目录
首先，我先总结一下用Excel和Python用来做数据分析的优缺点
Excel做数据分析的优点：
Excel做数据分析的缺点：
Python做数据分析的优点：
Python做数据分析的缺点：
1.展示本例子中使用的数据
2.开始动手
一、导入数据以及理解数据部分
1.1查看数据维度(行列)
2.2.查看数据格式
1.3指定一列查看：
1.4查看统计信息
1.5查看列名称
二、数据清洗部分
2.1删除缺失值
Excel做法：
Python做法
2.2使用fillna函数把空值用0填充
2.3更改列名称
2.4删除重复值
Excel做法：
Python做法：
2.5分列
Excel做法：
Python做法：
2.6将完成分列后的数据表与原数据表进行匹配
2.7删除列
Excel做法
Python做法：
2.8修改日期格式
Excel做法：
Python做法：
2.9排序
2.10重命名行名
编辑 2.11 删除异常值
首先，我先总结一下用Excel和Python用来做数据分析的优缺点
老话说知己知彼才能百战不怠，我们先把两者的优缺点分析好，就会知道什么场景下该用Excel，什么场景下该用Python，如果不想看的小伙伴可以直接跳转到操作部分
Excel做数据分析的优点：
-
易用性：Excel是一个广泛使用和易学习的工具，几乎每个人都能够使用它来进行基本的数据处理和分析。
-
快速分析：Excel提供了一系列图表和函数，可以快速分析数据并获得结果。
-
适合小规模数据处理：如果数据集比较小，Excel可以轻松地处理这些数据。Excel还可以使用筛选器、排序和分组等功能来进一步细化分析。
-
Excel扩展性强：Excel支持VBA编程，用户可以通过编写宏程序来进一步扩展其功能。
-
可视化功能强大：Excel内置的绘图功能非常强大，可以快速绘制各种图表和统计图。
Excel做数据分析的缺点：
-
处理大型数据集：在处理大型数据集时，Excel的性能表现会受到限制。Excel可能会崩溃或运行缓慢。
-
数据不规范：如果数据有问题或不规范，Excel很难对其进行处理。例如，在字符分割方面，Excel的能力很有限。
-
数据安全性：Excel中的数据安全性较差，如果数据需要经常共享或与其他人交换，则需要使用诸如密码保护等其他技术来保护数据。
-
扩展性：Excel对于扩展性的支持比较有限，仅支持VBA宏编程。
Python做数据分析的优点：
-
处理庞大数据集：Python在处理大型数据集方面比Excel更有效率。numpy和pandas库针对大型数据集提供了高效的处理和存储技术。
-
灵活性更强：Python语言本身非常灵活，可以执行更多的数据处理和分析操作。Python还支持大量的第三方库，例如matplotlib和seaborn用于可视化，scikit-learn用于机器学习等，可以满足不同数据分析需求。
-
自动化：Python可以实现自动化数据分析过程，能够大幅度提高数据分析的效率和准确性。可以通过编写Python程序来自动化执行数据读取、清洗、转换和建模等操作。
-
代码管理：Python代码可以集成到版本控制工具中，使代码管理变得更加容易。这对于多人协作的情况非常有帮助。
-
开放源代码社区支持：Python拥有一个庞大的开放源代码的社区，这个社区为Python用户提供了丰富的支持、文档和示例。
Python做数据分析的缺点：
-
上手难度：相较于Excel，Python学习曲线较高，需要具备一定的编程基础。
-
可视化难度：尽管Python有很多数据可视化库，但与Excel的可视化工具相比，它们可能需要更多的代码和操作。
-
缺少Excel的特定功能：Excel还有一些Python不太适用（或没有）的具体功能，例如共享文档的实时转发、权限控制等。
-
计算机配置：Python处理大型数据集需要计算机配置较高。需要更大的内存空间来容纳数据，更快的处理器来加速运算。
我相信各位聪明的小伙伴都看出来了，虽然学习Python确实是会有一些难度，但是好处可不只一星半点。
如果是数据量并不大，使用Excel还是比较方便的，
不过你得知道：Python更适合处理比更大容量的数据，灵活性更强，老板总会有奇葩的需求但是会了Python这个利器，无疑是给我们如虎添翼。
它可以自动化处理好老板的需求，而且Python还能操作一些Excel内容，那么下面我们就来请出Python练个手吧！
下面我们会通过python与excel的功能对比，来详细介绍一下我们应该如何使用python通过函数式编程完成excel中的数据处理及分析工作。
1.展示本例子中使用的数据
网上某药店2021年上半年销售数据
2.开始动手
一、导入数据以及理解数据部分
import pandas as pd # 导入pandas库，用于处理Excel数据
medicineData = pd.ExcelFile('d:/data/数据分析实例.xlsx') # 选择文件
sales = medicineData.parse('药物销售单') # 选择要导入的sheet名,确定要导哪张表
sales.head(10) # 显示表格的前10行
运行结果：
这里有用到Jupter Notebook来做演示。
1.1查看数据维度(行列)
shape可以查看该表中的行数和列数
2.2.查看数据格式
Dtypes是一个查看数据格式的函数，可以一次性查看数据表中所有数据的格式，也可以指定一列来单独查看。
1.3指定一列查看：
1.4查看统计信息
使用Describe函数可以查看统计信息计数，平均值，标准差，最小值，四分位数，中位数，最大值。
1.5查看列名称
使用columns函数查看列名称
二、数据清洗部分
2.1删除缺失值
Excel做法：
Python做法
Python中处理空值的方法比较灵活，可以使用dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充
2.2使用fillna函数把空值用0填充
2.3更改列名称
rename是更改列名称的函数，我们将来数据表中的应收金额列更改为应收金额(元)
2.4删除重复值
Excel做法：
Python做法：
使用drop_duplicates()方法删除重复值
2.5分列
Excel做法：
Python做法：
sales_split = pd.DataFrame((x.split(' ') for x in sales['购药时间']), index = sales.index, columns = ['日期', '星期'])
如果你执行代码，会出现下面的错误，这是什么原因呢？
这里，我们需要注意的是缺失值会被当作浮点型 而split函数需要字符串类型，要先删除缺失值。
2.6将完成分列后的数据表与原数据表进行匹配
sales = pd.merge(sales, sales_split, right_index = True, left_index = True) 
2.7删除列
Excel做法
Python做法：
Python中使用drop方法来删除列，下面两种方式都是可以的。
sales = sales.drop('购药时间', 1)
sales = sales.drop('购药时间', axis = 1, inplace = True)
使用drop删除了购药时间这一列
2.8修改日期格式
Excel做法：
Python做法：
使用to_datetime函数进行修改
sales.loc[:,'日期'] = pd.to_datetime(sales.loc[:,'日期'], format = '%Y-%m-%d', errors = 'coerce')
format='%Y-%m-%d'：指定输入日期字符串的格式为 %Y-%m-%d，其中 %Y 表示四位数年份， %m 表示两位数月份， %d 表示两位数日期
errors='coerce'：当遇到无法解析的日期字符串时，强制将其设为缺失值 NaT，而不是抛出异常。
sales.loc 表示通过标签（label）定位DataFrame中的元素，冒号 : 表示选取所有行，'日期' 则指定选取的列名称为 日期 。最终返回的结果是一个由所有行组成的Series对象，其中索引为原DataFrame行索引，值为原DataFrame中该列的值。
2.9排序
By:按哪一列排序
ascending=True降序
ascending=Falses升序
sales = sales.sort_values(by = '日期', ascending = True)
2.10重命名行名
使用reset_index重命名行名
2.11 删除异常值
由于销量、应收金额、实收金额都不应为负，所以应该清除异常值。
文章来源：https://www.toymoban.com/news/detail-767458.html
使用查询条件删除了异常值文章来源地址https://www.toymoban.com/news/detail-767458.html
到了这里，关于[数据分析实战]对比用Excel和Python用来做数据分析的优缺点，用Python的Pandas操作Excel数据表格原来如此简单？还不赶紧学起来？的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![实战演练Python数据分析[pandas]](https://imgs.yssmx.com/Uploads/2024/02/553005-1.png)
