本文将展示如何美化 Pandas DataFrame 中的数字,并使用一些更高级的 Pandas 样式可视化选项,来提高您使用 Pandas 分析数据的能力。 常见的比如说: 案例分析 本文将使用一个虚拟数据,为大家进行讲解。该数据是一个虚构组织的2018 年销售数据。 数据集链接如下:https://www.aliyundrive.com/s/Tu9zBN2x81c 1. 导入相关库,并读取数据 效果如下:读取这些数据后,我们可以做一个快速总结,看看客户从我们这里购买了多少以及他们的平均购买金额是多少。为了简单起见,我这里截取了前 5 项数据。 结果如下: 2. 添加货币符号 当您查看这些数据时,理解数字的比例有点困难,因为您有 6 个小数点和一些较大的数字。此外,目前还不清楚这是美元还是其他货币。我们可以使用 DataFrame style.format 解决这个问题。 结果如下:使用 format 函数,可以在数据上使用 python 的字符串格式化工具的所有功能。在这种情况下,我们使用 ${0:,.2f} 放置前导美元符号,添加逗号并将结果四舍五入到小数点后两位。 例如,如果我们想四舍五入到 0 位小数,我们可以将格式更改为 ${0:,.0f}。 结果如下: 3. 添加百分比 如果我们想按月查看总销售额,我们可以使用 grouper 按月汇总,并计算每个月占年总销售额的百分比。 结果如下:为了更加清楚明白的展示这个百分比,我们最好将其转换为百分数。 结果如下: 4. 突出显示数字 除了样式化数字,我们还可以设置 DataFrame 中的单元格样式。让我们用绿色突出显示最高的数字,用彩色突出显示最高、最低的数字。 结果如下: 5. 设置渐变色 另一个有用的函数是 background_gradient,它可以突出显示列中的值范围。 结果如下: 6. 设置数据条 pandas样式功能还支持在列内绘制条形图。 结果如下: 7. 绘制迷你图 我认为这是一个很酷的功能。 结果如下:import numpy as npimport pandas as pddf = pd.read_excel('2018_Sales_Total.xlsx')
df.groupby('name')['ext price'].agg(['mean', 'sum'])
(df.groupby('name')['ext price'] .agg(['mean', 'sum']) .style.format('${0:,.2f}'))
(df.groupby('name')['ext price'] .agg(['mean', 'sum']) .style.format('${0:,.0f}'))
monthly_sales = df.groupby([pd.Grouper(key='date', freq='M')])['ext price'].agg(['sum']).reset_index()monthly_sales['pct_of_total'] = monthly_sales['sum'] / df['ext price'].sum()
format_dict = {'sum':'${0:,.0f}', 'date': '{:%m-%Y}', 'pct_of_total': '{:.2%}'}monthly_sales.style.format(format_dict).hide_index()
(monthly_sales .style .format(format_dict) .hide_index() .highlight_max(color='lightgreen') .highlight_min(color='#cd4f39'))
(monthly_sales.style .format(format_dict) .background_gradient(subset=['sum'], cmap='BuGn'))
(monthly_sales .style .format(format_dict) .hide_index() .bar(color='#FFA07A', vmin=100_000, subset=['sum'], align='zero') .bar(color='lightgreen', vmin=0, subset=['pct_of_total'], align='zero') .set_caption('2018 Sales Performance'))
import sparklinesdef sparkline_str(x): bins=np.histogram(x)[0] sl = ''.join(sparklines(bins)) return sl sparkline_str.__name__ = "sparkline"df.groupby('name')['quantity', 'ext price'].agg(['mean', sparkline_str])
只有坚韧不拔向着目标奋进,成功后将在不远处等待着你的到来。