数据整理中经典的分类汇总问题的Python实现

数据分析职场新人,精通一门语言至关重要。写个web服务,可以用python、 写个服务器脚本,可以用python、 数据清洗和网络爬虫,可以用python、 做机器学习数据挖掘,可以用python等等,所以说人生苦短,我用Python。

下面的问题是数据整理中经典的分类汇总问题,各个软件,SAS、R语言甚至Excel都可以比较好地解决此问题,但Python解决此问题时,也可以做到“一剑封喉”,并体现出其独特的优势,我们先看问题:

题目:下列数据来自某市房地产公司的资料,试按房屋类型和每一房屋类型下卧室个数的多少计算其平均售价?

问题比较清楚,这是一个按照“房屋类型”和“卧室个数的多少”的双条件汇总问题,即考虑在A和B两个条件下的数据分类汇总问题。该问题在工作中是常见的问题,如果在Excel完成,要依靠数据的预处理和较为复杂的函数来进行。

我们先来试算一下,比如,先看第5行,在“RANCH”这个房屋类型下,“BEDROOMS”个数为3的数据记录总共有2条,即第“5”条和第“11”条,其房价分别是“$86,650”和“$89,100”,不难算出其平均价格为“$87,875”。

用Python的Pandas(专门进行数据处理的模块)计算,首先面临的问题是如何导入数据,并且把房屋价格里面的“$”和“,”去掉,这样才能进行计算。于是一个双条件分类汇总的问题变成了字符处理的问题。

当然不可能手动去读入数据,最简洁的方式是将数据选择鼠标右键复制下来,然后这样导入:

导入让把所有的数据赋给“a”,“a”的数据结构看一下是:

告诉我们是“字符串”。面对字符串,进一步显示“a”,发现其被“\n”分割:

于是想办法去掉“\n”。去掉“\n”不是很难,一句“a.split("\n")”就可以去掉。但是进一步我们发现,各个变量是以空格“ ”相连的,所以还要去掉这个空格以便进一步计算。这里利用Python常用的“逐行扫描”技巧来完成。通常前面要先定义一个空的list,比如b:

这一步完成之后,一定要看一下b的结果,如下图所示:

下一步就是要去掉价格price里面的“$”和“,”了,这一步完成的方法比较多,最朴素的想法是用什么都没有的“”去置换这2个元素:

这里又用到Python的“for”循环的“逐行扫描”的技巧。这一步将“b”变成:

到了这一步,离结果只有“一步之遥”了。为了保险起见,我们把所有的变量都“数值化”,使用下面的语句去遍历:

得到如下的结果:

仔细比较一下前图,发现字符串都变成了数字。

到了这时候,就是“临门一脚”了,我们把数据整理成为我们熟悉的“数据框”的形式,这一步让Pandas来上场,经过整理之后,数据变得“赏心悦目”:

请注意,这条语句中,指明第一行是变量名。

通常,面临这样的数据,要进行各种计算是非常方便的。比如,要完成一开始题目提出的问题,只需一句话即得结果:

这句“画龙点睛”之笔是用groupby这个函数把数据按照2个条件分组,然后计算其均值。“.”加函数的方式是Python里面常用的形式。

我们看一下Python计算结果里面的“RANCH”和“3”,是“87875”,与我们之前计算的完全吻合。这样我们就按要求用Python完成了该数据的整理汇总。

数据的整理汇总是进行数据分析和数据挖掘工作的前期准备,比较重要,往往占用很大一部分时间。数据清洗的能力有时候直接决定数据挖掘建模预测的成败。通过该简单的小例子,向大家展示了Python中的Pandas在这方面的优势和方法。当然,Python及Pandas神通广大,远远不止做这些简单的工作,希望大家掌握这个数据分析利器,在大数据时代更好更充分的发掘数据的价值。

PS:这只是课程中的一个小案例,强化的培训,应该让你学完后很自信,学以致用,快速上手解决工作中的问题,点击阅读原文 查看课程信息,想学习python朋友私聊张老师。

原文发布于微信公众号 - CDA数据分析师(cdacdacda)

原文发表时间:2017-11-11

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏牛客网

网申 网易游戏 测试开发 一面凉经

2440
来自专栏恰童鞋骚年

自己动手写游戏:Flappy Bird

START:最近闲来无事,看了看一下《C#开发Flappy Bird游戏》的教程,自己也试着做了一下,实现了一个超级简单版(十分简陋)的Flappy Bird...

1362
来自专栏跨界架构师

[译文]Domain Driven Design Reference(四)—— 柔性设计

  要让一个项目加速发展,而不是被其自身的历史包袱所拖累,需要一个能与之良好协作的设计,它会带来改变。一个柔性设计。

1402
来自专栏SnailTyan

C语言的起源

C语言是贝尔实验室的Dennis Ritchie于1969年~1973年间创建的。美国国家标准学会(American national standards in...

2260
来自专栏数据科学与人工智能

【数据挖掘】图数据挖掘

互联网发展至今,数据规模越来越大,数据结构越来越复杂,而且对系统的需求越来越高。如果学习过数据结构,那么都知道图是放在最后一个结构,当你学习了图,那么应该感知到...

3298
来自专栏喔家ArchiSelf

IOT语义交互性之词汇定义

只是限于能力有限,却始终没有什么建树。如今,区块链的出现可能会解决可信的问题。接下来闲暇的时候,需要好好学习一下。安全对于任何互联网应用都是及其重要。无所不在指...

1714
来自专栏Crossin的编程教室

【每周一坑】三国演义中谁的存在感最强 +【解答】暴力计算圆周率

自然语言处理(NLP)是人工智能的一个重要领域。在对中文做自然语言处理的时候,一个很基础的操作就是分词:因为中文不像英语有现成的单词划分,需要将汉字序列切分成一...

862
来自专栏Python中文社区

Python数据分析之基情的择天记

專 欄 ❈ 罗罗攀,Python中文社区专栏作者 专栏地址: http://www.jianshu.com/u/9104ebf5e177 ❈ 人一生都可能无...

2266
来自专栏牛客网

热乎乎的网易游戏游戏研发工程师一面

面试小哥哥人很好说话,没有自我介绍直接进入主题,先聊了C++,然后数据结构,最后两道算法题

2742
来自专栏tkokof 的技术,小趣及杂念

关于Unity ParticleSystem的一些"冷"知识

  目前的游戏开发中,粒子系统的使用想必是标配了,Unity自然也提供了相应的解决方案:ParticleSystem,网上对ParticleSystem的介绍也...

971

扫码关注云+社区

领取腾讯云代金券