Excel是數據分析中最常用的工具，本篇文章通過python與excel的功能對比介紹如何使用python通過函數式編程完成excel中的數據處理及分析工作。在Python中pandas庫用于數據處理，我們從1787頁的pandas官網文檔中總結出最常用的36個函數，通過這些函數介紹如何通過python完成數據生成和導入，數據清洗，預處理，以及最常見的數據分類，數據篩選，分類匯總，透視等最常見的操作。

1.數據預處理

這部分是數據的預處理，對清洗完的數據進行整理以便后期的統計和分析工作。主要包括數據表的合并，排序，數值分列，數據分組及標記等工作。

數據表合并

首先是對不同的數據表進行合并，我們這里創建一個新的數據表df1，并將df和df1兩個數據表進行合并。在Excel中沒有直接完成數據表合并的功能，可以通過VLOOKUP函數分步實現。在python中可以通過merge函數一次性實現。下面建立df1數據表，用于和df數據表進行合并。

#創建df1數據表 
df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], 
"gender":['male','female','male','female','male','female','male','female'], 
"pay":['Y','N','Y','Y','N','Y','N','Y',], 
"m-point":[10,12,20,40,40,40,30,20]}) 

使用merge函數對兩個數據表進行合并，合并的方式為inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。并命名為df_inner。

#數據表匹配合并，inner模式 
df_inner=pd.merge(df,df1,how='inner') 

除了inner方式以外，合并的方式還有left，right和outer方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

#其他數據表匹配模式 
df_left=pd.merge(df,df1,how='left') 
df_right=pd.merge(df,df1,how='right') 
df_outer=pd.merge(df,df1,how='outer') 

設置索引列

完成數據表的合并后，我們對df_inner數據表設置索引列，索引列的功能很多，可以進行數據提取，匯總，也可以進行數據篩選等。

設置索引的函數為set_index。

#設置索引列 
df_inner.set_index('id') 

排序(按索引，按數值)

Excel中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python中需要使用ort_values函數和sort_index函數完成排序。

在python中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按age列中用戶的年齡對數據表進行排序。

使用的函數為sort_values。

#按特定列的值排序 
df_inner.sort_values(by=['age']) 

Sort_index函數用來將數據表按索引列的值進行排序。

#按索引列排序 
df_inner.sort_index() 

數據分組

Excel中可以通過VLOOKUP函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python中使用where函數完成數據分組。

Where函數用來對數據進行判斷和分組，下面的代碼中我們對price列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，并使用group字段進行標記。

#如果price列的值>3000，group列顯示high，否則顯示low 
df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low') 

除了where函數以外，還可以對多個字段的值進行判斷后對數據進行分組，下面的代碼中對city列等于beijing并且price列大于等于4000的數據標記為1。

#對復合多個條件的數據進行分組標記 
df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1 

數據分列

與數據分組相反的是對數值進行分列，Excel中的數據目錄下提供“分列”功能。在python中使用split函數實現分列。

在數據表中category列中的數據包含有兩個信息，前面的數字為類別id，后面的字母為size值。中間以連字符進行連接。我們使用split函數對這個字段進行拆分，并將拆分后的數據表匹配回原數據表中。

#對category字段的值依次進行分列，并創建數據表，索引值為df_inner的索引列，列名稱為category和size 
pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size']) 

#將完成分列后的數據表與原df_inner數據表進行匹配 
df_inner=pd.merge(df_inner,split,right_index=True, left_index=True) 

2.數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc和ix，loc函數按標簽值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取。下面介紹每一種函數的使用方法。

按標簽提取(loc)

Loc函數按數據表的索引標簽進行提取，下面的代碼中提取了索引列為3的單條數據。

#按索引提取單行的數值 
df_inner.loc[3] 
id 1004 
date 2013-01-05 00:00:00 
city shenzhen 
category 110-C 
age 32 
price 5433 
gender female 
m-point 40 
pay Y 
group high 
sign NaN 
category_1 110 
size C 
Name: 3, dtype: object 

使用冒號可以限定提取數據的范圍，冒號前面為開始的標簽值，后面為結束的標簽值。下面提取了0到5的數據行。

#按索引提取區域行數值 
df_inner.loc[0:5] 

Reset_index函數用于恢復索引，這里我們重新將date字段的日期設置為數據表的索引，并按日期進行數據提取。

#重設索引 
df_inner.reset_index() 

#設置日期為索引 
df_inner=df_inner.set_index('date') 

使用冒號限定提取數據的范圍，冒號前面為空表示從0開始。提取所有2013年1月4日以前的數據。

#提取4日之前的所有數據 
df_inner[:'2013-01-04'] 

按位置提取(iloc)

使用iloc函數按位置對數據表中的數據進行提取，這里冒號前后的數字不再是索引的標簽名稱，而是數據所在的位置，從0開始。

#使用iloc按位置區域提取數據 
df_inner.iloc[:3,:2] 

iloc函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的0,2,5表示數據所在行的位置，后面方括號中的數表示所在列的位置。

#使用iloc按位置區域提取數據 
df_inner.iloc[:3,:2] 

按標簽和位置提取(ix)

ix是loc和iloc的混合，既能按索引標簽提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

#使用ix按索引標簽和位置混合提取數據 
df_inner.ix[:'2013-01-03',:4] 

按條件提取(區域和條件值)

除了按標簽和位置提起數據以外，還可以按具體的條件進行數據。下面使用loc和isin兩個函數配合使用，按指定條件對數據進行提取 。

使用isin函數對city中的值是否為beijing進行判斷。

#判斷city列的值是否為beijing 
df_inner['city'].isin(['beijing']) 
 
date 
2013-01-02 True 
2013-01-05 False 
2013-01-07 True 
2013-01-06 False 
2013-01-03 False 
2013-01-04 False 
Name: city, dtype: bool 

將isin函數嵌套到loc的數據提取函數中，將判斷結果為Ture數據提取出來。這里我們把判斷條件改為city值是否為beijing和 shanghai。如果是就把這條數據提取出來。

#先判斷city列里是否包含beijing和shanghai，然后將復合條件的數據提取出來。 
df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])] 

數值提取還可以完成類似數據分列的工作，從合并的數值中提取出制定的數值。

category=df_inner['category'] 
0 100-A 
3 110-C 
5 130-F 
4 210-A 
1 100-B 
2 110-A 
Name: category, dtype: object 
 
#提取前三個字符，并生成數據表 
pd.DataFrame(category.str[:3]) 

3.數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大于，小于和等于對數據進行篩選，并進行計數和求和。與excel中的篩選功能和countifs和sumifs功能相似。

按條件篩選(與，或，非)

Excel數據目錄下提供了“篩選”功能，用于對數據表按不同的條件進行篩選。Python中使用loc函數配合篩選條件來完成篩選功能。配合sum和count函數還能實現excel中sumif和countif函數的功能。

使用“與”條件進行篩選，條件是年齡大于25歲，并且城市為beijing。篩選后只有一條數據符合要求。

#使用“與”條件進行篩選  
df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']] 

使用“或”條件進行篩選，年齡大于25歲或城市為beijing。篩選后有6條數據符合要求。

#使用“或”條件篩選 
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort 
(['age']) 

在前面的代碼后增加price字段以及sum函數，按篩選后的結果將price字段值進行求和，相當于excel中sumifs的功能。

#對篩選后的數據按price字段進行求和 
df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), 
['id','city','age','category','gender','price']].sort(['age']).price.sum()  
19796 

使用“非”條件進行篩選，城市不等于beijing。符合條件的數據有4條。將篩選結果按id列進行排序。

#使用“非”條件進行篩選  
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']) 

在前面的代碼后面增加city列，并使用count函數進行計數。相當于excel中的countifs函數的功能。

#對篩選后的數據按city列進行計數 
df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count() 
4 

還有一種篩選的方式是用query函數。下面是具體的代碼和篩選結果。

#使用query函數進行篩選 
df_inner.query('city == ["beijing", "shanghai"]') 

在前面的代碼后增加price字段和sum函數。對篩選后的price字段進行求和，相當于excel中的sumifs函數的功能。

#對篩選后的結果按price進行求和  
df_inner.query('city == ["beijing", "shanghai"]').price.sum()  
12230