Pandas 数据筛选,去重结合group by
需求
今小伙伴有一个Excel表, 是部门里的小伙9月份打卡记录, 关键字段如下:
姓名, 工号, 日期, 打卡方式, 时间, 详细位置, IP地址....
脱敏数据:
| 姓名 | 工号 | 日期 | 方式 | 时间 | ... |
|---|---|---|---|---|---|
| 小赵 | 123 | 2019-09-01 | GPS | 08:37:50 | .... |
| 小赵 | 123 | 2019-09-01 | GPS | 18:10:50 | ... |
| 小陈 | 124 | 2019-09-01 | GPS | 08:47:30 | ... |
| 小陈 | 124 | 2019-09-01 | GPS | 15:07:50 | ... |
| 小陈 | 124 | 2019-09-01 | GPS | 18:07:5 | ... |
| 小赵 | 123 | 2019-09-02 | GPS | 08:55:50 | ... |
| 小李 | 125 | 2019-09-02 | PC | 13:10:24 |
即每个小伙伴, 一个月(30天), 正常打卡是60次, 上午,下午各一次/每天. 但真实情况是: 可能忘记打卡,或者一天打了n次, 现要求是 筛选出上班迟到(9:00) 的所有人员信息.
一看, 这用Excel, 透视一下姓名, 然后筛选日期...., 我感觉我的EXCEL水平怕是支撑不了, 但, Pandas可以呀, 5行代码搞定数据透视和条件过滤.
核心思路:
-
先按照 性别 进行分组, 然后对每组中, 日期 字段去重, 保留第一条记录即可.
-
筛选出 时间 在 9:00 之后的记录, 存为Excel即可.
完整代码如下:
import pandas as pd
# 1. 读取数据
data = pd.read_excel("9月打卡记录.xlsx")
data['时间'] = pd.to_datetime(data["时间"], format="%H:%M:%S")
# 2. 先按姓名分组, 再对日期去重,保留第一个值
ret = data.groupby("姓名", as_index=False).apply(lambda df:df.drop_duplicates("日期"))
# 3. 筛选日期,并保存为excel文件
ret[ret["时间"] >= "1900/1/1 09:00:00"].to_excel("9月迟到名单.xlsx", index=False)
该篇的目的是为了巩固这些常用的知识点, 如 group by 结合 apply 的用法, 匿名函数, 时间字符串处理等.当然会有更复杂情况, 如分组过后, 按日期去重, 保留的第一条记录, 不是最早打卡的那条? 那这就需要写排序逻辑了, 这里只是先抛砖引玉一波.
小结
-
pandas 读取文件, pd.read_excel( ); pd.read_csv( ); pd.read_json( ); pd.read_sql_table( )...
-
写入文件: pd.to_excel( ); pd.to_csv( ) ....
-
字段筛选过滤等操作必须熟练.
-
时间字符串 与 时间类型 的 互相转换 datetime 模块
-
group by 分组聚合, agg(); apply( ), 结合Excel 透视表就很好理解
-
关于映射: apply(函数名), 应用于整行or列, 对应的还有, applymap 作用每个元素, map()作用于某列Series.
-
关于匿名函数lambda 的用法及与普通function的区别.
-
后续还有更多工作案例分享, 基础, 高阶,都会有的.....