Python处理大数据的2个神奇操作

2023-02-27

sum mean ext

Python有个处理大数据的库，结合xlrd库，在做一些大数据的处理统计工作的时候很好用，譬如做性能测试，你的结果数据如何统计，python有个库pandas，这个就很擅长做这个工作，这里就讲2个pandas的骚操作。 pandas中groupby、Grouper和agg函数的使用。这2个函数作用类似，都是对数据集中的一类属性进行聚合操作，比如统计一个用户在每个月内的全部花销，统计某个属性的最大、最小、累和、平均等数值。

统计“ext price”这个属性在每个月的累和(sum)值

import pandas as pd 
import collections 
df = pd.read_excel("D:/Download/chrome/sample-salesv3.xlsx") 
#print (df.head(10)) 
df["date"] = pd.to_datetime(df["date"]) 
# print (df.head(10)) 
df1 = df.set_index("date").resample("M")['ext price'].sum() 
# print(df1.head())  
1.
2.
3.
4.
5.
6.
7.
8.

统计每个用户每个月"ext price"这个属性的sum值，利用Grouper

df2 = df.groupby(["name",pd.Grouper(key = "date",freq="M")])["ext price"] 
print(df2.head(10))  
1.
2.

Agg

agg函数，它提供基于列的聚合操作。而groupby可以看做是基于行，或者说index的聚合操作。

从实现上看，groupby返回的是一个DataFrameGroupBy结构，这个结构必须调用聚合函数(如sum)之后，才会得到结构为Series的数据结果。

而agg是DataFrame的直接方法，返回的也是一个DataFrame。当然，很多功能用sum、mean等等也可以实现。但是agg更加简洁, 而且传给它的函数可以是字符串，也可以自定义，参数是column对应的子DataFrame

获取"ext price","quantity","unit price"3列的各自的累计值和均值

df3 = df[["ext price","quantity","unit price"]].agg(["sum","mean"]) 
print(df3.head())  
1.
2.

可以针对不同的列使用不同的聚合函数

df4 = df.agg({"ext price":["sum","mean"],"quantity":["sum","mean"],"unit price":["mean"]}) 
print(df4.head())  
1.
2.

也可以自定义函数，比如，统计sku中，购买次数最多的产品编号，通过lambda表达式来做。

#统计sku中，购买次数最多的产品编号 
get_max = lambda x:x.value_counts(dropna=False).index[0] 
get_max.__name__ = "most frequent" 
df5 = df.agg({"ext price":["sum","mean"], 
 "quantity":["sum","mean"], 
 "unit price":["mean"], 
 "sku":[get_max] 
 }) 
print(df5)  
1.
2.
3.
4.
5.
6.
7.
8.
9.

如果希望输出的列按照某个顺序排列，可以使用collections的OrderedDict

agg_dict = { 
 "ext price":["sum","mean"], 
 "quantity":["sum","mean"], 
 "unit price":["mean"], 
 "sku":[get_max] 
} 
#按照列名的长度排序。OrderedDict的顺序是跟插入顺序一致的 
df6 = df.agg(collections.OrderedDict(sorted(agg_dict.items(),key=lambda x:len(x[0])))) 
print(df6)  
1.
2.
3.
4.
5.
6.
7.
8.
9.