Python處理大數據的2個神奇操作

Python有個處理大數據的庫，結合xlrd庫，在做一些大數據的處理統計工作的時候很好用，譬如做性能測試，你的結果數據如何統計，python有個庫pandas，這個就很擅長做這個工作，這裡就講2個pandas的騷操作。 pandas中groupby、Grouper和agg函數的使用。這2個函數作用類似，都是對數據集中的一類屬性進行聚合操作，比如統計一個用戶在每個月內的全部花銷，統計某個屬性的最大、最小、累和、平均等數值。

統計“ext price”這個屬性在每個月的累和（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())

統計每個用戶每個月"ext price"這個屬性的sum值，利用Grouper

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

Agg

agg函數，它提供基於列的聚合操作。而groupby可以看做是基於行，或者說index的聚合操作。

從實現上看，groupby返回的是一個DataFrameGroupBy結構，這個結構必須調用聚合函數（如sum）之後，才會得到結構為Series的數據結果。

而agg是DataFrame的直接方法，返回的也是一個DataFrame。當然，很多功能用sum、mean等等也可以實現。但是agg更加簡潔, 而且傳給它的函數可以是字符串，也可以自定義，參數是column對應的子DataFrame

獲取"ext price","quantity","unit price"3列的各自的累計值和均值

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

可以針對不同的列使用不同的聚合函數

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

也可以自定義函數，比如，統計sku中，購買次數最多的產品編號，通過lambda表達式來做。

#統計sku中，購買次數最多的產品編號
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) 

如果希望輸出的列按照某個順序排列，可以使用collections的OrderedDict

agg_dict = {
 "ext price":["sum","mean"],
 "quantity":["sum","mean"],
 "unit price":["mean"],
 "sku":[get_max]
}
#按照列名的長度排序。OrderedDict的順序是跟插入順序一致的
df6 = df.agg(collections.OrderedDict(sorted(agg_dict.items(),key=lambda x:len(x[0]))))
print(df6)

源數據的鏈接：https://github.com/chris1610/pbpython/tree/master/data