Python+pandas数据分析实践总结

引言：

  在近日的python数据分析实战课中，我学习到使用python进行数据分析的流程、方法，对常使用的函数有一些认识和了解，对 numpy, pandas 包有了一定的理解但不深。这篇博客将是我自己用于总结归纳的圣地，我将对整个项目的 key point 进行归纳总结，提取其中精华之所在，汲取之加以奋发向前。

一、分析数据文件：

  在拿到数据的第一刻，莫急，先打开数据文件看一看，明白文件里的数据能够说明什么。于是乎我们得以提出分析的目标，并开始思索如何能够实现我们的目的。例如，我们手里有一份某电商平台一年的营销数据，这份数据中包含了达成交易订单的用户ID、本次订单对应的商品数量、总价、时间，思考：我们可以利用这些数据得到哪些结论？——从时间维度：分析不同月份的营销额；从客户维度：分析回购率、复购率、新老用户比例。根据得出的结论，我们得以制定相应的策略来提高商家的盈利。

二、数据预处理：

提一嘴，在文件最开始导入包的时候输入 plt.rcParams['font.sans-serif'] = 'SimHei' 以让中文能够正常显示（IPython中如此）

首先读取文件，利用 pandas 根据不同文件类型选择不同的读取函数：

• csv: pd.read_csv('name.csv', encoding='utf-8/GBK')
• text: pd.read_table('name.txt', names=columns, sep='\s+') # names指定每一列数据的含义，sep是划分数据时的参考，\s+表示跳过任意多的空格
• excel: pd.read_excel('name.xlsx')

接着进行数据的预处理：

• 对于出现NAN的行或列且需要删除的：data.dropna(axis=0, how='any', inplace=True) # 删除带有NAN的一整行数据，并修改原值
• 对于重复出现的行或列：data.drop_duplicates(axis=0, inplace=True) # 删除重复的行，并修改原值
• 对于无用的行或列：data.drop(columns='order_id', axis=1, inplace=True) # 删除 order_id 这一列
• 对于需要更新索引的数据：data.reset_index(drop=True, inplace=True) 把原来的索引index列删除，并更新index

对于单位不统一的数据：如下图

看到销售金额一列的单位有元也有万元，并且含有逗号，为了方便处理，我们将其格式化。

def data_deal(number):
    if number.find('万元')!= -1:#找到带有万元的，取出数字，去掉逗号，转成float，*10000
        number_new = float(number[:number.find('万元')].replace(',',''))*10000
    else: # 找到带有元的并处理
        number_new = float(number[:number.find('元')].replace(',',''))
    return number_new
data['销售金额'] = data['销售金额'].map(data_deal)

这里我们使用到了 Series.map() 函数，该函数的作用与 apply 和 applymap 类似，接收一个函数或含有映射关系的字典型对象，区别如下：

• apply:作用于dataframe的整行或整列
• applymap:作用于dataframe的每一个元素
• map:作用于series中的每一个元素，在df结构中无法使用map函数

详情：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.map.html?highlight=map

到此这篇关于Python+pandas数据分析实践总结的文章就介绍到这了,更多相关python数据分析内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！