pandas数据处理进阶-创新互联

一、pandas的统计分析

1、关于pandas 的数值统计(统计detail 中的 单价的相关指标)

import pandas as pd

# 加载数据

detail = pd.read_excel("./meal_order_detail.xlsx")

print("detail :\n", detail)

print("detail 的列索引名称:\n", detail.columns)

print("detail 的形状:\n", detail.shape)

print("detail 数据类型:\n", detail.dtypes)

print("amounts 的大值：\n",detail.loc[:,'amounts'].max())

print("amounts 的最小值：\n",detail.loc[:,'amounts'].min())

print("amounts 的均值：\n",detail.loc[:,'amounts'].mean())

print("amounts 的中位数：\n",detail.loc[:,'amounts'].median())

print("amounts 的方差：\n",detail.loc[:,'amounts'].var())

print("amounts 的describe：\n",detail.loc[:,'amounts'].describe())

# 对于两列的统计结果

print("amounts 的describe：\n",detail.loc[:,['counts','amounts']].describe())

print("amounts 的describe：\n",detail.loc[:,['counts','amounts']].describe())

print("amounts 的describe：\n",detail.loc[:,'amounts'].describe())

print("amounts 的describe：\n",detail.loc[:,'counts'].describe())

print("amounts 的极差：\n",detail.loc[:,'amounts'].ptp())

print("amounts 的标准差：\n",detail.loc[:,'amounts'].std())

print("amounts 的众数：\n",detail.loc[:,'amounts'].mode()) # 返回众数的数组

print("amounts 的众数：\n",detail.loc[:,'counts'].mode()) # 返回众数的数组

print("amounts 的非空值的数目：\n",detail.loc[:,'amounts'].count())

print("amounts 的大值的位置：\n",detail.loc[:,'amounts'].idxmax()) # np.argmax()

print("amounts 的最小值的位置：\n",detail.loc[:,'amounts'].idxmin()) # np.argmin()

2、pandas对于非数值型数据的统计分析

(1)对于dataframe转化数据类型，其他类型 转化为object类型

detail.loc[:,'amounts'] = detail.loc[:,'amounts'].astype('object')

(2)类别型数据

detail.loc[:,'amounts'] = detail.loc[:,'amounts'].astype('category')

print("统计类别型数据的describe指标:\n",detail.loc[:, 'amounts'].describe())

(3)统计实例

#### 统计在detail中 最火的菜品以及卖出的份数

## 若白饭算菜

detail.loc[:, 'dishes_name'] = detail.loc[:, 'dishes_name'].astype('category')

print("按照dishes_name统计描述信息：\n", detail.loc[:, 'dishes_name'].describe())

## 若白饭不算菜 ，把白饭删除，再统计

# drop labels，行的名称， axis =0,inplace = True

# 定位到白饭的行

bool_id = detail.loc[:, 'dishes_name'] == '白饭/大碗'

# 进行 获取行名称

index = detail.loc[bool_id, :].index

# 进行删除

detail.drop(labels=index, axis=0, inplace=True)

# 在进行转化类型

detail.loc[:, 'dishes_name'] = detail.loc[:, 'dishes_name'].astype('category')

# 在进行统计描述信息

print("按照dishes_name统计描述信息：\n", detail.loc[:, 'dishes_name'].describe())

## 统计在detail 中订单中菜品最多的

# 将 order_id 转化为类别型数据 ，再 进行describe

detail.loc[:, 'order_id'] = detail.loc[:, 'order_id'].astype("category")

# 统计描述

print("按照order_id统计描述信息为:\n", detail.loc[:, 'order_id'].describe())

二、pandas时间数据

datetime64[ns] ---numpy 里面的时间点类

Timestamp ---pandas 默认的时间点类型----封装了datetime64[ns]

DatetimeIndex ---pandas 默认支持的时间序列结构

1、可以通过 pd.to_datetime 将时间点数据转化为pandas默认支持的时间点数据

res = pd.to_datetime("2016/01/01")

print("res:\n",res)

print("res 的类型：\n",type(res))

2、时间序列转化 --可以通过pd.to_datetime 或者pd.DatetimeIndex将时间序列转化为pandas默认支持的时间序列结构

res = pd.to_datetime(['2016-01-01', '2016-01-01', '2016-01-01', '2011-01-01'])

res1 = pd.DatetimeIndex(['2016-01-01', '2016-01-02', '2016-02-05', '2011-09-01'])

print("res:\n", res)

print("res 的类型：\n", type(res))

print("res1:\n", res1)

print("res1 的类型：\n", type(res1))

3、

import pandas as pd

# #加载数据

detail = pd.read_excel("./meal_order_detail.xlsx")

# print("detail :\n",detail)

print("detail 的列索引名称:\n", detail.columns)

print("detail 的形状:\n", detail.shape)

# print("detail 数据类型:\n",detail.dtypes)

print("*" * 80)

# 获取place_order_time列

print(detail.loc[:, 'place_order_time'])

# 转化为pandas默认支持的时间序列结构

detail.loc[:, 'place_order_time'] = pd.to_datetime(detail.loc[:, 'place_order_time'])

# print(detail.dtypes)

print("*" * 80)

# 获取该时间序列的属性---可以通过列表推导式来获取时间点的属性

year = [i.year for i in detail.loc[:, 'place_order_time']]

print("年：\n", year)

month = [i.month for i in detail.loc[:, 'place_order_time']]

print("月：\n", month)

day = [i.day for i in detail.loc[:, 'place_order_time']]

print("日：\n", day)

quarter = [i.quarter for i in detail.loc[:, 'place_order_time']]

print("季度：\n", quarter)

# 返回对象

weekday = [i.weekday for i in detail.loc[:, 'place_order_time']]

print("周几：\n", weekday)

weekday_name = [i.weekday_name for i in detail.loc[:, 'place_order_time']]

print("周几：\n", weekday_name)

is_leap_year = [i.is_leap_year for i in detail.loc[:, 'place_order_time']]

print("是否闰年：\n", is_leap_year)

4、时间加减

import pandas as pd

res = pd.to_datetime("2016-01-01")

print("res:\n", res)

print("res 的类型：\n", type(res))

print("时间推后一天：\n", res + pd.Timedelta(days=1))

print("时间推后一小时：\n", res + pd.Timedelta(hours=1))

detail.loc[:, 'place_over_time'] = detail.loc[:, 'place_order_time'] + pd.Timedelta(days=1)

print(detail)

## 时间差距计算

res = pd.to_datetime('2019-10-9') - pd.to_datetime('1996-11-07')

print(res)

5、获取本机可以使用的最初时间 和最后使用的时间节点

print(pd.Timestamp.min)

print(pd.Timestamp.max)

三、分组聚合

import pandas as pd

import numpy as np

# 加载数据

users = pd.read_excel("./users.xlsx")

print("users:\n", users)

print("users 的列索引：\n", users.columns)

print("users 的数据类型：\n", users.dtypes)

# 根据班级分组、统计学员的班级的平均年龄

# groupby 分组

# by ---指定分组的列，可以是单列 也可以是多列

# res = users.groupby(by='ORGANIZE_NAME')['age'].mean()

# 按照单列进行分组，统计多个列的指标

# res = users.groupby(by='ORGANIZE_NAME')[['age','USER_ID']].mean()

res = users.groupby(by=['ORGANIZE_NAME', 'poo', 'sex'])['age'].mean()

print(res)

# 利用agg

# 进行同时对age 求平均值、对userid 求大值

# 只需要指定 np.方法名

print(users.agg({'age': np.mean, 'USER_ID': np.max}))

# 对age 和 USER_ID 同时分别求 和 和均值

print(users[['age', 'USER_ID']].agg([np.sum, np.mean]))

# 对age USER_ID 求取不同个数的统计指标

print(users.agg({'age': np.min, 'USER_ID': [np.mean, np.sum]}))

def hh(x):

return x + 1

# 自定义函数进行计算

# res = users['age'].apply(hh)

# res = users[['age','USER_ID']].apply(lambda x:x+1)

res = users['age'].transform(lambda x: x + 1)

# 不能进行跨列的运算

print(res)

四、透视表与交叉表

import pandas as pd

# 加载数据

detail = pd.read_excel("./meal_order_detail.xlsx")

print("detail :\n", detail)

print("detail 的列名：\n", detail.columns)

print("detail 的数据类型：\n", detail.dtypes)

# 获取时间点的日属性

# 必须pandas默认支持的时间序列类型

detail.loc[:, 'place_order_time'] = pd.to_datetime(detail.loc[:, 'place_order_time'])

# 以列表推导式来获取日属性

detail.loc[:, 'day'] = [i.day for i in detail.loc[:, 'place_order_time']]

# 透视表 是一种plus 版的分组聚合

# 创建一个透视表

# data dataframe数据

# values 最终统计指标所针对对象，要关心的数据主体

# index --按照index 进行行分组

# columns ---按照columns进行列分组

# aggfunc ---对主体 进行什么指标的统计

# res = pd.pivot_table(data=detail[['amounts','order_id','counts','dishes_name','day']],values='amounts',columns=['day','counts'],index=['order_id','dishes_name'],aggfunc='mean',margins=True)

# # print(res)无锡人流医院 http://www.wxbhnk120.com/

# res.to_excel("./hh.xlsx")

# 交叉表 mini版的透视表

# 如果只传index 与columns 统计这两列的相对个数

# res = pd.crosstab(index=detail['counts'],columns=detail['amounts'])

# values 必须和aggfunc同时存在

res = pd.crosstab(index=detail['order_id'],columns=detail['counts'],values=detail['amounts'],aggfunc='mean')

print(res)

五、案例

1、营业额案例

import pandas as pd

# detail 有时间数据

# 加载数据

detail = pd.read_excel("./meal_order_detail.xlsx")

print("detail :\n", detail)

print("detail 的列名：\n", detail.columns)

print("detail 的数据类型：\n", detail.dtypes)

# 计算每个菜品的销售额 ，增加到detail

detail.loc[:, 'pay'] = detail.loc[:, 'counts'] * detail.loc[:, 'amounts']

# print(detail)

# 获取时间点的日属性

# 必须pandas默认支持的时间序列类型

detail.loc[:, 'place_order_time'] = pd.to_datetime(detail.loc[:, 'place_order_time'])

# 以列表推导式来获取日属性

detail.loc[:, 'day'] = [i.day for i in detail.loc[:, 'place_order_time']]

# print(detail)

# 以 日 为分组 ，统计pay的sum

res = detail.groupby(by='day')['pay'].sum()

print(res)

# print(type(res))

df = pd.DataFrame(res.values, columns=['monty'], index=res.index)

print(df)

print(type(df))

2、连锁超市案例

import pandas as pd

# 加载数据

order = pd.read_csv("./order.csv", encoding='ansi')

print("order:\n", order)

print("order 的列索引：\n", order.columns)

# 1、哪些类别的商品比较畅销?

# 剔除销量 < 0 的数据 (保留销量 >0 的数据)

# 保存

bool_id = order.loc[:, '销量'] > 0

data = order.loc[bool_id, :] # 剔除异常数据之后的正常数据

print(data.shape)

print("*" * 80)

# 删除异常

# bool_id = order.loc[:,'销量'] <= 0

# index = order.loc[bool_id,:].index

#

# data = order.drop(labels=index,axis=0,inplace=False)

# 按照类别进行分组，统计销量的 和

# 进行dataframe或者series的值排序

# 如果series sort_values()直接按照seies的值进行排序

# 如果df 那么需要指定 按照哪一列进行排序，by= 列名

# 默认是升序ascending=True

# ascending=False 降序

# res = data.groupby(by='类别ID')['销量'].sum().sort_values(ascending=False)

#

# print(res)

# 2、哪些商品比较畅销?

# 分组聚合实现

# res = data.groupby(by='商品ID')['销量'].sum().sort_values(ascending=False).head(10)

#

# print(res)

# 透视表实现

# res = pd.pivot_table(data=data.loc[:, ['商品ID', '销量']], index='商品ID', values='销量', aggfunc='sum').sort_values(by='销量',

# ascending=False).head(

# 10)

# print(res)

# 3、求不同门店的销售额占比

# 提示：订单中没有销售额字段，所有需要新增一个销售额字段。增加字段后按照门店编号进行分组，然后计算占比。

# # 先计算销售额

# data.loc[:,'销售额'] = data.loc[:,'单价'] * data.loc[:,'销量']

#

# # 按照门店编号进行分组统计销售额的sum

# res = data.groupby(by='门店编号')['销售额'].sum()

# # print(res)

# # 计算所有的销售额总和

# all_ = res.sum()

#

# # print(all_)

# per_ = res / all_

#

# print("各个门店的销售额占比为：\n",per_.apply(lambda x:format(x,".2%")))

# a = 100.105

# print("%.2f"%a)

# print("{}%".format(2.0))

# 匿名函数

# print(lambda x:x+5) #

#

# def add(x):

# # return x+5

# 4、哪段时间段是超市的客流高峰期?

# 提示：需要知道每个时间段对应的客流量，但是订单表中既有日期又有时间，我们需要从中提出小时数，这里利用订单ID去重计数代表客流量。

# 先对订单去重

# subset 去重的那一列 的列名，可以是多列，多列的时候传列表

data.drop_duplicates(subset='订单ID', inplace=True)

# print(data.shape)

# 按照小时分组对订单ID进行统计数量

# 将成交时间转化为 pandas默认支持的时间序列类型

data.loc[:, '成交时间'] = pd.to_datetime(data.loc[:, '成交时间'])

# 获取小时属性，增加到data 中

data.loc[:, 'hour'] = [i.hour for i in data.loc[:, '成交时间']]

# print(data)

# 按照hour 分组 统计 订单ID数量

res = data.groupby(by='hour')['订单ID'].count().sort_values(ascending=False)

print(res)

另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。