Giới thiệu khóa học Python là ngôn ngữ đa năng, các bạn hoàn toàn có thể dùng ngôn ngữ python áp dụng vào tự động hóa trong Excel. Ví dụ hàng ngày các bạn có thể mất hàng giờ để làm các thao tác thủ công lặp đi lặp lại trong Excel thì Python sẽ giúp các bạn tự động hóa các thao tác đó chỉ vài giây. Công thức trong excel rất nhiều và khó nhớ, tuy nhiên với Python, các bạn có thể tự viết hàm số cho riêng mình, có thể tự viết phần mềm ứng dụng như phần mềm quản lý nhân sự, quản lý kho, quản lý thu chi… Khóa Python Excel dành cho người đi làm ưu tiên tính ứng dụng thực tế nên được thiết kế phần thực hành rất nhiều, lý thuyết hợp lý, nội dung đa dạng, phong phú được chắt lọc kỹ càng.Python Excel dành cho người đi làm ưu tiên tính ứng dụng thực tế nên được thiết kế phần thực hành rất nhiều, lý thuyết hợp lý, nội dung đa dạng, phong phú được chắt lọc kỹ càng. Chỉ trong vòng 1 tháng, các bạn có thể lắm vững được các kiến thức cơ bản và nâng cao trong Python, các bạn có thể viết được luôn script, phần mềm ứng dụng để ứng dụng vào trong công việc. Khoá học này luôn hướng tới học viên, vì học viên, giảng viên sẽ luôn đồng hành cùng với các bạn để giải quyết những bài toán, những vướng mắc và khó khăn mà các bạn đang gặp phải trong công việc. Drama|Sci-Fi - German học viên
- Germany khóa học
Pandora’s Box
Crime|Drama|Romance * Giảng viên chính: Nguyễn Thái Sơn. - Anh là CEO/Co-founder của CobraTeam.vn - Anh tốt nghiệp trường ĐHBKHN chuyên ngành Cơ Khí năm 2007. Anh đã từng làm cho nhiều công ty: Nồi hơi Việt Nam, Lilama-Lisemco, NDT Alpha, Vật liệu Hàn Ngọc Linh, TB Hàn Nam Thành. - Tuy học cơ khí nhưng anh rất yêu thích lập trình và đã tự học Swift, SwiftUI, Flutter, PHP. Đặc biệt anh đam mê và yêu thích lập trình Python. - Anh đã cùng đội ngũ Cobra Team xây dựng
lên hệ thống khoá học trực tuyến với hàng trăm video có sẵn theo nhiều khoá học và chủ đề khác nhau. - Hệ thống khoá học trực tuyến Cobrateam.vn chuyên về lập trình Python, tuy mới ra mắt tháng 7 năm 2021 nhưng đã có hơn 500+ bạn học viên tin tưởng và yêu thích đang theo học. * Giảng viên chính: Chu Văn An - Tốt nghiệp đại học Bách Khoa Hà Nội chuyên ngành Điện tự động hoá - Từng làm tại các công ty chuyên về hệ thống tự động hoá trạm biến áp: Toshiba, ATS.. - Kinh nghiệm lập
trình: VBA cho excel, Python, JavaScript * Giảng viên chính: Nguyễn Hữu Đạt - Tốt nghiệp đại học Giao Thông Vận Tải chuyên ngành kinh tế xây dựng - Từng làm tại công ty cổ phần Traenco, chuyên về xây dựng các công trình cầu đường, nhà ở - Kinh nghiệm lập trình: đặc biệt yêu thích Python. * Cùng toàn thể anh em yêu thích và đam mê lập trình Python đến từ khắp mọi miền Việt Nam, đã chung tay xây dựng lên cộng đồng Cobra Team này. Tại sao nên học cách làm việc với Python Pandas Excel? Excel là một trong những công cụ dữ liệu phổ biến và được sử dụng rộng rãi nhất; khó mà tìm được một tổ chức mà không sử dụng Excel. Từ các nhà phân tích, đến các VP bán hàng, cho đến các CEO, các chuyên gia khác nhau đều sử dụng Excel cho cả số liệu thống kê nhanh và xử lý dữ liệu nghiêm trọng. Với việc Excel rất phổ biến, các chuyên gia dữ liệu phải làm quen với nó. Làm việc với dữ liệu bằng Python hoặc R mang lại những lợi thế nghiêm trọng so với Excel Excel UI, vì vậy việc tìm cách làm việc với Excel bằng mã là rất quan trọng. Rất may, có một công cụ tuyệt vời đã có sẵn để sử dụng Excel với Python được gọi là Pandas. Pandas có các phương pháp tuyệt vời để đọc tất cả các loại dữ liệu từ các tệp Excel. Bạn cũng có thể xuất kết quả của mình từ Pandas trở lại Excel, nếu điều đó được ưa thích bởi đối tượng dự định của bạn. Pandas là tuyệt vời cho các nhiệm vụ phân tích dữ liệu thường xuyên khác, chẳng hạn như: - Phân tích dữ liệu thăm dò nhanh (EDA)
- vẽ lô hấp dẫn
- cung cấp dữ liệu vào các công cụ học máy như scikit-learn
- xây dựng mô hình học máy trên dữ liệu của bạn
- lấy dữ liệu được làm sạch và xử lý cho bất kỳ số lượng công cụ dữ liệu
Pandas tốt hơn trong việc tự động hóa các tác vụ xử lý dữ liệu so với Excel, bao gồm xử lý các tệp Excel. Trong hướng dẫn này, chúng tôi sẽ chỉ cho bạn cách làm việc với các tệp Excel trong Pandas. Chúng tôi sẽ bao gồm các khái niệm sau đây. - thiết lập máy tính của bạn với phần mềm cần thiết
- đọc dữ liệu từ tệp Excel vào Pandas
- thăm dò dữ liệu trong Pandas
- trực quan hóa dữ liệu trong Pandas bằng thư viện trực quan matplotlib
- thao túng và định hình lại dữ liệu trong Pandas
- chuyển dữ liệu từ Pandas vào Excel
Lưu ý rằng hướng dẫn này không cung cấp một lặn sâu vào Pandas. Để khám pháPandas nhiều hơn, hãy xem khóa học của chúng tôi. Điều kiện tiên quyết của hệ thốngChúng tôi sẽ sử dụng Python 3 và Jupyter Notebook để trình bày mã trong hướng dẫn này. Ngoài Python và Jupyter Notebook, bạn sẽ cần các mô-đun Python sau: Ngoài Python và Jupyter Notebook, bạn sẽ cần các mô-đun Python sau: matplotlib – trực quan hóa dữ liệu NumPy – chức năng dữ liệu số OpenPyXL – đọc / ghi tệp Excel 2010 xlsx / xlsm Pandas – nhập dữ liệu, dọn dẹp, thăm dò và phân tích xlrd – đọc dữ liệu Excel xlwt – ghi vào Excel XlsxWriter – ghi vào tệp Excel (xlsx) NumPy – chức năng dữ liệu số OpenPyXL – đọc / ghi tệp Excel 2010 xlsx / xlsm Pandas – nhập dữ liệu, dọn dẹp, thăm dò và phân tích xlrd – đọc dữ liệu Excel xlwt – ghi vào Excel XlsxWriter – ghi vào tệp Excel (xlsx) Có nhiều cách để thiết lập với tất cả các mô-đun. Chúng tôi bao gồm ba trong số các kịch bản phổ biến nhất dưới đây. - Nếu bạn đã cài đặt Python thông qua trình quản lý gói Anaconda, bạn có thể cài đặt các mô-đun cần thiết bằng lệnh conda install. Ví dụ, để cài đặt Pandas, bạn sẽ thực thi lệnh – conda install pandas.conda install. Ví dụ, để cài đặt Pandas, bạn sẽ thực thi lệnh – conda install pandas.
- Nếu bạn đã cài đặt Python thông thường, không phải Anaconda trên máy tính, bạn có thể cài đặt các mô-đun cần thiết bằng pip. Mở chương trình dòng lệnh của bạn và thực hiện lệnh pip install để cài đặt một mô-đun. Bạn nên thay thế bằng tên thực của mô-đun bạn đang cố gắng cài đặt. Ví dụ, để cài đặt Pandas, bạn sẽ thực thi lệnh – pip install pandas.module name> để cài đặt một mô-đun. Bạn nên thay thế bằng tên thực
của mô-đun bạn đang cố gắng cài đặt. Ví dụ, để cài đặt Pandas, bạn sẽ thực thi lệnh – pip install pandas.
- Nếu bạn không cài đặt Python, bạn nên tải nó thông qua trình quản lý gói Anaconda. Anaconda cung cấp trình cài đặt cho Máy tính Windows, Mac và Linux. Nếu bạn chọn trình cài đặt đầy đủ, bạn sẽ nhận được tất cả các mô-đun bạn cần, cùng với Python và Pandas trong một gói duy nhất. Đây là cách dễ nhất và nhanh nhất để bắt đầu.
Tập dữ liệu – Python Pandas ExcelTrong hướng dẫn này, chúng tôi sẽ sử dụng tệp Excel nhiều trang mà chúng tôi đã tạo từ dữ liệu Điểm IMDB của Kaggle. Bạn có thể tải tập tin tại đây. Tệp Excel của chúng tôi có ba sheets: ‘1900s’, ’2000s’, ‘2010s’. Mỗi sheet có dữ liệu cho các bộ phim từ những năm đó. Chúng tôi sẽ sử dụng bộ dữ liệu này để tìm phân phối xếp hạng cho phim, trực quan hóa phim có xếp hạng cao nhất và thu nhập ròng và tính toán thông tin thống kê về phim. Chúng tôi sẽ phân tích và khám phá dữ liệu này bằng Python vàPandas, do đó chứng minh khả năng của Pandas để làm việc với dữ liệu Excel trong Python. Đọc dữ liệu từ tệp Excel – Python Pandas ExcelTrước tiên chúng ta cần nhập dữ liệu từ tệp Excel vào Pandas. Để làm điều đó, chúng tôi bắt đầu bằng cách nhập mô-đun Pandas. import pandas as pd
Sau đó, chúng tôi sử dụng phương thức pandasTHER read_excel để đọc dữ liệu từ tệp Excel. Cách dễ nhất để gọi phương thức này là truyền tên tệp. Nếu không có tên trang tính được chỉ định thì nó sẽ đọc trang tính đầu tiên trong chỉ mục (như hiển thị bên dưới). excel_file = 'movies.xls'
movies = pd.read_excel(excel_file)
Ở đây, phương thức read_excel đọc dữ liệu từ tệp Excel vào một đối tượng DataFrame của Pandas. Pandas mặc định lưu trữ dữ liệu trong DataFrames. Sau đó chúng tôi đã lưu trữ DataFrame này vào một biến gọi là movies. Pandas có một phương thức DataFrame.head () tích hợp mà chúng ta có thể sử dụng để dễ dàng hiển thị một vài hàng đầu tiên của DataFrame. Nếu không có đối số nào được thông qua, nó sẽ hiển thị năm hàng đầu tiên. Nếu một số được thông qua, nó sẽ hiển thị số lượng hàng bằng nhau từ đầu. movie.head ()
| Title | Year | Genres | Language | Country | Content Rating | Duration | Aspect Ratio | Budget | Gross Earnings | … | Facebook Likes – Actor 1 | Facebook Likes – Actor 2 | Facebook Likes – Actor 3 | Facebook Likes – cast Total | Facebook likes – Movie | Facenumber in posters | User Votes | Reviews by Users | Reviews by Crtiics | IMDB Score |
---|
0 | Intolerance: Love’s Struggle Throughout the Ages | 1916 | Drama|History|War | NaN | USA | Not Rated | 123 | 1.33 | 385907.0 | NaN | USA | 436 | 22 | 9.0 | 481 | 691 | 1 | 10718 | 88 | 69.0 | 8.0 |
---|
1 | Not Rated | 1920 | … | NaN | USA | NaN | 110 | 1.33 | 100000.0 | 3000000.0 | USA | 2 | 2 | 0.0 | 4 | 0 | 1 | 5 | 1 | 1.0 | 4.8 |
---|
2 | Not Rated | 1925 | … | NaN | USA | Not Rated | 151 | 1.33 | 245000.0 | NaN | USA | 81 | 12 | 6.0 | 108 | 226 | 0 | 4849 | 45 | 48.0 | 8.3 |
---|
3 | Not Rated | 1927 | … | Over the Hill to the Poorhouse | Crime|Drama | Not Rated | 145 | 1.33 | 6000000.0 | 26435.0 | USA | 136 | 23 | 18.0 | 203 | 12000 | 1 | 111841 | 413 | 260.0 | 8.3 |
---|
4 | Not Rated | 1929 | … | Over the Hill to the Poorhouse | Crime|Drama | Not Rated | 110 | 1.33 | NaN | 9950.0 | USA | 426 | 20 | 3.0 | 455 | 926 | 1 | 7431 | 84 | 71.0 | 8.0 |
---|
Not Rated … Over the Hill to the Poorhouse movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
| Year | Genres | Language | Country | Content Rating | Duration | Aspect Ratio | Budget | Gross Earnings | … | … | Facebook Likes – Actor 1 | Facebook Likes – Actor 2 | Facebook Likes – Actor 3 | Facebook Likes – cast Total | Facebook likes – Movie | Facenumber in posters | User Votes | Reviews by Users | Reviews by Crtiics | IMDB Score |
---|
Title | | | | | | | | | | | | | | | | | | | | | |
---|
Intolerance: Love’s Struggle Throughout the Ages | 1916 | Drama|History|War | NaN | USA | Not Rated | 123 | 1.33 | 385907.0 | NaN | USA | USA | 436 | 22 | 9.0 | 481 | 691 | 1 | 10718 | 88 | 69.0 | 8.0 |
---|
Not Rated | 1920 | … | NaN | USA | NaN | 110 | 1.33 | 100000.0 | 3000000.0 | USA | USA | 2 | 2 | 0.0 | 4 | 0 | 1 | 5 | 1 | 1.0 | 4.8 |
---|
Not Rated | 1925 | … | NaN | USA | Not Rated | 151 | 1.33 | 245000.0 | NaN | USA | USA | 81 | 12 | 6.0 | 108 | 226 | 0 | 4849 | 45 | 48.0 | 8.3 |
---|
Not Rated | 1927 | … | Over the Hill to the Poorhouse | Crime|Drama | Not Rated | 145 | 1.33 | 6000000.0 | 26435.0 | … | USA | 136 | 23 | 18.0 | 203 | 12000 | 1 | 111841 | 413 | 260.0 | 8.3 |
---|
Not Rated | 1929 | … | Over the Hill to the Poorhouse | Crime|Drama | Not Rated | 110 | 1.33 | NaN | 9950.0 | USA | USA | 426 | 20 | 3.0 | 455 | 926 | 1 | 7431 | 84 | 71.0 | 8.0 |
---|
Not Rated movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head()
| Year | Genres | Language | Country | Content Rating | Duration | Aspect Ratio | Budget | Gross Earnings | … | … | Facebook Likes – Actor 1 | Facebook Likes – Actor 2 | Facebook Likes – Actor 3 | Facebook Likes – cast Total | Facebook likes – Movie | Facenumber in posters | User Votes | Reviews by Users | Reviews by Crtiics | IMDB Score |
---|
Title | | | | | | | | | | | | | | | | | | | | | |
---|
Intolerance: Love’s Struggle Throughout the Ages | 2000 | Drama|History|War | NaN | USA | Not Rated | 100.0 | 1.85 | 85000000.0 | 66941559.0 | … | USA | 2000.0 | 795.0 | 439.0 | 4182 | 372 | 1 | 26413 | 77.0 | 84.0 | 4.8 |
---|
Not Rated | 2000 | … | NaN | USA | Not Rated | 103.0 | 1.37 | 43000000.0 | 37035515.0 | … | USA | 12000.0 | 10000.0 | 664.0 | 23864 | 0 | 1 | 34597 | 194.0 | 116.0 | 6.0 |
---|
Not Rated | 2000 | … | NaN | USA | Not Rated | 82.0 | 1.85 | 6000000.0 | 9821335.0 | … | USA | 939.0 | 706.0 | 585.0 | 3354 | 118 | 1 | 1415 | 10.0 | 22.0 | 4.0 |
---|
Not Rated | 2000 | … | NaN | USA | NaN | 106.0 | 1.85 | 6500000.0 | 64148.0 | USA | USA | 844.0 | 2.0 | 0.0 | 846 | 260 | 0 | 2601 | 35.0 | 28.0 | 7.3 |
---|
Not Rated | 2000 | … | NaN | USA | Not Rated | 220.0 | 2.35 | 57000000.0 | 15527125.0 | … | USA | 13000.0 | 861.0 | 820.0 | 15006 | 652 | 2 | 11388 | 183.0 | 85.0 | 5.8 |
---|
movies_sheet3 = pd.read_excel(excel_file, sheetname=2, index_col=0)
movies_sheet3.head()
| Year | Genres | Language | Country | Content Rating | Duration | Aspect Ratio | Budget | Gross Earnings | Director | … | Facebook Likes – Actor 1 | Facebook Likes – Actor 2 | Facebook Likes – Actor 3 | Facebook Likes – cast Total | Facebook likes – Movie | Facenumber in posters | User Votes | Reviews by Users | Reviews by Crtiics | IMDB Score |
---|
Title | | | | | | | | | | | | | | | | | | | | | |
---|
127 Hours | 2010.0 | Adventure|Biography|Drama|Thriller | English | USA | R | 94.0 | 1.85 | 18000000.0 | 18329466.0 | Danny Boyle | … | 11000.0 | 642.0 | 223.0 | 11984 | 63000 | 0.0 | 279179 | 440.0 | 450.0 | 7.6 |
---|
3 Backyards | 2010.0 | Drama | English | USA | R | 88.0 | Danny Boyle | 300000.0 | Danny Boyle | … | … | 795.0 | 659.0 | 301.0 | 1884 | 92 | 0.0 | 554 | 23.0 | 20.0 | 5.2 |
---|
3 | 2010.0 | 3 Backyards | Drama | NaN | Eric Mendelsohn | 119.0 | 2.35 | Danny Boyle | 59774.0 | … | … | 24.0 | 20.0 | 9.0 | 69 | 2000 | 0.0 | 4212 | 18.0 | 76.0 | 6.8 |
---|
3 Backyards | 2010.0 | Drama | English | USA | R | 80.0 | 1.78 | 2500000.0 | 99851.0 | Danny Boyle | … | 191.0 | 12.0 | 5.0 | 210 | 0 | 0.0 | 1138 | 30.0 | 28.0 | 7.1 |
---|
3 Backyards | 2010.0 | Drama | English | USA | R | 88.0 | 2.35 | Danny Boyle | Danny Boyle | … | … | 783.0 | 749.0 | 602.0 | 3874 | 0 | 2.0 | 5385 | 22.0 | 56.0 | 6.1 |
---|
3 Backyards movies = pd.concat([movies_sheet1, movies_sheet2, movies_sheet3])
Drama movies.shape
(5042, 24)
NaN Eric Mendelsohn movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 5 và chuyển nó tới phương thứcmovies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 6 .xlsx = pd.ExcelFile(excel_file)
movies_sheets = []
for sheet in xlsx.sheet_names:
movies_sheets.append(xlsx.parse(sheet))
movies = pd.concat(movies_sheets)
Comedy|Drama|Romance Khám phá dữ liệu Bây giờ chúng ta đã đọc trong tập dữ liệu phim từ tệp Excel của mình, chúng ta có thể bắt đầu khám phá nó bằng Pandas. Một DataFrame của Pandas lưu trữ dữ liệu theo định dạng bảng, giống như cách Excel hiển thị dữ liệu trong một trang tính. Pandas có rất nhiều phương thức tích hợp để khám phá DataFrame mà chúng ta đã tạo từ tệp Excel mà chúng ta vừa đọc. Chúng tôi đã giới thiệu đầu phương
thức trong phần trước hiển thị một vài hàng từ đầu từ DataFrame. Hãy cùng xem xét một vài phương pháp hữu ích trong khi khám phá tập dữ liệu. Chúng ta có thể sử dụng phương thức hình dạng để tìm ra số lượng hàng và cột cho DataFrame. movies.shape
excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 0German Chúng ta có thể sử dụng phương thức đuôi
để xem các hàng dưới cùng. Nếu không có tham số nào được thông qua, chỉ có năm hàng dưới cùng được trả về. excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 1
| Title | Year | Genres | Language | Country | Content Rating | Duration | Aspect Ratio | Budget | Gross Earnings | … | Facebook Likes – Actor 1 | Facebook Likes – Actor 2 | Facebook Likes – Actor 3 | Facebook Likes – cast Total | Facebook likes – Movie | Facenumber in posters | User Votes | Reviews by Users | Reviews by Crtiics | IMDB Score |
---|
1599 | Title | Danny Boyle | … | English | USA | R | Danny Boyle | 16.00 | Danny Boyle | Danny Boyle | … | 1000.0 | 888.0 | 502.0 | 4528 | 11000 | 1.0 | 9277 | 44.0 | 10.0 | 8.2 |
---|
1600 | 3 Backyards | Danny Boyle | … | English | USA | Danny Boyle | 30.0 | 1.33 | Danny Boyle | Danny Boyle | … | 685.0 | 511.0 | 424.0 | 1884 | 1000 | 5.0 | 7646 | 56.0 | 19.0 | 7.3 |
---|
1601 | 3 Backyards | Danny Boyle | … | English | USA | Danny Boyle | Danny Boyle | 2.00 | Danny Boyle | Danny Boyle | … | 511.0 | 457.0 | 206.0 | 1617 | 954 | 0.0 | 726 | 6.0 | 2.0 | 7.1 |
---|
1602 | 3 Backyards | Danny Boyle | … | English | USA | Danny Boyle | 142.0 | Danny Boyle | Danny Boyle | Danny Boyle | … | 27000.0 | 698.0 | 427.0 | 29196 | 0 | 2.0 | 6053 | 33.0 | 9.0 | 7.7 |
---|
1603 | 3 Backyards | Danny Boyle | … | 3 Backyards | Drama | Danny Boyle | 24.0 | Danny Boyle | Danny Boyle | Danny Boyle | … | 0.0 | Danny Boyle | Danny Boyle | 0 | 124 | 0.0 | 12417 | 51.0 | 6.0 | 7.0 |
---|
… sort_by_gross = movies.sort_values ([‘Tổng thu nhập’], tăng dần = Sai) Vì chúng tôi có dữ liệu được sắp xếp theo các giá trị trong một cột, chúng tôi có thể thực hiện một vài điều thú vị với nó. Ví dụ: chúng tôi có thể hiển thị 10 phim hàng đầu theo Tổng thu nhập. Vì chúng tôi có dữ liệu được sắp xếp theo các giá trị trong một cột, chúng tôi có thể thực hiện một vài điều thú vị với nó. Ví dụ:
chúng tôi có thể hiển thị 10 phim hàng đầu theo Tổng thu nhập. excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 2excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 3Chúng tôi cũng có thể tạo cốt truyện cho 10 bộ phim hàng đầu của Gross Earnings. Pandas giúp dễ dàng trực quan hóa dữ liệu của bạn với các sơ đồ và biểu đồ thông qua matplotlib, một thư viện trực quan hóa dữ liệu phổ biến. Với một vài dòng mã, bạn có thể bắt đầu vẽ. Hơn nữa, các lô matplotlib hoạt động tốt trong Notebook Jupyter vì bạn có thể thay thế các lô ngay dưới mã. Đầu tiên, chúng tôi nhập mô-đun matplotlib và đặt matplotlib để hiển thị các ô ngay trong Notebook Jupyter. Đầu tiên, chúng tôi nhập mô-đun
matplotlib và đặt matplotlib để hiển thị các ô ngay trong Notebook Jupyter. excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 4Chúng tôi sẽ vẽ một cốt truyện trong đó mỗi thanh sẽ đại diện cho một trong 10 bộ phim hàng đầu. Chúng ta có thể làm điều này bằng cách gọi phương thức cốt truyện và đặt loại đối số thành barh. Điều này nói với matplotlib để vẽ một biểu đồ thanh ngang. excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 5 Hãy cùng với nhau tạo ra một biểu đồ của Điểm IMDB để kiểm tra sự phân phối của Điểm IMDB trên tất cả các phim. Biểu đồ là một cách tốt để hình dung sự phân phối của một tập dữ liệu. Chúng tôi sử dụng phương pháp cốt truyện trên loạt Điểm IMDB từ DataFrame phim của chúng tôi và truyền cho nó đối số.excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 6Trực quan hóa dữ liệu này cho thấy rằng hầu hết các Điểm IMDB rơi vào khoảng từ sáu đến tám. Lấy thông tin thống kê về dữ liệuPandas có một số phương pháp rất tiện dụng để xem xét dữ liệu thống kê về tập dữ liệu của chúng tôi. Ví dụ: chúng ta có thể sử dụng phương pháp mô tả để có được một bản tóm tắt thống kê của tập dữ liệu. excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 7
| Year | Duration | Aspect Ratio | Budget | Gross Earnings | Facebook Likes – Director | Facebook Likes – Actor 1 | Facebook Likes – Actor 2 | Facebook Likes – Actor 3 | Facebook Likes – cast Total | Facebook likes – Movie | Facenumber in posters | User Votes | Reviews by Users | Reviews by Crtiics | IMDB Score |
---|
count | 4935.000000 | 5028.000000 | 4714.000000 | 4.551000e+03 | 4.159000e+03 | 4938.000000 | 5035.000000 | 5029.000000 | 5020.000000 | 5042.000000 | 5042.000000 | 5029.000000 | 5.042000e+03 | 5022.000000 | 4993.000000 | 5042.000000 |
---|
mean | 2002.470517 | 107.201074 | 2.220403 | 3.975262e+07 | 4.846841e+07 | 686.621709 | 6561.323932 | 1652.080533 | 645.009761 | 9700.959143 | 7527.457160 | 1.371446 | 8.368475e+04 | 272.770808 | 140.194272 | 6.442007 |
---|
std | 12.474599 | 25.197441 | 1.385113 | 2.061149e+08 | 6.845299e+07 | 2813.602405 | 15021.977635 | 4042.774685 | 1665.041728 | 18165.101925 | 19322.070537 | 2.013683 | 1.384940e+05 | 377.982886 | 121.601675 | 1.125189 |
---|
min | 1916.000000 | 7.000000 | 1.180000 | 2.180000e+02 | 1.620000e+02 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 5.000000e+00 | 1.000000 | 1.000000 | 1.600000 |
---|
25% | 1999.000000 | 93.000000 | 1.850000 | 6.000000e+06 | 5.340988e+06 | 7.000000 | 614.500000 | 281.000000 | 133.000000 | 1411.250000 | 0.000000 | 0.000000 | 8.599250e+03 | 65.000000 | 50.000000 | 5.800000 |
---|
50% | 2005.000000 | 103.000000 | 2.350000 | 2.000000e+07 | 2.551750e+07 | 49.000000 | 988.000000 | 595.000000 | 371.500000 | 3091.000000 | 166.000000 | 1.000000 | 3.437100e+04 | 156.000000 | 110.000000 | 6.600000 |
---|
75% | 2011.000000 | 118.000000 | 2.350000 | 4.500000e+07 | 6.230944e+07 | 194.750000 | 11000.000000 | 918.000000 | 636.000000 | 13758.750000 | 3000.000000 | 2.000000 | 9.634700e+04 | 326.000000 | 195.000000 | 7.200000 |
---|
max | 2016.000000 | 511.000000 | 16.000000 | 1.221550e+10 | 7.605058e+08 | 23000.000000 | 640000.000000 | 137000.000000 | 23000.000000 | 656730.000000 | 349000.000000 | 43.000000 | 1.689764e+06 | 5060.000000 | 813.000000 | 9.500000 |
---|
Phương pháp mô tả hiển thị thông tin bên dưới cho mỗi cột. số lượng hoặc số lượng giá trị nghĩa là độ lệch chuẩn tối thiểu, tối đa 25%, 50% và 75% lượng tử Xin lưu ý rằng thông tin này sẽ chỉ được tính cho các giá trị số.Chúng ta cũng có thể sử dụng phương thức tương ứng để truy cập thông tin này cùng một lúc. Ví dụ: để lấy giá trị trung bình của một cột cụ thể, bạn có thể sử dụng phương thức trung bình trên cột đó. nghĩa là độ lệch chuẩn tối thiểu, tối đa 25%, 50% và 75% lượng tử Xin lưu ý rằng thông tin này sẽ chỉ được tính cho các giá trị số.Chúng ta cũng có thể sử dụng phương thức tương ứng để truy cập thông tin này cùng một lúc. Ví dụ: để lấy giá trị trung bình của một cột cụ thể, bạn có thể sử dụng phương thức trung bình trên cột đó. movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 7
movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 8movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 9Cũng giống như trung bình, có các phương thức có sẵn cho mỗi thông tin thống kê mà chúng tôi muốn truy cập. Bạn có thể đọc về các phương pháp này trong bảng cheat Pandas miễn phí của chúng tôi. Đọc tệp không có tiêu đề và bỏ qua hồ sơTrước đó trong hướng dẫn này, chúng tôi đã thấy một số cách để đọc một loại tệp Excel cụ thể có tiêu đề và không có hàng nào cần bỏ qua. Đôi khi, bảng tính Excel không có bất kỳ hàng tiêu đề nào. Đối với những trường hợp như vậy, bạn có thể yêu cầu Pandas không coi hàng đầu tiên là tên tiêu đề hoặc cột. Và nếu một vài hàng đầu tiên trong bảng tính Excel có chứa dữ liệu không nên đọc, bạn có thể yêu cầu phương thức read_excel bỏ qua một số hàng nhất định, bắt đầu từ đầu. Ví dụ: nhìn vào một vài hàng trên cùng của tệp Excel này. Tệp này rõ ràng không có tiêu đề và bốn hàng đầu tiên không phải là bản ghi thực và do đó không nên đọc. Chúng ta có thể nói với read_excel không có tiêu đề bằng cách đặt tiêu đề đối số thành Không có và chúng ta có thể bỏ qua bốn hàng đầu tiên bằng cách đặt bỏ qua đối số thành bốn. Ví dụ: nhìn vào một vài hàng trên cùng của tệp Excel này.
Tệp này rõ ràng không có tiêu đề và bốn hàng đầu tiên không phải là bản ghi thực và do đó không nên đọc. Chúng ta có thể nói với read_excel không có tiêu đề bằng cách đặt tiêu đề đối số thành Không có và chúng ta có thể bỏ qua bốn hàng đầu tiên bằng cách đặt bỏ qua đối số thành bốn.excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 8
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | … | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
---|
0 | Metropolis | 1927 | Drama|Sci-Fi | German | Germany | Not Rated | 145 | 1.33 | 6000000.0 | 26435.0 | … | 136 | 23 | 18.0 | 203 | 12000 | 1 | 111841 | 413 | 260.0 | 8.3 |
---|
1 | Pandora’s Box | 1929 | Crime|Drama|Romance | German | Germany | Not Rated | 110 | 1.33 | … | 9950.0 | … | 426 | 20 | 3.0 | 455 | 926 | 1 | 7431 | 84 | 71.0 | 8.0 |
---|
2 | Pandora’s Box | 1929 | Crime|Drama|Romance | NaN | The Broadway Melody | Musical|Romance | 100 | 1.37 | 379000.0 | 2808000.0 | … | 77 | 28 | 4.0 | 109 | 167 | 8 | 4546 | 71 | 36.0 | 6.3 |
---|
3 | Pandora’s Box | 1930 | Crime|Drama|Romance | NaN | The Broadway Melody | Musical|Romance | 96 | 1.20 | 3950000.0 | … | … | 431 | 12 | 4.0 | 457 | 279 | 1 | 3753 | 53 | 35.0 | 7.8 |
---|
4 | Pandora’s Box | 1932 | Crime|Drama|Romance | NaN | The Broadway Melody | Musical|Romance | 79 | 1.37 | 800000.0 | … | … | 998 | 164 | 99.0 | 1284 | 213 | 1 | 3519 | 46 | 42.0 | 6.6 |
---|
Pandora’s Box Crime|Drama|Romance excel_file = 'movies.xls'
movies = pd.read_excel(excel_file) 9
| NaN | The Broadway Melody | Musical|Romance | English | USA | Passed | Hell’s Angels | Drama|War | A Farewell to Arms | Drama|Romance|War | … | Unrated | Chúng tôi đã bỏ qua bốn hàng từ trang tính và không sử dụng bất kỳ hàng nào làm tiêu đề. Ngoài ra, lưu ý rằng người ta có thể kết hợp các tùy chọn khác nhau trong một tuyên bố đọc. Để bỏ qua các hàng ở cuối trang tính, bạn có thể sử dụng tùy chọn Skip_footer, hoạt động giống như bỏ qua, sự khác biệt duy nhất là các hàng được tính từ dưới lên. | Các tên cột trong DataFrame trước đó là số và được phân bổ theo mặc định của Pandas. Chúng ta có thể đổi tên các tên cột thành các mô tả bằng cách gọi các cột phương thức trên DataFrame và chuyển các tên cột dưới dạng danh sách. | Title | Year | Genres | Language | Country | Content Rating | Duration |
---|
0 | Metropolis | 1927 | Drama|Sci-Fi | German | Germany | Not Rated | 145 | 1.33 | 6000000.0 | 26435.0 | … | 136 | 23 | 18.0 | 203 | 12000 | 1 | 111841 | 413 | 260.0 | 8.3 |
---|
1 | Pandora’s Box | 1929 | Crime|Drama|Romance | German | Germany | Not Rated | 110 | 1.33 | … | 9950.0 | … | 426 | 20 | 3.0 | 455 | 926 | 1 | 7431 | 84 | 71.0 | 8.0 |
---|
2 | Pandora’s Box | 1929 | Crime|Drama|Romance | NaN | The Broadway Melody | Musical|Romance | 100 | 1.37 | 379000.0 | 2808000.0 | … | 77 | 28 | 4.0 | 109 | 167 | 8 | 4546 | 71 | 36.0 | 6.3 |
---|
3 | Pandora’s Box | 1930 | Crime|Drama|Romance | NaN | The Broadway Melody | Musical|Romance | 96 | 1.20 | 3950000.0 | … | … | 431 | 12 | 4.0 | 457 | 279 | 1 | 3753 | 53 | 35.0 | 7.8 |
---|
4 | Pandora’s Box | 1932 | Crime|Drama|Romance | NaN | The Broadway Melody | Musical|Romance | 79 | 1.37 | 800000.0 | … | … | 998 | 164 | 99.0 | 1284 | 213 | 1 | 3519 | 46 | 42.0 | 6.6 |
---|
Pandora’s Box Crime|Drama|Romance NaN movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
0
| NaN | The Broadway Melody | Musical|Romance | English | USA | Passed | Hell’s Angels |
---|
0 | Drama|War | 1916 | A Farewell to Arms | … | The Broadway Melody | Not Rated | 123 |
---|
1 | Musical|Romance | 1920 | English | … | The Broadway Melody | … | 110 |
---|
2 | Pandora’s Box | 1925 | Crime|Drama|Romance | … | The Broadway Melody | Not Rated | 151 |
---|
3 | Metropolis | 1927 | Drama|Sci-Fi | German | Germany | Not Rated | 145 |
---|
4 | Pandora’s Box | 1929 | Crime|Drama|Romance | German | Germany | Not Rated | 110 |
---|
Musical|Romance English USA movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
1Passed Hãy để sử dụng phương pháp sot_values để sắp xếp dữ liệu theo cột mới mà chúng tôi đã tạo và trực quan hóa 10 bộ phim hàng đầu theo Thu nhập Net. movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
2Hell’s Angels Drama|War Trước tiên chúng ta cần xác định cột hoặc cột sẽ đóng vai trò là chỉ mục và (các) cột mà công thức tóm tắt sẽ được áp dụng. Hãy bắt đầu từ nhỏ, bằng cách chọn Năm làm cột chỉ mục và Tổng thu nhập làm cột tóm tắt và tạo một DataFrame riêng từ dữ liệu này. movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
3
| Year | Gross Earnings |
---|
0 | 1916.0 | NaN |
---|
1 | 1920.0 | 3000000.0 |
---|
2 | 1925.0 | NaN |
---|
3 | 1927.0 | 26435.0 |
---|
4 | 1929.0 | 9950.0 |
---|
Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
4
| Gross Earnings |
---|
Year | |
---|
1916.0 | NaN |
---|
1920.0 | 3000000.0 |
---|
1925.0 | NaN |
---|
1927.0 | 26435.0 |
---|
1929.0 | 1408975.0 |
---|
Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi
chép. movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
5 Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập.
| movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | Country | Gross Earnings |
---|
0 | NaN | NaN | NaN |
---|
1 | NaN | NaN | 3000000.0 |
---|
2 | NaN | NaN | NaN |
---|
3 | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 26435.0 |
---|
4 | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 9950.0 |
---|
Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập. movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
7
| | Gross Earnings |
---|
movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | Country | |
---|
Language | USA | 1.127331e+06 |
---|
Germany | German | 7.230936e+06 |
---|
Chúng tôi sẽ sử dụng các cột Quốc gia và Ngôn ngữ làm chỉ mục cho bảng trụ. Chúng tôi sẽ sử dụng Tổng thu nhập làm bảng tóm tắt, tuy nhiên, chúng tôi không cần chỉ định rõ ràng điều này như chúng tôi đã thấy trước đó. | Afghanistan | 1.007614e+07 |
---|
Dari | Argentina | 6.165429e+06 |
---|
Spanish | 5.052950e+05 |
---|
Aruba movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
8EnglishAustralia movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
9Aboriginal movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 0
| Dzongkha | Year | Hãy để trực quan hóa bảng này với một cốt truyện thanh. Vì vẫn còn vài trăm bản ghi trong bảng xoay vòng này, chúng tôi sẽ chỉ vẽ một vài trong số chúng. | Country | movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | Country | Language | USA | Germany | Gross Earnings | German | Chúng tôi sẽ sử dụng các cột Quốc gia và Ngôn ngữ làm chỉ mục cho bảng trụ. Chúng tôi sẽ sử dụng Tổng thu nhập làm bảng tóm tắt, tuy nhiên, chúng tôi không cần chỉ định rõ ràng điều này như chúng tôi đã thấy trước đó. | Afghanistan | Dari | Argentina | Spanish | Aruba | English | Australia | Aboriginal | Dzongkha |
0 | Hãy để trực quan hóa bảng này với một cốt truyện thanh. Vì vẫn còn vài trăm bản ghi trong bảng xoay vòng này, chúng tôi sẽ chỉ vẽ một vài trong số chúng. | 1916.0 | Xuất kết quả ra file Excel – Python Pandas Excel | NaN | NaN | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | 123.0 | 1.33 | 385907.0 | NaN | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 22.0 | 9.0 | 481 | 691 | 1.0 | 10718 | 88.0 | 69.0 | 8.0 | NaN |
---|
1 | Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập. | 1920.0 | movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | NaN | NaN | NaN | 110.0 | 1.33 | 100000.0 | 3000000.0 | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 2.0 | 0.0 | 4 | 0 | 1.0 | 5 | 1.0 | 1.0 | 4.8 | 2900000.0 |
---|
2 | Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập. | 1925.0 | movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | NaN | NaN | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | 151.0 | 1.33 | 245000.0 | NaN | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 12.0 | 6.0 | 108 | 226 | 0.0 | 4849 | 45.0 | 48.0 | 8.3 | NaN |
---|
3 | Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập. | 1927.0 | movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | 145.0 | 1.33 | 6000000.0 | 26435.0 | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 23.0 | 18.0 | 203 | 12000 | 1.0 | 111841 | 413.0 | 260.0 | 8.3 | -5973565.0 |
---|
4 | Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập. | 1929.0 | movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | Bây giờ chúng tôi gọi p Pivot_table trên tập hợp con dữ liệu này. Phương thức p Pivot_table lấy một chỉ số tham số. Như đã đề cập, chúng tôi muốn sử dụng Năm làm chỉ mục. | 110.0 | 1.33 | NaN | 9950.0 | Điều này đã cho chúng tôi một bảng trụ cột với việc phân nhóm theo Năm và tổng hợp trên tổng Thu nhập gộp. Lưu ý, chúng tôi đã không cần chỉ định rõ ràng cột Thu nhập gộp vì Pandas tự động xác định đó là các giá trị nên áp dụng tóm tắt. Chúng ta có thể sử dụng bảng xoay này để tạo một số trực quan hóa dữ liệu. Chúng ta có thể gọi phương thức cốt truyện trên DataFrame để tạo một biểu đồ dòng và gọi phương thức hiển thị để hiển thị cốt truyện trong sổ ghi chép. | 20.0 | 3.0 | 455 | 926 | 1.0 | 7431 | 84.0 | 71.0 | 8.0 | NaN |
---|
Chúng tôi đã thấy làm thế nào để xoay vòng với một cột duy nhất là chỉ mục. Mọi thứ sẽ trở nên thú vị hơn nếu chúng ta có thể sử dụng nhiều cột. Chúng ta hãy tạo ra một tập hợp con DataFrame khác nhưng lần này chúng ta sẽ chọn các cột, Quốc gia, Ngôn ngữ và Tổng thu nhập. movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 1 movies_sheet1 = pd.read_excel(excel_file, sheetname=0, index_col=0)
movies_sheet1.head()
6 Chúng ta có thể sử dụng các tùy chọn đầu ra nâng cao này bằng cách tạo một đối tượng ExcelWriter và sử dụng đối tượng này để ghi vào tệp
EXcel.movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 2Country movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 3Language movies_sheet2 = pd.read_excel(excel_file, sheetname=1, index_col=0)
movies_sheet2.head() 4USA
Giống như thế này, người ta có thể sử dụng XlsxWriter để áp dụng các định dạng khác nhau cho tệp Excel đầu ra.Germany German Mặt khác, Excel là một công cụ dữ liệu được sử dụng rộng rãi như vậy, nó không phải là một cách khôn ngoan để bỏ qua nó. Có được kiến thức chuyên môn trong cả Pandas và Excel và khiến chúng hoạt động cùng nhau mang lại cho bạn những kỹ năng có thể giúp bạn nổi bật trong tổ chức của mình. Nếu bạn đang muốn tìm hiểu thêm về Pandas và Data Analysis thì hãy tới ngay Nordic Coder– Trung tâm đào tạo lập trình hàng đầu với khoá học Data Analysis với Python.Nordic Coder– Trung tâm đào tạo lập trình hàng đầu với khoá học Data Analysis với Python. |