转自:https://zhuanlan.zhihu.com/p/30072060
2022.03.11更新:
我开发了一个专为数据分析师打造的刷题平台。
Dathonlearn数据分析刷题平台
欢迎小伙伴们来体验呀~
———————————————————————
自从学了Python后就逼迫自己不用Excel,所有操作用Python实现。目的是巩固Python,与增强数据处理能力。这也是我写这篇文章的初衷。废话不说了,直接进入正题。

本文所需数据下载:
链接:https://pan.baidu.com/s/1WvG9mVZ0GA6UGsLZBLCs_whttps://pan.baidu.com/s/1WvG9mVZ0GA6UGsLZBLCs_whttps://pan.baidu.com/s/1WvG9mVZ0GA6UGsLZBLCs_w
提取码:km0u

数据是网上找到的销售数据,长这样:
image.png

一、关联公式:Vlookup

vlookup是excel几乎最常用的公式,一般用于两个表的关联查询等。所以我先把这张表分为两个表。
df1=sale[[‘订单明细号’,’单据日期’,’地区名称’, ‘业务员名称’,’客户分类’, ‘存货编码’, ‘客户名称’, ‘业务员编码’, ‘存货名称’, ‘订单号’, ‘客户编码’, ‘部门名称’, ‘部门编码’]] df2=sale[[‘订单明细号’,’存货分类’, ‘税费’, ‘不含税金额’, ‘订单金额’, ‘利润’, ‘单价’,’数量’]]

需求:想知道df1的每一个订单对应的利润是多少。
利润一列存在于df2的表格中,所以想知道df1的每一个订单对应的利润是多少。用excel的话首先确认订单明细号是唯一值,然后在df1新增一列写:=vlookup(a2,df2!a:h,6,0) ,然后往下拉就ok了。(剩下13个我就不写excel啦)

那用python是如何实现的呢?
#查看订单明细号是否重复,结果是没。 df1[“订单明细号”].duplicated().value_counts() df2[“订单明细号”].duplicated().value_counts() df_c=pd.merge(df1,df2,on=”订单明细号”,how=”left”)

二、数据透视表

需求:想知道每个地区的业务员分别赚取的利润总和与利润平均数。
pd.pivot_table(sale,index=”地区名称”,columns=”业务员名称”,values=”利润”,aggfunc=[np.sum,np.mean])

三、对比两列差异

因为这表每列数据维度都不一样,比较起来没啥意义,所以我先做了个订单明细号的差异再进行比较。
需求:比较订单明细号与订单明细号2的差异并显示出来。
sale[“订单明细号2”]=sale[“订单明细号”] #在订单明细号2里前10个都+1. sale[“订单明细号2”][1:10]=sale[“订单明细号2”][1:10]+1 #差异输出 result=sale.loc[sale[“订单明细号”].isin(sale[“订单明细号2”])==False]

四、去除重复值

需求:去除业务员编码的重复值
sale.drop_duplicates(“业务员编码”,inplace=True)

五、缺失值处理

先查看销售数据哪几列有缺失值。
#列的行数小于index的行数的说明有缺失值,这里客户名称329<335,说明有缺失值 sale.info()
image.png
需求:用0填充缺失值或则删除有客户编码缺失值的行。实际上缺失值处理的办法是很复杂的,这里只介绍简单的处理方法,若是数值变量,最常用平均数或中位数或众数处理,比较复杂的可以用随机森林模型根据其他维度去预测结果填充。若是分类变量,根据业务逻辑去填充准确性比较高。比如这里的需求填充客户名称缺失值:就可以根据存货分类出现频率最大的存货所对应的客户名称去填充。
这里我们用简单的处理办法:用0填充缺失值或则删除有客户编码缺失值的行。
#用0填充缺失值 sale[“客户名称”]=sale[“客户名称”].fillna(0) #删除有客户编码缺失值的行 sale.dropna(subset=[“客户编码”])

六、多条件筛选

需求:想知道业务员张爱,在北京区域卖的商品订单金额大于6000的信息。
sale.loc[(sale[“地区名称”]==”北京”)&(sale[“业务员名称”]==”张爱”)&(sale[“订单金额”]>5000)]

七、 模糊筛选数据

需求:筛选存货名称含有”三星”或则含有”索尼”的信息。
sale.loc[sale[“存货名称”].str.contains(“三星|索尼”)]

八、分类汇总

需求:北京区域各业务员的利润总额。
sale.groupby([“地区名称”,”业务员名称”])[“利润”].sum()

九、条件计算

需求:存货名称含“三星字眼”并且税费高于1000的订单有几个?这些订单的利润总和和平均利润是多少?(或者最小值,最大值,四分位数,标注差)
sale.loc[sale[“存货名称”].str.contains(“三星”)&(sale[“税费”]>=1000)][[“订单明细号”,”利润”]].describe()
image.png

十、删除数据间的空格

需求:删除存货名称两边的空格。
sale[“存货名称”].map(lambda s :s.strip(“”))

十一、数据分列

image.png
需求:将日期与时间分列。
sale=pd.merge(sale,pd.DataFrame(sale[“单据日期”].str.split(“ “,expand=True)),how=”inner”,left_index=True,right_index=True)

十二、异常值替换

首先用describe()函数简单查看一下数据有无异常值。
#可看到销项税有负数,一般不会有这种情况,视它为异常值。 sale.describe()
image.png
需求:用0代替异常值。
sale[“订单金额”]=sale[“订单金额”].replace(min(sale[“订单金额”]),0)

十三、分组

需求:根据利润数据分布把地区分组为:”较差”,”中等”,”较好”,”非常好”
首先,当然是查看利润的数据分布呀,这里我们采用四分位数去判断。
sale.groupby(“地区名称”)[“利润”].sum().describe()
image.png
根据四分位数把地区总利润为[-9,7091]区间的分组为“较差”,(7091,10952]区间的分组为”中等”
(10952,17656]分组为较好,(17656,37556]分组为非常好。
#先建立一个Dataframe sale_area=pd.DataFrame(sale.groupby(“地区名称”)[“利润”].sum()).reset_index() #设置bins,和分组名称 bins=[-10,7091,10952,17656,37556] groups=[“较差”,”中等”,”较好”,”非常好”] #使用cut分组 #sale_area[“分组”]=pd.cut(sale_area[“利润”],bins,labels=groups)

十四、根据业务逻辑定义标签

需求:销售利润率(即利润/订单金额)大于30%的商品信息并标记它为优质商品,小于5%为一般商品。
sale.loc[(sale[“利润”]/sale[“订单金额”])>0.3,”label”]=”优质商品” sale.loc[(sale[“利润”]/sale[“订单金额”])<0.05,”label”]=”一般商品”

其实excel常用的操作还有很多,我就列举了14个自己比较常用的,若还想实现哪些操作可以评论一起交流讨论,另外我自身也知道我写python不够精简,惯性使用loc。(其实query会比较精简)。若大家对这几个操作有更好的写法请务必评论告知我,感谢!

最后想说说,我觉得最好不要拿excel和python做对比,去研究哪个好用,其实都是工具,excel作为最为广泛的数据处理工具,垄断这么多年必定在数据处理方便也是相当优秀的,有些操作确实python会比较简单,但也有不少excel操作起来比python简单的。比如一个很简单的操作:对各列求和并在最下一行显示出来,excel就是对一列总一个sum()函数,然后往左一拉就解决,而python则要定义一个函数(因为python要判断格式,若非数值型数据直接报错。)
总结一下就是:无论用哪个工具,能解决问题就是好数据分析师!

————————————————分割线
收藏之前点个赞?感谢!
一个记录会计到数据、算法路上所学微信公众号:Dathon