Pandas資料處理實例展示：全球上市公司資料整理

手頭上現在有一份福布斯2016年全球上市企業2000強排行榜的數據，但原始數據並不規範，需要處理後才能進一步使用。

本文透過實例操作來介紹用pandas進行資料整理。

照例先說下我的運行環境，如下：

• windows 7，64位元

• ##python 3.5

• pandas 0.19.2版本

#在拿到原始資料後，我們先來看看資料的狀況，思考下我們需要什麼樣的數據結果。

下面是原始資料：

在本文中，我們需要以下的初步結果，以便以後繼續使用。

可以看到，在原始資料中，跟企業相關的資料中（“Sales”，“Profits”，“Assets”，“Market_value”），目前都是不是可以用來計算的數字類型。

原始內容包含貨幣符號”$“，“-”，純字母組成的字串以及其他一些我們認為異常的資訊。更重要的是，這些數據的單位並不一致。分別有以「B」（Billion，十億）和「M」（Million，百萬）表示的。在後續計算之前需要進行單位統一。

1 處理方法Method-1

首先想到的處理思路就是將資料資訊分別以十億（'B'）和百萬('M')進行拆分，分別進行處理，最後在合併在一起。過程如下圖所示。

• 載入數據，並新增列的名稱

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)

• 取得單位為十億（'B'）的資料

# 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

• 取得單位為百萬('M')的資料

# 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

這種方法理解起來比較簡單，但操作起來會比較繁瑣，尤其是如果有很多列資料需要處理的話，會花很多時間。

進一步的處理，我這裡就不描述了。當然，各位可以試試這個方法。

下面介紹稍微簡單一點的方法。

2 處理方法 Method-2

2.1 載入資料

#第一步還是載入數據，跟Method-1是一樣的。

在下面來處理'Sales'列

2.2 替換相關的異常字符

#首先是替換相關的異常字符，包括美元的貨幣符號'$'，純字母的字串'undefined'，以及'B'。 這裡，我們想統一把資料的單位整理成十億，所以’B’可以直接進行替換。而’M’需要更多的處理步驟。

2.3 處理'M'相關的數據

處理含有百萬「M」為單位的數據，即以「M」結尾的數據，想法如下：

（1）設定查找條件mask；

（2）取代字串「M」為空值

（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：

以上是Pandas資料處理實例展示：全球上市公司資料整理的詳細內容。更多資訊請關注PHP中文網其他相關文章！