首页 > 代码库 > Pandas数据处理实战:福布斯全球上市企业排行榜数据整理
Pandas数据处理实战:福布斯全球上市企业排行榜数据整理
手头现在有一份福布斯2016年全球上市企业2000强排行榜的数据,但原始数据并不规范,需要处理后才能进一步使用。
本文通过实例操作来介绍用pandas进行数据整理。
照例先说下我的运行环境,如下:
- windows 7, 64位
- python 3.5
- pandas 0.19.2版本
在拿到原始数据后,我们先来看看数据的情况,并思考下我们需要什么样的数据结果。
下面是原始数据:
在本文中,我们需要以下的初步结果,以供以后继续使用。
可以看到,原始数据中,跟企业相关的数据中(“Sales”,“Profits”,“Assets”,“Market_value”),目前都是不是可以用来计算的数字类型。
原始内容中包含货币符号”$“,“-”,纯字母组成的字符串以及其他一些我们认为异常的信息。更重要的是,这些数据的单位并不一致。分别有以“B”(Billion,十亿)和“M”(Million,百万)表示的。在后续计算之前需要进行单位统一。
1 处理方法 Method-1
首先想到的处理思路就是将数据信息分别按十亿(’B’)和百万(‘M’)进行拆分,分别进行处理,最后在合并到一起。过程如下所示。
- 加载数据,并添加列的名称
import pandas as pddf_2016 = pd.read_csv(‘data_2016.csv‘, encoding=‘gbk‘,header=None)# 更新列名df_2016.columns = [‘Year‘, ‘Rank‘, ‘Company_cn‘,‘Company_en‘, ‘Country_en‘, ‘Sales‘, ‘Profits‘, ‘Assets‘, ‘Market_value‘]print(‘the shape of DataFrame: ‘, df_2016.shape)print(df_2016.dtypes)df_2016.head(3)
- 获取单位为十亿(’B’)的数据
# 数据单位为 B的数据(Billion,十亿)df_2016_b = df_2016[df_2016[‘Sales‘].str.endswith(‘B‘)]print(df_2016_b.shape)df_2016_b
- 获取单位为百万(‘M’)的数据
# 数据单位为 M的数据(Million,百万)df_2016_m = df_2016[df_2016[‘Sales‘].str.endswith(‘M‘)]print(df_2016_m.shape)df_2016_m
这种方法理解起来比较简单,但操作起来会比较繁琐,尤其是如果有很多列数据需要处理的话,会花费很多时间。
进一步的处理,我这里就不描述了。当然,各位可以试试这个方法。
下面介绍稍微简单一点的方法。
2 处理方法 Method-2
2.1 加载数据
第一步还是加载数据,跟Method-1是一样的。
下面来处理’Sales’列
2.2 替换相关的异常字符
首先是替换相关的异常字符,包括美元的货币符号’$’,纯字母的字符串’undefined’,以及’B’。 这里,我们想统一把数据的单位整理成十亿,所以’B’可以直接进行替换。而’M’需要更多的处理步骤。
2.3 处理’M’相关的数据
处理含有百万“M”为单位的数据,即以“M”结尾的数据,思路如下:
(1)设定查找条件mask;
(2)替换字符串“M”为空值
(3)用pd.to_numeric()转换为数字
(4)除以1000,转换为十亿美元,与其他行的数据一致
上面两个步骤相关的代码如下:
# 替换美元符号df_2016[‘Sales‘] = df_2016[‘Sales‘].str.replace(‘$‘,‘‘)# # 查看异常值,均为字母(“undefined”)# df_2016[df_2016[‘Sales‘].str.isalpha()]# 替换异常值“undefined”为空白# df_2016[‘Sales‘] = df_2016[‘Sales‘].str.replace(‘undefined‘,‘‘)df_2016[‘Sales‘] = df_2016[‘Sales‘].str.replace(‘^[A-Za-z]+$‘,‘‘)# 替换符号十亿美元“B”为空白,数字本身代表的就是十亿美元为单位df_2016[‘Sales‘] = df_2016[‘Sales‘].str.replace(‘B‘,‘‘)# 处理含有百万“M”为单位的数据,即以“M”结尾的数据# 思路:# (1)设定查找条件mask;# (2)替换字符串“M”为空值# (3)用pd.to_numeric()转换为数字# (4)除以1000,转换为十亿美元,与其他行的数据一致mask = df_2016[‘Sales‘].str.endswith(‘M‘)df_2016.loc[mask, ‘Sales‘] = pd.to_numeric(df_2016.loc[mask, ‘Sales‘].str.replace(‘M‘, ‘‘))/1000df_2016[‘Sales‘] = pd.to_numeric(df_2016[‘Sales‘])print(‘the shape of DataFrame: ‘, df_2016.shape)print(df_2016.dtypes)df_2016.head(3)
用同样类似的方法处理其他列
可以看到,这个方法比第一种方法还是要方便很多。当然,这个方法针对DataFrame的每列数据都要进行相关的操作,如果列数多了,也还是比较繁琐的。
有没有更方便一点的方法呢。 答案是有的。
插播一条硬广:技术文章转发太多。文章来自微信公众号“Python数据之道”(ID:PyDataRoad)。
3 处理方法 Method-3
在Method-2的基础上,将处理方法写成更通用的数据处理函数,根据数据的结构,拓展更多的适用性,则可以比较方便的处理相关数据。
3.1 加载数据
第一步还是加载数据,跟Method-1是一样的。
3.2 编写数据处理的自定义函数
参考Method-2的处理过程,编写数据处理的自定义函数’pro_col’,并在Method-2的基础上拓展其他替换功能,使之适用于这四列数据(“Sales”,“Profits”,“Assets”,“Market_value”)。
函数编写的代码如下:
def pro_col(df, col): # 替换相关字符串,如有更多的替换情形,可以自行添加 df[col] = df[col].str.replace(‘$‘,‘‘) df[col] = df[col].str.replace(‘^[A-Za-z]+$‘,‘‘) df[col] = df[col].str.replace(‘B‘,‘‘) # 注意这里是‘-$‘,即以‘-‘结尾,而不是‘-‘,因为有负数 df[col] = df[col].str.replace(‘-$‘,‘‘) df[col] = df[col].str.replace(‘,‘,‘‘) # 处理含有百万“M”为单位的数据,即以“M”结尾的数据 # 思路: # (1)设定查找条件mask; # (2)替换字符串“M”为空值 # (3)用pd.to_numeric()转换为数字 # (4)除以1000,转换为十亿美元,与其他行的数据一致 mask = df[col].str.endswith(‘M‘) df.loc[mask, col] = pd.to_numeric(df.loc[mask, col].str.replace(‘M‘,‘‘))/1000 # 将字符型的数字转换为数字类型 df[col] = pd.to_numeric(df[col]) return df
3.3 将自定义函数进行应用
针对DataFrame的每列,应用该自定义函数,进行数据处理,得到需要的结果。
pro_col(df_2016, ‘Sales‘)pro_col(df_2016, ‘Profits‘)pro_col(df_2016, ‘Assets‘)pro_col(df_2016, ‘Market_value‘)print(‘the shape of DataFrame: ‘, df_2016.shape)print(df_2016.dtypes)df_2016.head()
当然,如果DataFrame的列数特别多,可以用for循环,这样代码更简洁。代码如下:
cols = [‘Sales‘, ‘Profits‘, ‘Assets‘, ‘Market_value‘]for col in cols: pro_col(df_2016, col)print(‘the shape of DataFrame: ‘, df_2016.shape)print(df_2016.dtypes)df_2016.head()
最终处理后,获得的数据结果如下:
Pandas数据处理实战:福布斯全球上市企业排行榜数据整理