在數(shù)據(jù)分析時(shí)，用Python進(jìn)行數(shù)據(jù)處理主要使用的兩個(gè)包：Numpy、Pandas。Numpy包是數(shù)值編程工具：N維數(shù)組對(duì)象：ndarray，對(duì)數(shù)組結(jié)構(gòu)數(shù)據(jù)進(jìn)行運(yùn)算（不用遍歷循環(huán)），有隨機(jī)數(shù)、線性代數(shù)、傅里葉變換等功能。Pandas包是基于Numpy構(gòu)建，為數(shù)據(jù)分析而存在，有一維數(shù)組Series 和二維數(shù)組 Dataframe，可直接讀取數(shù)據(jù)并做處理（高效簡單），兼容各種數(shù)據(jù)庫并支持各種分析算法。數(shù)據(jù)處理主要有一維的行或列，還有二維的行和列（類似EXCEL），Numpy和Pandas也有一維、二維數(shù)據(jù)，并且在Numpy的基礎(chǔ)上的Pandas的一維數(shù)組Series 和二維數(shù)組 Dataframe可以更高效處理數(shù)據(jù)。主要將從一維數(shù)據(jù)開始，然后再到二維數(shù)據(jù)，再以一個(gè)數(shù)據(jù)分析的案例來學(xué)習(xí)數(shù)據(jù)分析的基本過程。

1、一維數(shù)據(jù)分析

1.1、一維數(shù)據(jù)分析：Numpy

1）、一維數(shù)組array的定義，可以使用到numpy.array()函數(shù)去設(shè)置。

#定義：一維數(shù)組array,參數(shù)傳入的是一個(gè)列表[2,3,4,5,6,8,9]
ar = np.array([2,3,4,5,6,8,9])
print('輸出數(shù)組ar:',ar) #輸出數(shù)組ar
print('數(shù)組ar的數(shù)據(jù)類型:',type(ar)) #數(shù)組ar的數(shù)據(jù)類型

生成結(jié)果：

2、查詢使用使用索引位置下標(biāo)。

生成結(jié)果：

查詢的原理如下圖：

3、切片訪問：獲取指定序號(hào)范圍的元素。

#切片訪問：獲取指定序號(hào)范圍的元素
ar[1:3] #a[1:3]獲取到的是序號(hào)從1到2的元素,他是一個(gè)左閉右開的區(qū)間
print('ar[1:3]輸出結(jié)果：',ar[1:3])

生成結(jié)果：

切片訪問的原理如下圖：

4、查看數(shù)據(jù)類型dtype。

生成結(jié)果：

5、統(tǒng)計(jì)計(jì)算。

print('ar內(nèi)數(shù)據(jù)的平均值：',ar.mean()) #計(jì)算平均值
print('ar內(nèi)數(shù)據(jù)的標(biāo)準(zhǔn)差：',ar.std ()) #計(jì)算標(biāo)準(zhǔn)差
print('ar內(nèi)數(shù)據(jù)的方差：',ar.var()) #計(jì)算方差
print('ar內(nèi)數(shù)據(jù)的最大值：',ar.max()) #計(jì)算最大值
print('ar內(nèi)數(shù)據(jù)的最小值：',ar.min()) #計(jì)算最小值

生成結(jié)果：

6、向量化運(yùn)行：乘以標(biāo)量

生成結(jié)果：

1.2、一維數(shù)據(jù)分析：Pandas

1）、定義：Pandas一維數(shù)據(jù)結(jié)構(gòu):Series。

stockS=pd.Series([54.74,190.9,173.14,1050.3,181.86,1139.49],
 index=['騰訊',
 '阿里巴巴',
 '蘋果',
 '谷歌',
 'Facebook',
 '亞馬遜']) #創(chuàng)建Series
print(stockS)

生成結(jié)果：

2）、獲取描述統(tǒng)計(jì)信息。

3）、iloc屬性用于根據(jù)索引獲取值。

st0 = stockS.iloc[0] #按照整數(shù)的行位置進(jìn)行索引
print('輸出stockS行號(hào)為0的數(shù)據(jù)：',st0)

生成結(jié)果：

4）、loc屬性用于根據(jù)索引獲取值。

生成結(jié)果：

5）、向量化運(yùn)算：向量相加（根據(jù)標(biāo)簽自動(dòng)對(duì)齊，）。

s1=pd.Series([1,2,3,4],index=['a','b','c','d'])
s2=pd.Series([10,20,30,40],index=['a','b','e','f'])
s3=s1 s2 #根據(jù)標(biāo)簽自動(dòng)對(duì)齊，空值和任何值計(jì)算結(jié)果扔為空值
print('輸出s3的結(jié)果：\n',s3)

生成結(jié)果：

6）、處理缺失值：NaN

生成結(jié)果：

方法2：將缺失值進(jìn)行填充

s3=s1.add(s2,fill_value=0)
print('s1與s2進(jìn)行向量相加時(shí)，出現(xiàn)缺失值直接補(bǔ)0，得到s3為：\n',s3)

生成結(jié)果：

2、二維數(shù)據(jù)分析

2.1、二維數(shù)據(jù)分析：Numpy

1）、二維數(shù)組array的定義，可以使用到numpy.array()函數(shù)去設(shè)置。

生成結(jié)果：

2）、索引與切片

#獲取行號(hào)是0，列號(hào)是2的元素a[0,2]
ar[0,2]
#獲取第1行
ar[:,0]
#獲取第1列
ar[0,:]
print('輸出ar[0,2]：',ar[0,2])
print('獲取第1行：',ar[:,0])
print('獲取第1列:',ar[0,:])

生成結(jié)果：

3）、Numpy數(shù)軸參數(shù)：axis，axis=0是列方向，axis=1是行方向。

生成結(jié)果：

2.2、Pandas二維數(shù)組：數(shù)據(jù)框（DataFrame）

1）、二維數(shù)組DataFrame的定義。

#第1步：定義一個(gè)有序的元組
salesDict=(
 ('購藥時(shí)間',['2018-01-01 星期五','2018-01-02 星期六','2018-01-06 星期三']),
 ('社?？ㄌ?hào)',['001616528','001616528','0012602828']),
 ('商品編碼',[236701,236701,236701]),
 ('商品名稱',['強(qiáng)力VC銀翹片','清熱解毒口服液','感康']),
 ('銷售數(shù)量',[6,1,2]),
 ('應(yīng)收金額',[82.8,28,16.8]),
 ('實(shí)收金額',[69,24.64,15]))
#導(dǎo)入有序字典
from collections import OrderedDict
#定義一個(gè)有序字典
salesOrderDict=OrderedDict(salesDict)
#定義數(shù)據(jù)框：傳入字典，列名
salesDf=pd.DataFrame(salesOrderDict)
salesDf

生成結(jié)果：

2）、按每列或行來求值。

生成結(jié)果：

3）、 查詢數(shù)據(jù)：iloc屬性用于根據(jù)位置獲取值

#查詢第1行第2列的元素
salesDf.iloc[0,1]
#獲取第1行，:代表所有列
salesDf.iloc[0,:] #生成一個(gè)Series
#獲取第1列，:代表所有行
salesDf.iloc[:,0] #生成一個(gè)Series
print('查詢第1行第2列的元素:',salesDf.iloc[0,1])
print('---------')
print('獲取第1行:\n',salesDf.iloc[0,:])
print('---------')
print('獲取第1列:\n',salesDf.iloc[:,0])

生成結(jié)果：

4）、 查詢數(shù)據(jù)：loc屬性用于根據(jù)索引獲取值。

生成結(jié)果：

#通過列表來選擇某幾列的數(shù)據(jù)
salesDf[['商品名稱','銷售數(shù)量']]
#通過切片功能，獲取指定范圍的列
salesDf.loc[:,'購藥時(shí)間':'銷售數(shù)量']
print('查看商品名稱、銷售數(shù)量數(shù)據(jù)：\n',salesDf[['商品名稱','銷售數(shù)量']])
print('------------')
print('查看購藥時(shí)間到銷售數(shù)量各列數(shù)據(jù)：\n',salesDf.loc[:,'購藥時(shí)間':'銷售數(shù)量'])

生成結(jié)果：

5）、條件判斷

生成結(jié)果：

6）、 查看數(shù)據(jù)集描述統(tǒng)計(jì)信息

#讀取Ecxcel數(shù)據(jù)
import os
os.chdir(r'D:\data3')
fileNameStr='朝陽醫(yī)院2018年銷售數(shù)據(jù).xlsx'
xls = pd.ExcelFile(fileNameStr)
salesDf = xls.parse('Sheet1')
#打印出前3行，以確保數(shù)據(jù)運(yùn)行正常
salesDf.head(3)

生成結(jié)果：

生成結(jié)果：

#查看某一列的數(shù)據(jù)類型
salesDf.loc[:,'銷售數(shù)量'].dtype

生成結(jié)果：

生成結(jié)果：

3、案例：藥店銷售數(shù)據(jù)分析

數(shù)據(jù)分析的基本過程：1、 提出問題→2、理解數(shù)據(jù)→3、數(shù)據(jù)清洗→4、構(gòu)建模型→5、數(shù)據(jù)可視化。

3.1、提出問題

可以從銷售數(shù)據(jù)中分析出業(yè)務(wù)指標(biāo)：

1）、月均消費(fèi)次數(shù)；

2）、月均消費(fèi)金額；

3）、客單價(jià)；

3.2、理解數(shù)據(jù)

1）、讀取銷售數(shù)據(jù)

import pandas as pd
fileNameStr='D:/data3/朝陽醫(yī)院2018年銷售數(shù)據(jù).xlsx'
xls = pd.ExcelFile(fileNameStr)
salesDf = xls.parse('Sheet1')

2）、查看數(shù)據(jù)基本信息

生成結(jié)果：

#有多少行，多少列
salesDf.shape

生成結(jié)果：

即數(shù)據(jù)有6578行，7列。

生成結(jié)果：

3.3、數(shù)據(jù)清洗

數(shù)據(jù)清洗有6個(gè)基本步驟：1、選擇子集；2、列名重命名；3、缺失數(shù)據(jù)處理；4、數(shù)據(jù)類型轉(zhuǎn)換；5、數(shù)據(jù)排序；6、異常值處理。這次使用的數(shù)據(jù)列數(shù)字段較少，不需要選擇子集。

1）、 列名重命名

colNameDict = {'購藥時(shí)間':'銷售時(shí)間'} #字典：舊列名和新列名對(duì)應(yīng)關(guān)系
salesDf.rename(columns = colNameDict,inplace=True) #在原表上將購藥時(shí)間列名改為銷售時(shí)間
salesDf.head()

生成結(jié)果：

2）、 缺失數(shù)據(jù)處理

python缺失值有3種：1、Python內(nèi)置的None值；2、在pandas中，將缺失值表示為NA，表示不可用not available；3、對(duì)于數(shù)值數(shù)據(jù)，pandas使用浮點(diǎn)值NaN（Not a Number）表示缺失數(shù)據(jù)。

生成結(jié)果：

3）、數(shù)據(jù)類型轉(zhuǎn)換

從數(shù)據(jù)上看，銷售時(shí)間是一個(gè)文本形式的數(shù)據(jù)，需要將數(shù)據(jù)轉(zhuǎn)換為日期數(shù)據(jù)類型。銷售時(shí)間一列的數(shù)據(jù) 是以空格分開一個(gè)標(biāo)準(zhǔn)日期和一個(gè)星期幾的格式，需要編寫一個(gè)函數(shù)，分割銷售日期的前一分部，獲取銷售日期。

def splitSaletime(timeColSer):
 timeList=[] #自建一個(gè)空列表，將處理完的數(shù)據(jù)存入
 for value in timeColSer:
 dateStr=value.split(' ')[0] #例如2018-01-01 星期五，分割后為：2018-01-01
 timeList.append(dateStr) #將分割后的日期格式存入空列表
 timeSer=pd.Series(timeList) #將列表轉(zhuǎn)行為一維數(shù)據(jù)Series類型
 return timeSer

使用定義好的splitSaletime函數(shù)處理“銷售時(shí)間”這一列的數(shù)據(jù)。

生成結(jié)果：

將“銷售時(shí)間”這一列的數(shù)據(jù)修改為處理好的“dateSer”數(shù)據(jù)。

salesDf.loc[:,'銷售時(shí)間']=dateSer #修改銷售時(shí)間這一列的值
salesDf.head() #查看處理的結(jié)果

生成結(jié)果：

因?yàn)椤颁N售時(shí)間”這一列數(shù)據(jù)類型還是屬于字符類型，需要轉(zhuǎn)化為時(shí)間類型。

生成結(jié)果：

因?yàn)樵凇颁N售時(shí)間”轉(zhuǎn)化為時(shí)間類型時(shí)，會(huì)有空值產(chǎn)生。還有“社保卡號(hào)”這一列也不能這空值，所以要將“銷售時(shí)間”、“社?？ㄌ?hào)”這一列出現(xiàn)空值的行刪除。

salesDf=salesDf.dropna(subset=['銷售時(shí)間','社?？ㄌ?hào)'],how='any') #刪除列（銷售時(shí)間，社?？ㄌ?hào)）中為空的行
salesDf.shape #查看處理后的數(shù)據(jù)行數(shù)與列數(shù)

生成結(jié)果：

4）、 數(shù)據(jù)排序

從數(shù)據(jù)上看，以時(shí)間為維度可以對(duì)“銷售時(shí)間”排序，并且排序后由于行名會(huì)有變化，所以重名行名（index).

生成結(jié)果：

5）、異常值處理

從數(shù)據(jù)上看，銷售數(shù)量是關(guān)聯(lián)到應(yīng)收金額、實(shí)收金額，首先銷售數(shù)量不能小于0，先簡單查看數(shù)據(jù)的統(tǒng)計(jì)情況。

salesDf.describe() #查看每列的統(tǒng)計(jì)值

生成結(jié)果：

刪除異常值：通過條件判斷篩選出數(shù)據(jù)。

生成結(jié)果：

3.4、構(gòu)建模型

1）、 月均消費(fèi)次數(shù)=總消費(fèi)次數(shù) / 月份數(shù)；

其中對(duì)于消費(fèi)次數(shù)的定義再細(xì)化：同一天內(nèi)，同一個(gè)人發(fā)生的所有消費(fèi)應(yīng)該是算做一次消費(fèi)。從數(shù)據(jù)的計(jì)算實(shí)現(xiàn)來操作，可以根據(jù)”銷售時(shí)間“和”社區(qū)卡號(hào)“，兩列值只取唯一值，也就是如果兩值同時(shí)相同，就只保留1條，將重復(fù)的刪除。

kpi1_Df=salesDf.drop_duplicates(subset=['銷售時(shí)間', '社?？ㄌ?hào)'])
totalI=kpi1_Df.shape[0] #獲取行數(shù)，即是總消費(fèi)次數(shù)
print('總消費(fèi)次數(shù)=',totalI)

生成結(jié)果：

月份數(shù)的計(jì)算，通過對(duì)銷售時(shí)間排序，得到最小時(shí)間與最大時(shí)間，再用最大時(shí)間減最小時(shí)間并整除30（簡化計(jì)算），最終得到月份數(shù)。

生成結(jié)果：

#第2步：獲取時(shí)間范圍
startTime=kpi1_Df.loc[0,'銷售時(shí)間'] #最小時(shí)間值
endTime=kpi1_Df.loc[totalI-1,'銷售時(shí)間'] #最大時(shí)間值
#第3步：計(jì)算月份數(shù)
daysI=(endTime-startTime).days #天數(shù)
monthsI=daysI//30 #月份數(shù)
print('月份數(shù)：',monthsI)

生成結(jié)果：

生成結(jié)果：

2）、月均消費(fèi)金額 = 總消費(fèi)金額 / 月份數(shù)；

其中月份數(shù)計(jì)算出來，現(xiàn)在要計(jì)算的是總消費(fèi)金額，只要對(duì)”實(shí)收金額“這一列相加就可以獲得總消費(fèi)金額。

totalMoneyF=salesDf.loc[:,'實(shí)收金額'].sum() #總消費(fèi)金額
monthMoneyF=totalMoneyF / monthsI #月均消費(fèi)金額
print('業(yè)務(wù)指標(biāo)2：月均消費(fèi)金額=%.2f'%(monthMoneyF))

生成結(jié)果：

3）、 客單價(jià)=總消費(fèi)金額 / 總消費(fèi)次數(shù)

其中總消費(fèi)金額和總消費(fèi)次數(shù)在前面的計(jì)算過程已有，直接調(diào)用就可以。即totalMoneyF是總消費(fèi)金額，totalI是總消費(fèi)次數(shù)。

生成結(jié)果：

由此得到幾點(diǎn)：

1、數(shù)據(jù)分析有一個(gè)基本的套路：1）、提出問題；2）、理解數(shù)據(jù)；3）、數(shù)據(jù)清洗；4）、構(gòu)建模型；5）、數(shù)據(jù)可視化（待續(xù)）。

2、數(shù)據(jù)清潔的基本過程：1）、選擇子集；2）、列名重命名；3）、缺失數(shù)據(jù)處理；4）、數(shù)據(jù)類型轉(zhuǎn)換；5）、數(shù)據(jù)排序；6）、異常值處理。