手頭現在有一份福布斯2016年全球上市企業2000強排行榜的數據，但原始數據并不規范，需要處理后才能進一步使用。

本文通過實例操作來介紹用pandas進行數據整理。

照例先說下我的運行環境，如下：

• windows 7， 64位
• python 3.5
• pandas 0.19.2版本

在拿到原始數據后，我們先來看看數據的情況，并思考下我們需要什么樣的數據結果。

下面是原始數據：

在本文中，我們需要以下的初步結果，以供以后繼續使用。

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

原始內容中包含貨幣符號”$“，“-”，純字母組成的字符串以及其他一些我們認為異常的信息。更重要的是，這些數據的單位并不一致。分別有以“B”（Billion，十億）和“M”（Million，百萬）表示的。在后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數據信息分別按十億（’B’）和百萬(‘M’)進行拆分，分別進行處理，最后在合并到一起。過程如下所示。

• 加載數據，并添加列的名稱

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)

• 獲取單位為十億（’B’）的數據

# 數據單位為 B的數據（Billion，十億） df_2016_b = df_2016[df_2016['Sales'].str.endswith('B')] print(df_2016_b.shape) df_2016_b

• 獲取單位為百萬(‘M’)的數據

# 數據單位為 M的數據（Million，百萬） 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數據需要處理的話，會花費很多時間。

進一步的處理，我這里就不描述了。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 加載數據

第一步還是加載數據，跟Method-1是一樣的。

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’$’，純字母的字符串’undefined’，以及’B’。 這里，我們想統一把數據的單位整理成十億，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，思路如下：

（1）設定查找條件mask；

（2）替換字符串“M”為空值

（3）用pd.to_numeric()轉換為數字

（4）除以1000，轉換為十億美元，與其他行的數據一致

上面兩個步驟相關的代碼如下：

# 替換美元符號 df_2016['Sales'] = df_2016['Sales'].str.replace('$','')# # 查看異常值，均為字母（“undefined”） # df_2016[df_2016['Sales'].str.isalpha()]# 替換異常值“undefined”為空白 # df_2016['Sales'] = df_2016['Sales'].str.replace('undefined','') df_2016['Sales'] = df_2016['Sales'].str.replace('^[A-Za-z]+$','')# 替換符號十億美元“B”為空白，數字本身代表的就是十億美元為單位 df_2016['Sales'] = df_2016['Sales'].str.replace('B','')# 處理含有百萬“M”為單位的數據，即以“M”結尾的數據 # 思路： # （1）設定查找條件mask； # （2）替換字符串“M”為空值 # （3）用pd.to_numeric()轉換為數字 # （4）除以1000，轉換為十億美元，與其他行的數據一致 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)

用同樣類似的方法處理其他列

可以看到，這個方法比第一種方法還是要方便很多。當然，這個方法針對DataFrame的每列數據都要進行相關的操作，如果列數多了，也還是比較繁瑣的。

有沒有更方便一點的方法呢。 答案是有的。

插播一條硬廣：技術文章轉發太多。文章來自微信公眾號“Python數據之道”（ID：PyDataRoad）。

?

3 處理方法 Method-3

在Method-2的基礎上，將處理方法寫成更通用的數據處理函數，根據數據的結構，拓展更多的適用性，則可以比較方便的處理相關數據。

3.1 加載數據

第一步還是加載數據，跟Method-1是一樣的。

3.2 編寫數據處理的自定義函數

參考Method-2的處理過程，編寫數據處理的自定義函數’pro_col’，并在Method-2的基礎上拓展其他替換功能，使之適用于這四列數據（“Sales”，“Profits”，“Assets”，“Market_value”）。

函數編寫的代碼如下：

def pro_col(df, col): # 替換相關字符串，如有更多的替換情形，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','')# 注意這里是'-$'，即以'-'結尾，而不是'-'，因為有負數df[col] = df[col].str.replace('-$','')df[col] = df[col].str.replace(',','')# 處理含有百萬“M”為單位的數據，即以“M”結尾的數據# 思路：# （1）設定查找條件mask；# （2）替換字符串“M”為空值# （3）用pd.to_numeric()轉換為數字# （4）除以1000，轉換為十億美元，與其他行的數據一致mask = df[col].str.endswith('M')df.loc[mask, col] = pd.to_numeric(df.loc[mask, col].str.replace('M',''))/1000# 將字符型的數字轉換為數字類型df[col] = pd.to_numeric(df[col])return df

3.3 將自定義函數進行應用

針對DataFrame的每列，應用該自定義函數，進行數據處理，得到需要的結果。

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()

當然，如果DataFrame的列數特別多，可以用for循環，這樣代碼更簡潔。代碼如下：

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()

最終處理后，獲得的數據結果如下：

?

轉載于:https://www.cnblogs.com/lemonbit/p/7147154.html

總結

以上是生活随笔為你收集整理的Pandas数据处理实战：福布斯全球上市企业排行榜数据整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。