Ich habe derzeit eine Kopie der Forbes-Daten zu den „Global Top 2000 Listed Companies 2016“ zur Hand, aber die Originaldaten sind nicht standardisiert und müssen vor der weiteren Verwendung verarbeitet werden.
In diesem Artikel wird anhand praktischer Beispiele die Verwendung von Pandas für die Datenorganisation vorgestellt.
Wie üblich möchte ich zunächst wie folgt über meine Betriebsumgebung sprechen:
Windows 7, 64-Bit
Python 3.5
Pandas Version 0.19.2
Nachdem wir die Originaldaten erhalten haben, werfen wir zunächst einen Blick auf die Daten und überlegen, was Wir brauchen Datenergebnisse.
Hier sind die Rohdaten:
In diesem Artikel benötigen wir die folgenden vorläufigen Ergebnisse für die zukünftige Verwendung.
Sie können sehen, dass in den Originaldaten die unternehmensbezogenen Daten („Umsätze“, „Gewinne“, „Vermögenswerte“, „Marktwert“) derzeit nicht vorhanden sind ein numerischer Typ, der für Berechnungen verwendet werden kann.
Der Originalinhalt enthält Währungssymbole „$“, „-“, aus reinen Buchstaben bestehende Zeichenfolgen und andere Informationen, die wir als ungewöhnlich erachten. Darüber hinaus sind die Einheiten für diese Daten nicht konsistent. Sie werden durch „B“ (Billion, eine Milliarde) und „M“ (Million, eine Million) dargestellt. Vor nachfolgenden Berechnungen ist eine Einheitsvereinheitlichung erforderlich.
1 Verarbeitungsmethode Methode-1
Die erste Verarbeitungsidee, die mir in den Sinn kommt, ist die Aufteilung der Dateninformationen in Milliarden ('B') bzw. Millionen ('M'). und schließlich zusammengeführt. Der Prozess ist wie folgt.
import pandas as pd
df_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)Nach dem Login kopieren
# 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_bNach dem Login kopieren
# 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_mNach dem Login kopieren
Dies Die Methode ist relativ einfach zu verstehen, die Bedienung ist jedoch umständlich, insbesondere wenn viele Datenspalten verarbeitet werden müssen, was viel Zeit in Anspruch nimmt.
Ich werde hier nicht auf die weitere Verarbeitung eingehen. Natürlich können Sie diese Methode ausprobieren.
Das Folgende ist eine etwas einfachere Methode.
2 Verarbeitungsmethode Methode-2
2.1 Laden von Daten
Der erste Schritt besteht darin, Daten zu laden, was mit Methode-1 identisch ist.
Im Folgenden wird die Spalte „Umsatz“ verarbeitet
2.2 Zugehörige abnormale Zeichen ersetzen
Die erste besteht darin, die relevanten abnormalen Zeichen zu ersetzen, einschließlich das Währungssymbol des US-Dollars, die alphabetische Zeichenfolge „undefiniert“ und „B“. Hier wollen wir die Dateneinheiten einheitlich in Milliarden organisieren, sodass „B“ direkt ersetzt werden kann. Und „M“ erfordert mehr Verarbeitungsschritte.
2.3 Verarbeitung von „M“-bezogenen Daten
Die Verarbeitung von Daten, die Millionen von „M“-Einheiten enthalten, also Daten, die mit „M“ enden, lautet wie folgt:
(1) Legen Sie die Suchbedingungsmaske fest;
(2) Ersetzen Sie die Zeichenfolge „M“ durch einen leeren Wert
（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]+$','')# 替换符号十亿美元“B”为空白，数字本身代表的就是十亿美元为单位df_2016['Sales'] = df_2016['Sales'].str.replace('B','')# 处理含有百万“M”为单位的数据，即以“M”结尾的数据# 思路：# （1）设定查找条件mask；# （2）替换字符串“M”为空值# （3）用pd.to_numeric()转换为数字# （4）除以1000，转换为十亿美元，与其他行的数据一致mask = df_2016['Sales'].str.endswith('M')
df_2016.loc[mask, 'Sales'] = pd.to_numeric(df_2016.loc[mask, 'Sales'].str.replace('M', ''))/1000df_2016['Sales'] = pd.to_numeric(df_2016['Sales'])
print('the shape of DataFrame: ', df_2016.shape)
print(df_2016.dtypes)
df_2016.head(3)Nach dem Login kopieren
用同样类似的方法处理其他列
可以看到，这个方法比第一种方法还是要方便很多。当然，这个方法针对DataFrame的每列数据都要进行相关的操作，如果列数多了，也还是比较繁琐的。
有没有更方便一点的方法呢。 答案是有的。
插播一条硬广：技术文章转发太多。文章来自微信公众号“Python数据之道”（ID：PyDataRoad）。
3 处理方法 Method-3
在Method-2的基础上，将处理方法写成更通用的数据处理函数，根据数据的结构，拓展更多的适用性，则可以比较方便的处理相关数据。
3.1 加载数据
第一步还是加载数据，跟Method-1是一样的。
3.2 编写数据处理的自定义函数
参考Method-2的处理过程，编写数据处理的自定义函数’pro_col’，并在Method-2的基础上拓展其他替换功能，使之适用于这四列数据（“Sales”，“Profits”，“Assets”，“Market_value”）。
函数编写的代码如下：
def pro_col(df, col): # 替换相关字符串，如有更多的替换情形，可以自行添加df[col] = df[col].str.replace('$','')
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 dfNach dem Login kopieren
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()Nach dem Login kopieren
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()Nach dem Login kopieren
最终处理后，获得的数据结果如下：
Das obige ist der detaillierte Inhalt vonBeispielanzeige für die Pandas-Datenverarbeitung: Erfassung globaler börsennotierter Unternehmensdaten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
