是否大于均值：

要三个条件同时满足，他们之间是一个“且”的关系（同时满足），在pandas中，要表示同时满足，各条件之间要用"&"符号连接，条件内部最好用括号区分；如果是“或”的关系（满足一个即可），则用“|”符号连接：

这样连接之后，返回True则表示该渠道同时满足访客、转化率、客单价都高于均值的条件，接下来我们只需要把这些值传入到行参数的位置。

到这一步，我们直接筛选出了4条关键指标都高于均值的优质渠道。

这两种索引方式，分别是基于位置（数字）的索引和基于名称（标签）的索引，关键在于把脑海中想要选取的行和列，映射到对应的行参数与列参数中去。

只要稍加练习，我们就能够随心所欲的用pandas处理和分析数据，迈过了这一步之后，你会发现和Excel相比，Python是如此的美艳动人。

这是Python数据分析实战基础的第一篇内容，主要是和Pandas来个简单的邂逅。已经熟练掌握Pandas的同学，可以加快手速滑动浏览或者直接略过本文。

搜索···进入···解锁···更多专业内容和优质资讯，不要错过哟！