pandas 实现 Excel 常见操作 (1)

Excel 是数据处理最常用的工具，pandas 是数据分析的利器。那么，Excel 一些常见的操作， pandas 如何实现呢？网上有两篇挺有意思的文章，对此做了详细介绍。我结合自己在学习博文过程中的理解，总结成文。

本篇介绍 pandas 的 DataFrame 对列 (Column) 的处理方法。示例数据请从这里下载。

增加计算列

pandas 的 DataFrame，每一行或每一列都是一个序列 (Series)。比如：

import pandas as pd
df1 = pd.read_excel('http://pbpython.com/extras/excel-comp-data.xlsx');

此时，用 type(df1['city']，显示该数据列（column）的类型是 pandas.core.series.Series。理解每一列都是 Series 非常重要，因为 pandas 基于 numpy，对数据的计算都是整体计算。深刻理解这个，才能理解后面要说的诸如 apply() 函数等。

如果列名（column name）没有空格，则列有两种方式表达：

df1['city'] 
df1.city

如果列名有空格，或者创建新列（即该列不存在，需要创建，第一次使用的变量），则只能用第一种表达式。

假设我们要对三个月的数据进行汇总，可以使用下面的方法。实际上就是创建一个新的数据列：

# 由于是创建，不能使用 df.Total
df1['Total'] = df1['Jan'] + df1['Feb'] + df1['Mar']

df1['Jan'] 到 df1['Mar'] 都是 Series，所以使用 + 号，可以得到三个 Series 对应位置的数据合计。

当然，也可以用下面的方式：

df1['total'] = df1.Jan + df1.Feb + df1.Mar

增加条件计算列

假设现在要根据合计数 (Total 列)，当 Total 大于 200,000 ，类别为 A，否则为 B。在 Excel 中实现用的是 IF 函数，但在 pandas 中需要用到 numpy 的 where 函数：

df1['category'] = np.where(df1['total'] > 200000, 'A', 'B')

在指定位置插入列

上面方法增加的列，位置都是放在最后。如果想要在指定位置插入列，要用 dataframe.insert() 方法。假设我们要在 state 列后面插入一列，这一列是 state 的简称 (abbreviation)。在 Excel 中，根据 state 来找到 state 的简称，一般用 VLOOKUP 函数。我们用两种方法来实现，第一种方法，简称来自 Python 的 dict。

数据来源：

state_to_code = {"VERMONT": "VT", "GEORGIA": "GA", "IOWA": "IA", "Armed Forces Pacific": "AP", "GUAM": "GU",
                 "KANSAS": "KS", "FLORIDA": "FL", "AMERICAN SAMOA": "AS", "NORTH CAROLINA": "NC", "HAWAII": "HI",
                 "NEW YORK": "NY", "CALIFORNIA": "CA", "ALABAMA": "AL", "IDAHO": "ID", "FEDERATED STATES OF MICRONESIA": "FM",
                 "Armed Forces Americas": "AA", "DELAWARE": "DE", "ALASKA": "AK", "ILLINOIS": "IL",
                 "Armed Forces Africa": "AE", "SOUTH DAKOTA": "SD", "CONNECTICUT": "CT", "MONTANA": "MT", "MASSACHUSETTS": "MA",
                 "PUERTO RICO": "PR", "Armed Forces Canada": "AE", "NEW HAMPSHIRE": "NH", "MARYLAND": "MD", "NEW MEXICO": "NM",
                 "MISSISSIPPI": "MS", "TENNESSEE": "TN", "PALAU": "PW", "COLORADO": "CO", "Armed Forces Middle East": "AE",
                 "NEW JERSEY": "NJ", "UTAH": "UT", "MICHIGAN": "MI", "WEST VIRGINIA": "WV", "WASHINGTON": "WA",
                 "MINNESOTA": "MN", "OREGON": "OR", "VIRGINIA": "VA", "VIRGIN ISLANDS": "VI", "MARSHALL ISLANDS": "MH",
                 "WYOMING": "WY", "OHIO": "OH", "SOUTH CAROLINA": "SC", "INDIANA": "IN", "NEVADA": "NV", "LOUISIANA": "LA",
                 "NORTHERN MARIANA ISLANDS": "MP", "NEBRASKA": "NE", "ARIZONA": "AZ", "WISCONSIN": "WI", "NORTH DAKOTA": "ND",
                 "Armed Forces Europe": "AE", "PENNSYLVANIA": "PA", "OKLAHOMA": "OK", "KENTUCKY": "KY", "RHODE ISLAND": "RI",
                 "DISTRICT OF COLUMBIA": "DC", "ARKANSAS": "AR", "MISSOURI": "MO", "TEXAS": "TX", "MAINE": "ME"}

如果我们想根据 dict 的 key 找到对应的值，可以使用 dict.get() 方法，这个方法在找不到 key 的时候，不会抛出异常，只是返回 None。比如

state_to_code.get('TEXAS')  # 返回 TX
state_to_code.get('TEXASS')  # 返回 None

dict.get() 方法参数为 key，是一个标量值。我们并不能像下面这样把整列都传给这个方法，比如下面这样：

df1['abbrev'] = state_to_code.get(df1['state'])

所以我们需要先构造一个 Series (abbrev)，然后把 abbrev 赋值给 df1['abbrev']：

abbrev = df1['state'].apply(lambda x: state_to_code.get(x.upper()))
df1['abbrev'] = abbrev        # 在后面插入列
df1.insert(6, 'abbr', abbrev) # 在指定位置插入列

apply() 函数值得专门写一篇，暂且不细说。

Vlookup 函数功能实现

实现类似 Excel 的 VLookup 功能，可以用 dataframe.merge() 方法。为此，需要将 state_to_code 这个 dict 的数据加载到 DataFrame 中。这里提供两种方法。

方法1：把数据放在 excel 工作表中，然后读取 Excel 文件加载。数据如下：

excel_file = pd.ExcelFile('excel-comp-data.xlsx')
df_abbrev = pd.read_excel(excel_file, sheetname = 'abbrev')
df2 = df1.merge(df_abbrev, on='state')  # 类似数据库的 inner join，不匹配数据不会显示

VLookup 函数根据位置来匹配，merge() 方法根据列名来匹配。因为上面语句中没有指定连接类型，不匹配的记录不会显示。如果需要将 df1 的数据全部显示出来，需要指定 merge() 方法的 how 参数：

df3 = df1.merge(df_abbrev, on='state', how='left') # 类似数据库的 left join

方法2：直接将 state_to_code 加载到 DataFrame。但因为 state_to_code 全部是标量值 (scalar values)，方法有一点不同，如下：

# 将 state_to_code 直接加载到 DataFrame
abbr2 = pd.DataFrame(list(state_to_code.items()), columns=['state', 'abbr'])

参考

Common Excel Tasks Demonstrated in Pandas
Common Excel Tasks Demonstrated in Pandas - Part 2