大家好
在以前，商业分析对应的英文单词是Business Analysis，大家用的分析工具是Excel，后来数据量大了，Excel应付不过来了（Excel最大支持行数为1048576行），人们开始转向python和R这样的分析工具了，这时候商业分析对应的单词是Business Analytics。
其实python和Excel的使用准则一样，都是[We don't repeat ourselves]，都是尽可能用更方便的操作替代机械操作和纯体力劳动。
用python做数据分析，离不开著名的pandas包，经过了很多版本的迭代优化，pandas现在的生态圈已经相当完整了，官网还给出了它和其他分析工具的对比：
本文用的主要也是pandas，绘图用的库是plotly，实现的Excel的常用功能有：
-
Python和Excel的交互
-
vlookup函数
-
数据透视表
-
绘图
以后如果发掘了更多Excel的功能，会回来继续更新和补充。开始之前，首先按照惯例加载pandas包：
import numpy as npimport pandas as pdpd.set_option('max_columns', 10)pd.set_option('max_rows', 20)pd.set_option('display.float_format', lambda x: '%.2f' % x) # 禁用科学计数法
pandas里最常用的和Excel I/O有关的四个函数是read_csv/ read_excel/ to_csv/ to_excel，它们都有特定的参数设置，可以定制想要的读取和导出效果。
比如说想要读取这样一张表的左上部分：
可以用pd.read_excel("test.xlsx", header=1, nrows=17, usecols=3)，返回结果：
df:姓名 性别 部门0 A0001 张伟 男 工程1 A0002 王秀英 女 人事2 A0003 王芳 女 行政3 A0004 郑勇 男 市场4 A0005 张丽 女 研发5 A0006 王艳 女 后勤6 A0007 李勇 男 市场7 A0008 李娟 女 工程8 A0009 张静 女 人事9 A0010 王磊 男 行政10 A0011 李娜 女 市场11 A0012 刘诗雯 女 研发12 A0013 王刚 男 后勤13 A0014 叶倩 女 后勤14 A0015 金雯雯 女 市场15 A0016 王超杰 男 工程16 A0017 李军 男 人事
输出函数也同理，使用多少列，要不要index，标题怎么放，都可以控制。
vlookup号称是Excel里的神器之一，用途很广泛，下面的例子来自豆瓣，VLOOKUP函数最常用的10种用法，你会几种?
案例一
问题：A3:B7单元格区域为字母等级查询表，表示60分以下为E级、60~69分为D级、70~79分为C级、80~89分为B级、90分以上为A级。D:G列为初二年级1班语文测验成绩表，如何根据语文成绩返回其字母等级？
方法：在H3:H13单元格区域中输入=VLOOKUP（G3, $A$3:$B$7, 2）
python实现：
df = pd.read_excel("test.xlsx", sheet_name=0)def grade_to_point(x):if x >= 90:return 'A'elif x >= 80:return 'B'elif x >= 70:return 'C'elif x >= 60:return 'D'else:return 'E'= df['语文'].apply(grade_to_point)df:姓名 性别 语文 等级0 101 王小丽 女 69 D1 102 王宝勤 男 85 B2 103 杨玉萍 女 49 E3 104 田东会 女 90 A4 105 陈雪蛟 女 73 C5 106 杨建丰 男 42 E6 107 黎梅佳 女 79 C7 108 张兴 男 91 A8 109 马进春 女 48 E9 110 魏改娟 女 100 A10 111 王冰研 女 64 D
案例二
问题：在Sheet1里面如何查找折旧明细表中对应编号下的月折旧额？（跨表查询）
方法：在Sheet1里面的C2:C4单元格输入 =VLOOKUP(A2, 折旧明细表!A$2:$G$12, 7, 0)
python实现：使用merge将两个表按照编号连接起来就行
df1 = pd.read_excel("test.xlsx", sheet_name='折旧明细表')df2 = pd.read_excel("test.xlsx", sheet_name=1) #题目里的sheet1df2.merge(df1[['编号', '月折旧额']], how='left', on='编号')Out[]:编号 资产名称 月折旧额0 YT001 电动门 13991 YT005 桑塔纳轿车 11472 YT008 打印机 51
案例三
问题：类似于案例二，但此时需要使用近似查找
方法：在B2:B7区域中输入公式=VLOOKUP(A2&"*", 折旧明细表!$B$2:$G$12, 6, 0)
python实现：这个比起上一个要麻烦一些，需要用到一些pandas的使用技巧
df1 = pd.read_excel("test.xlsx", sheet_name='折旧明细表')df3 = pd.read_excel("test.xlsx", sheet_name=3) #含有资产名称简写的表df3['月折旧额'] = 0for i in range(len(df3['资产名称'])):df3['月折旧额'][i] = df1[df1['资产名称'].map(lambda x:df3['资产名称'][i] in x)]['月折旧额']df3Out[]:资产名称 月折旧额0 电动 13991 货车 24382 惠普 1323 交联 101334 桑塔纳 11475 春兰 230
案例四
问题：在Excel中录入数据信息时，为了提高工作效率，用户希望通过输入数据的关键字后，自动显示该记录的其余信息，例如，输入员工工号自动显示该员工的信命，输入物料号就能自动显示该物料的品名、单价等。
如图所示为某单位所有员工基本信息的数据源表，在“2010年3月员工请假统计表”工作表中，当在A列输入员工工号时，如何实现对应员工的姓名、身份证号、部门、职务、入职日期等信息的自动录入？
方法：使用VLOOKUP+MATCH函数，在“2010年3月员工请假统计表”工作表中选择B3:F8单元格区域，输入下列公式=IF($A3="","",VLOOKUP($A3,员工基本信息!$A:$H,MATCH(B$2,员工基本信息!$2:$2,0),0))，按下【Ctrl+Enter】组合键结束。
python实现：上面的Excel的方法用得很灵活，但是pandas的想法和操作更简单方便些
df4 = pd.read_excel("test.xlsx", sheet_name='员工基本信息表')df5 = pd.read_excel("test.xlsx", sheet_name='请假统计表')df5.merge(df4[['工号', '姓名', '部门', '职务', '入职日期']], on='工号')Out[]:工号 姓名 部门 职务 入职日期0 A0004 龚梦娟 后勤 主管 2006-11-201 A0003 赵敏 行政 文员 2007-02-162 A0005 黄凌 研发 工程师 2009-01-143 A0007 王维 人事 经理 2006-07-244 A0016 张君宝 市场 工程师 2007-08-145 A0017 秦羽 人事 副经理 2008-03-06
案例五
问题：用VLOOKUP函数实现批量查找，VLOOKUP函数一般情况下只能查找一个，那么多项应该怎么查找呢？如下图，如何把张一的消费额全部列出？
方法：在C9：C11单元格里面输入公式=VLOOKUP(B$9&ROW(A1),IF({1,0},$B$2:$B$6&COUNTIF(INDIRECT("b2:b"&ROW($2:$6)),B$9),$C$2:$C$6),2,)，按SHIFT+CTRL+ENTER键结束。
python实现：vlookup函数有两个不足（或者算是特点吧），一个是被查找的值一定要在区域里的第一列，另一个是只能查找一个值，剩余的即便能匹配也不去查找了，这两点都能通过灵活应用if和indirect函数来解决，不过pandas能做得更直白一些。
df6 = pd.read_excel("test.xlsx", sheet_name='消费额')df6[df6['姓名'] == '张一'][['姓名', '消费额']]Out[]:姓名 消费额0 张一 1002 张一 3004 张一 1000
数据透视表是Excel的另一个神器，本质上是一系列的表格重组整合的过程。这里用的案例来自知乎，Excel数据透视表有什么用途：（https://www.zhihu.com/question/22484899/answer/39933218 ）
问题：需要汇总各个区域，每个月的销售额与成本总计，并同时算出利润
通过Excel的数据透视表的操作最终实现了下面这样的效果：
python实现：对于这样的分组的任务，首先想到的就是pandas的groupby，代码写起来也简单，思路就是把刚才Excel的点鼠标的操作反映到代码命令上：
df = pd.read_excel('test.xlsx', sheet_name='销售统计表')df['订购月份'] = df['订购日期'].apply(lambda x:x.month)df2 = df.groupby(['订购月份', '所属区域'])[['销售额', '成本']].agg('sum')df2['利润'] = df2['销售额'] - df2['成本']df2Out[]:销售额 成本 利润订购月份 所属区域1 南京 134313.61 94967.84 39345.77常熟 177531.47 163220.07 14311.40无锡 316418.09 231822.28 84595.81昆山 159183.35 145403.32 13780.03苏州 287253.99 238812.03 48441.962 南京 187129.13 138530.42 48598.71常熟 154442.74 126834.37 27608.37无锡 464012.20 376134.98 87877.22昆山 102324.46 86244.52 16079.94苏州 105940.34 91419.54 14520.80... ... ...11 南京 286329.88 221687.11 64642.77常熟 2118503.54 1840868.53 277635.01无锡 633915.41 536866.77 97048.64昆山 351023.24 342420.18 8603.06苏州 1269351.39 1144809.83 124541.5612 南京 894522.06 808959.32 85562.74常熟 324454.49 262918.81 61535.68无锡 1040127.19 856816.72 183310.48昆山 1096212.75 951652.87 144559.87苏州 347939.30 302154.25 45785.05[]
也可以使用pandas里的pivot_table函数来实现：
df3 = pd.pivot_table(df, values=['销售额', '成本'], index=['订购月份', '所属区域'] , aggfunc='sum')df3['利润'] = df3['销售额'] - df3['成本']df3Out[]:成本 销售额 利润订购月份 所属区域1 南京 94967.84 134313.61 39345.77常熟 163220.07 177531.47 14311.40无锡 231822.28 316418.09 84595.81昆山 145403.32 159183.35 13780.03苏州 238812.03 287253.99 48441.962 南京 138530.42 187129.13 48598.71常熟 126834.37 154442.74 27608.37无锡 376134.98 464012.20 87877.22昆山 86244.52 102324.46 16079.94苏州 91419.54 105940.34 14520.80... ... ...11 南京 221687.11 286329.88 64642.77常熟 1840868.53 2118503.54 277635.01无锡 536866.77 633915.41 97048.64昆山 342420.18 351023.24 8603.06苏州 1144809.83 1269351.39 124541.5612 南京 808959.32 894522.06 85562.74常熟 262918.81 324454.49 61535.68无锡 856816.72 1040127.19 183310.48昆山 951652.87 1096212.75 144559.87苏州 302154.25 347939.30 45785.05[60 rows x 3 columns]
pandas的pivot_table的参数index/ columns/ values和Excel里的参数是对应上的（当然，我这话说了等于没说，数据透视表里不就是行/列/值吗还能有啥。）
但是我个人还是更喜欢用groupby，因为它运算速度非常快。我在打kaggle比赛的时候，有一张表是贷款人的行为信息，大概有2700万行，用groupby算了几个聚合函数，几秒钟就完成了。
groupby的功能很全面，内置了很多aggregate函数，能够满足大部分的基本需求，如果你需要一些其他的函数，可以搭配使用apply和lambda。
不过pandas的官方文档说了，groupby之后用apply速度非常慢，aggregate内部做过优化，所以很快，apply是没有优化的，所以建议有问题先想想别的方法，实在不行的时候再用apply。
我打比赛的时候，为了生成一个新变量，用了groupby的apply，写了这么一句：ins['weight'] = ins[['SK_ID_PREV'， 'DAYS_ENTRY_PAYMENT']].groupby('SK_ID_PREV').apply(lambda x: 1-abs(x)/x.sum().abs()).iloc[:,1]，1000万行的数据，足足算了十多分钟，等得我心力交瘁。
因为Excel画出来的图能够交互，能够在图上进行一些简单操作，所以这里用的python的可视化库是plotly，案例就用我这个学期发展经济学课上的作业吧，当时的图都是用Excel画的，现在用python再画一遍。开始之前，首先加载plotly包。
import plotly.offline as offimport plotly.graph_objs as gooff.init_notebook_mode()
柱状图
当时用Excel画了很多的柱状图，其中的一幅图是
下面用plotly来画一下
df = pd.read_excel("plot.xlsx", sheet_name='高等教育入学率')trace1 = go.Bar(x=df['国家'],y=df[1995],name='1995',opacity=0.6,marker=dict(color='powderblue'))trace2 = go.Bar(x=df['国家'],y=df[2005],name='2005',opacity=0.6,marker=dict(color='aliceblue',))trace3 = go.Bar(x=df['国家'],y=df[2014],name='2014',opacity=0.6,marker=dict(color='royalblue'))layout = go.Layout(barmode='group')data = [trace1, trace2, trace3]fig = go.Figure(data, layout)off.plot(fig)
雷达图
用Excel画的：
用python画的：
df = pd.read_excel('plot.xlsx', sheet_name='政治治理')theta = df.columns.tolist()theta.append(theta[0])names = df.index= df.iloc[:,0]df = np.array(df)trace1 = go.Scatterpolar(r=df[0],theta=theta,name=names[0])trace2 = go.Scatterpolar(r=df[1],theta=theta,name=names[1])trace3 = go.Scatterpolar(r=df[2],theta=theta,name=names[2])trace4 = go.Scatterpolar(r=df[3],theta=theta,name=names[3])data = [trace1, trace2, trace3, trace4]layout = go.Layout(polar=dict(radialaxis=dict(visible=True,range=[0,1])),showlegend=True)fig = go.Figure(data, layout)off.plot(fig)
画起来比Excel要麻烦得多。
总体而言，如果画简单基本的图形，用Excel是最方便的，如果要画高级一些的或者是需要更多定制化的图形，使用python更合适。
文章评论