⑴ Python其实很简单 第二十一章 DataFrame数据处理
将Excel中的的数据读入数据框架DataFrame后，可以非常方便的进行各种数据处理。
21.1 列间求和
求总分（总分=语文+数学+英语）
对于上一章所提到的学生成绩表，仅用一个语句即可完成总分计算，并填充。
df['总分']=df['语文']+df['数学']+df['英语']
完整代码如下：
from pandas import read_excel
file='d:/student.xlsx' #见第18章表18-1
df=read_excel(file,sheet_name=0,converters={'学号':str})
df['总分']=df['语文']+df['数学']+df['英语']
print(df.head()) #df.head()的作用是仅显示5行记录。
运行结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
0 1 070101 王博宇 NaN NaN 84 71 93 248 NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 267 NaN
2 3 070103 李文博 NaN NaN 89 72 76 237 NaN
3 4 070204 姜海燕 NaN NaN 89 89 89 267 NaN
4 5 070205 林若溪 NaN NaN 91 95 83 269 NaN
21.2替换
既可以将对满足条件的行和列的数据替换，也可以对整个集合的数据按照条件进行替换。
df['总分'].replace(310,'x',inplace=True)
将总分列的数值“310”替换为“x”。inplace=True表示改变原数据。
df.replace(76,0,inplace=True)
将整个DataFrame中的数值“76”替换为“0”。
df.replace([98,76,99],0,inplace=True)
将整个DataFrame中的数值“98,76,99”一次替换为“0”。
21.2排序
既可以将某一列作为关键字段排序，也可以将几个列分别作为主、次关键字段进行排序。排序既可以按升序排序，也可以按降序排序。
函数sort_values()的语法格式如下：
df.sort_values(by=[“col1”,”col2”,......,”coln”],ascending=False)
其中，coln表示列名，也可以是列名的列表；ascending表示排序方式，值为True表示升序，可以省缺，值为False表示降序。
如：
df=df.sort_values(by=['总分'],ascending=False)
表示按照“总分”从高到低排序。
df=df.sort_values(by=['总分','语文'],ascending=False)
表示按照“总分”从高到低排序，若“总分”相同，再按照“语文”成绩从高到低排序。
21.3 字段截取
函数slice()可以从某列中截取字符串。格式如下：
slice(start,stop)
其中，start表示开始位置；stop表示结束位置
例：
df['年级']=df['学号'].str.slice(0,2)
通过此语句可以截取学号字段的第1、2个字符，并赋值给年级字段。
21.4 记录抽取
可以抽取满足条件的记录。
例：抽取总分>300的记录。
df[df.总分>300]
抽取总分在300到310之间（包括300和310）的记录。
df[df.总分.between(306,310)]
抽取学号中包含“0803”的记录。这样可以非常方便的抽取某个班的信息。
df[df.学号.str.contains(',na=False)]
此处的na=False，含义是如遇到NaN这样的数据，直接做不匹配处理。
21.5修改记录
1、整列替换
我们在前面已经给整列填充过数据，填充时原来的数据就被覆盖了。
即如下语句：
df['总分']=df['语文']+df['数学']+df['英语']
2、个别修改
如将值‘99’替换为值‘100’，可用如下语句：
df.replace(ྟ',颼')
将指定列的值替，如将语文列和英语列的值‘99’替换为值‘100’，可用如下语句：
df.replace({'语文':99,'英语':99},100)
可用如下程序去验证：
from pandas import read_excel
file='d:/student.xlsx'
df=read_excel(file,sheet_name=0,converters={'学号':str})
print(df[(df.语文==99) |(df.英语==99)])
df=df.replace({'语文':99,'英语':99},100)
print(df[(df.语文==99) |(df.英语==99)])
运行结果为：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
28 29 090802 丁能通 09 NaN 119 120 99 338 NaN
29 30 090203 沈丹妮 09 NaN 109 108 99 316 NaN
Empty DataFrame
Columns: [序号, 学号, 姓名, 年级, 班级, 语文, 数学, 英语, 总分, 名次]
Index: []
可以看出，第一个print()语句输出的结果中满足条件“语文或英语为99分”的有两条记录，替换语句执行以后，df中再没有满足条件“语文或英语为99分”的记录了。
21.6记录合并
函数concat()的格式如下：
concat([dataFrame1,dataFrame2,......]，ignore_index=True)
其中，dataFrame1等表示要合并的DataFrame数据集合；ignore_index=True表示合并之后的重新建立索引。其返回值也是DataFrame类型。
concat()函数和append()函数的功能非常相似。
例：
import pandas #导入pandas模块
from pandas import read_excel #导入read_execel
file='d:/student.xlsx' #变量file表示文件路径，注意'/'的用法 数据见第18章表18-1
df=read_excel(file,sheet_name=0,converters={'学号':str})
# 将Excel文件导入到DataFrame变量中
df=df[:5] #截取df的前5个记录
print(df) #输出df
df1=df[:3] #截取df的前3个记录存入df1中
df2=df[3:5] #截取df的最后2个记录存入df2中
df3=pandas.concat([df2,df1]) #将df2与df1合并存入df3中
print(df3) #输出df3
运行结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
由于合并时是将df1合并到df2中，可以看出，索引仍然保持原来的状态。
21.7统计次数
可以用如下方法统计出某个值在某行或者某个范围出现的次数。
from pandas import read_excel
file='d:/student.xlsx'
df=read_excel(file,sheet_name=0,converters={'学号':str})
df=df[:5]
print(df)
print(df['语文'].value_counts())
输出结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 名次
0 1 070101 王博宇 NaN NaN 84 71 93 NaN NaN
1 2 070102 陈冠涛 NaN NaN 89 89 89 NaN NaN
2 3 070103 李文博 NaN NaN 89 72 76 NaN NaN
3 4 070204 姜海燕 NaN NaN 89 89 89 NaN NaN
4 5 070205 林若溪 NaN NaN 91 95 83 NaN NaN
89 3
84 1
91 1
Name: 语文, dtype: int64
可以看出，通过value_counts()函数可以统计出列中各值出现的次数。
value_counts()函数的参数还有 ：
ascending，当ascending=True时升序排列，当ascending=False时升序排列（此时该参数可省缺）；
normalize，当normalize=True时，显示的不再是各值出现的次数，而是占比。
将上例中的语句print(df['语文'].value_counts())改为：
print(df['语文'].value_counts(ascending=True,normalize=True))
则输出结果变成了：
91 0.2
84 0.2
89 0.6
Name: 语文, dtype: float64
21.8按值查找
print(df['语文'].isin([84,91]))
它的作用是查找‘语文’列中值和isin所指的列表中元素一致的记录，如果找到结果为True，否则为False。
输出结果：
0 True
1 False
2 False
3 False
4 True
Name: 语文, dtype: bool
21.9数据分区
根据某个分区标准，将数据按照所属区域进行划分，并用相应的标签表示，可以用cut()方法来实现。
语法格式如下：
cut(series, bins, right=True, labels=NULL)
其中：
series表示需要分组的数据；
bins表示分组的依据，是一个列表，其元素为划分分区的边界值，如[0,72,96,120]，就是划分3个分区，即0~72、72~96、96~120，默认的是“左包右不包”；
right表示分组时右边是否闭合；
labels表示分组的自定义标签，也可以不重新定义。
下面对上述学生成绩表中的语文成绩进行分组，并增加一个新的列“语文等级”。
import pandas as pd
from pandas import read_excel #导入read_execel
file='d:/student.xlsx'
df=read_excel(file,sheet_name=0,converters={'学号':str})
df['年级']=df['学号'].str.slice(0,2)
df['班级']=df['学号'].str.slice(0,4)
df.总分=df.语文+df.数学+df.英语
bins=[0,72,96,max(df.语文)+1] #
lab=['不及格','及格','优秀']
grade=pd.cut(df.语文,bins,right=False,labels=lab)
df['语文等级']=grade
print(df.head())
print("语文成绩分等级统计结果:")
print(df['语文等级'].value_counts())
运行结果如下：
序号 学号 姓名 年级 班级 语文 数学 英语 总分 语文等级
0 1 070101 王博宇 07 0701 84 71 93 248 及格
1 2 070102 陈冠涛 07 0701 89 89 89 267 及格
2 3 070103 李文博 07 0701 89 72 76 237 及格
3 4 070204 姜海燕 07 0702 89 89 89 267 及格
4 5 070205 林若溪 07 0702 91 95 83 269 及格
语文成绩分等级统计结果:
及格 17
优秀 10
不及格 4
Name: 语文等级, dtype: int64
⑵ Python采集数据处理：利用Pandas进行组排序和筛选
概述网络爬虫技术在现代数据处理中的重要性，强调利用Python的Pandas库对采集到的数据进行高效处理和筛选。文章通过示例演示了如何在使用Pandas进行数据的组排序和筛选时，结合代理IP技术和多线程技术，以提高数据采集效率。重点介绍了数据采集和处理概述，以及实现多线程技术的步骤，最后通过代码示例全面展示实际应用过程。
在数据处理领域，网络爬虫技术日益显着，其自动收集大量数据的能力为数据分析提供了丰富的资源。Pandas库作为数据处理利器，提供了强大的数据结构和数据分析功能。文章旨在介绍如何通过Pandas对网络爬虫采集的数据进行细致处理，包括分组、排序和筛选等关键步骤。文章通过实例展示，结合代理IP服务和多线程技术，实现数据采集效率的提升。
细节部分，文章首先概述了网络爬虫的基本概念和数据处理流程，强调了Pandas在数据转换和操作中的作用。接着，文章深入探讨了代理IP技术在避免网站封锁、提高爬虫稳定性方面的重要性，通过亿牛云爬虫代理服务进行了实例演示。随后，文章介绍了多线程技术如何用于加速数据采集过程，利用Python的threading模块实现并发操作。
实现代码部分，文章提供了一个完整的Python示例，具体展示了如何将理论知识应用于实际数据处理场景。该代码示例整合了Pandas数据处理功能、代理IP技术以及多线程技术，旨在高效完成数据采集任务。文章最后总结了实现步骤，强调了通过结合Pandas、代理IP和多线程技术，能够显着提升数据采集效率和稳定性，为读者在数据处理领域提供了实用的参考。
通过本文示例，读者可以学习到如何有效利用Python的Pandas库、代理IP技术以及多线程技术，以实现数据采集的自动化和效率提升。文章鼓励读者在实际应用中尝试和探索，对任何反馈或建议都保持开放态度，以促进数据处理领域的持续发展。