手把手教你做一个“渣”数据师，用Python代替老情人Excel

大数据文摘出品

来源：medium

编译：张大笔茹

十年前，你说你是做数据的，大家的反应就是——用Excel做做表。

现在，要成为一个合格的数据分析师，你说你不会Python，大概率会被江湖人士耻笑。

Medium上一位博主就分享了他一步步用Python替换掉十年前的“老情人”Excel的过程，一起来学习一下吧！

在Excel成为我的“初恋”十年之后，是时候找一个更好的“另一半”了，在这个技术日新月异的时代，更好更薄更轻更快处理数据的选择就在身边！我希望用Python取代几乎所有的excel功能，无论是简单的筛选还是相对复杂的创建并分析数据和数组。

我将展示从简单到复杂的计算任务。强烈建议你跟着我一起做这些步骤，以便更好地理解它们。

拟写此文的灵感来自于人人可访问的免费教程网站，我曾认真阅读并一直严格遵守这篇Python文档，链接如下，相信你也会从该网站中找到很多干货。

GitHub链接：

https://github.com/ank0409/Ditching-Excel-for-Python

一、将excel文件导入Panda DataFrame

初始步骤是将excel文件导入DataFrame，以便我们执行所有任务。我将演示支持xls和xlsx文件扩展名的Pandas的read_excel方法。read_csv与read_excel相同，就不做深入讨论了，但我会分享一个例子。

尽管read_excel方法包含数百万个参数，但我们只讨论那些在日常操作中最常见的那些。

我们使用Iris样本数据集，出于教育目的，该数据集可在线免费使用。

请按照以下链接下载数据，并将其放在与存储Python文件的同一文件夹中。

https://archive.ics./ml/datasets/iris

1、第一步是在Python中导入库

可以使用以下代码将电子表格数据导入Python：

pandas.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, parse_cols=None, usecols=None, squeeze=False, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skiprows=None, nrows=None, na_values=None, keep_default_na=True, verbose=False, parse_dates=False, date_parser=None, thousands=None, comment=None, skip_footer=0, skipfooter=0, convert_float=True, mangle_dupe_cols=True, **kwds)

有大量可用的参数，我们来看一下最常用的一些参数。

2、一些重要的Pandas read_excel选项

如果默认使用本地文件的路径，用“\”表示，接受用“/”表示，更改斜杠可以将文件添加到Python文件所在的文件夹中。如果需要有关上述内容的详细说明，请参阅以下文章。

https:///@ageitgey/Python-3-quick-tip-the-easy-way-to-deal-with-file-paths-on-windows-mac-and-linux-11a072b58d5f

用Python扫描目录中的文件并选择想要的：

3、导入表格

默认情况下，文件中的第一个工作表将按原样导入到数据框中。

使用sheet_name参数，可以明确要导入的工作表。文件中的第一个表默认值为0。可以用工作表的名字，或一个整数值来当作工作表的index。

4、使用工作表中的列作为索引

除非明确提到，否则索引列会添加到DataFrame中，默认情况下从0开始。

使用index_col参数可以操作数据框中的索引列，如果将值0设置为none，它将使用第一列作为index。

5、略过行和列

默认的read_excel参数假定第一行是列表名称，会自动合并为DataFrame中的列标签。使用skiprows和header之类的函数，我们可以操纵导入的DataFrame的行为。

6、导入特定列

使用usecols参数，可以指定是否在DataFrame中导入特定的列。

这只是个开始，并不是所有的功能，但已足够你“尝鲜”了。

二、查看的数据的属性

现在我们有了DataFrame，可以从多个角度查看数据了。Pandas有很多我们可以使用的功能，接下来将使用其中一些来看下我们的数据集。

1、从“头”到“脚”

查看第一行或最后五行。默认值为5，也可以自定义参数。

2、查看特定列的数据

3、查看所有列的名字

4、查看信息

查看DataFrame的数据属性总结：

5、返回到DataFrame

6、查看DataFrame中的数据类型

三、分割：即Excel过滤器

描述性报告是关于数据子集和聚合的，当需要初步了解数据时，通常使用过滤器来查看较小的数据集或特定的列，以便更好的理解数据。

Python提供了许多不同的方法来对DataFrame进行分割，我们将使用它们中的几个来了解它是如何工作的。

1、查看列

包括以下三种主要方法：

• 使用点符号：例如data.column_name

• 使用方括号和列名称：数据[“COLUMN_NAME”]

• 使用数字索引和iloc选择器：data.loc [：，'column_number']

2、查看多列

3、查看特定行

这里使用的方法是loc函数，其中我们可以指定以冒号分隔的起始行和结束行。注意，索引从0开始而不是1。

4、同时分割行和列

5、在某一列中筛选

6、筛选多种数值

7、用列表筛选多种数值

8、筛选不在列表或Excel中的值

9、用多个条件筛选多列数据

输入应为列一个表，此方法相当于excel中的高级过滤器功能：

10、根据数字条件过滤

11、在Excel中复制自定义的筛选器

12、合并两个过滤器的计算结果

13、包含Excel中的功能

14、从DataFrame获取特定的值

如果想要用特定值查看整个DataFrame，可以使用drop_duplicates函数：

15、排序

对特定列排序，默认升序：

四、统计功能

1、描述性统计

描述性统计，总结数据集分布的集中趋势，分散程度和正态分布程度，不包括NaN值：

描述性统计总结：

五、数据计算

1、计算某一特定列的值

输出结果是一个系列。称为单列数据透视表：

2、计数

统计每列或每行的非NA单元格的数量：

3、求和

按行或列求和数据：

为每行添加总列：

4、将总列添加到已存在的数据集

5、特定列的总和，使用loc函数

或者，我们可以用以下方法：

6、用drop函数删除行

7、计算每列的总和

以上，我们使用的方法包括：

• Sum_Total：计算列的总和

• T_Sum：将系列输出转换为DataFrame并进行转置

• Re-index：添加缺少的列

• Row_Total：将T_Sum附加到现有的DataFrame

8、多条件求和，即Excel中的Sumif函数

9、多条件求和

10、求算术平均值

11、求最大值

12、求最小值

13、Groupby：即Excel中的小计函数

六、DataFrame中的数据透视表功能

谁会不喜欢Excel中的数据透视表呢？它是分析数据的最佳方式，可以快速浏览信息，使用超级简单的界面分割数据，绘制图表，添加计算列等。

现在没有了工作界面，必须用编写代码的方式来输出结果，且没有生成图表功能，但需要我们充分理解数据透视表的精华。

简单的数据透视表，显示SepalWidth的总和，行列中的SepalLength和列标签中的名称。

现在让我们试着复杂化一些：

用fill_value参数将空白替换为0：

可以使用dictionary函数进行单独计算，也可以多次计算值：

七、Vlookup函数

Excel中的vlookup是一个神奇的功能，是每个人在学习如何求和之前就想要学习的。会用vlookup是很迷人的，因为输出结果时像变魔术一样。可以非常自信地说它是电子表格上计算的每个数据的支柱。

不幸的是Pandas中并没有vlookup功能！

由于Pandas中没有“Vlookup”函数，因此Merge用与SQL相同的备用函数。有四种合并选项：

• left——使用左侧DataFrame中的共享列并匹配右侧DataFrame，N/A为NaN；

• right——使用右侧DataFrame中的共享列并匹配左侧DataFrame，N/A为NaN；

• inner——仅显示两个共享列重叠的数据。默认方法；

• outer——当左侧或右侧DataFrame中存在匹配时，返回所有记录。

以上可能不是解释这个概念的最好例子，但原理是一样的。