python數(shù)據(jù)處理實(shí)戰(zhàn)(必看篇)
一、運(yùn)行環(huán)境
1、python版本 2.7.13 博客代碼均是這個(gè)版本
2、系統(tǒng)環(huán)境:win7 64位系統(tǒng)
二、需求 對(duì)雜亂文本數(shù)據(jù)進(jìn)行處理
部分?jǐn)?shù)據(jù)截圖如下,第一個(gè)字段是原字段,后面3個(gè)是清洗出的字段,從數(shù)據(jù)庫中聚合字段觀察,乍一看數(shù)據(jù)比較規(guī)律,類似(幣種 金額 萬元)這樣,我想著用sql寫條件判斷,統(tǒng)一轉(zhuǎn)換為‘萬元人民幣' 單位,用sql腳本進(jìn)行字符串截取即可完成,但是后面發(fā)現(xiàn)數(shù)據(jù)并不規(guī)則,條件判斷太多清洗質(zhì)量也不一定,有的前面不是左括號(hào),有的字段里面沒有幣種,有的數(shù)字并不是整數(shù),有的沒有萬字,這樣如果存儲(chǔ)成數(shù)字和‘萬元人民幣'單位兩個(gè)字段寫sql腳本復(fù)雜了,mysql我也沒找到能從文本中提取數(shù)字的函數(shù),正則表達(dá)式常用于where條件中好像,如果誰知道m(xù)ysql有類似從文本中過濾文本提取數(shù)字的函數(shù),可以告訴我哈,這樣就不用費(fèi)這么多功夫,用kettle一個(gè)工具即可,工具活學(xué)活用最好。
結(jié)合用python的經(jīng)驗(yàn),python對(duì)字符串過濾有許多函數(shù)稍后代碼中就是用了這樣的辦法去過濾文本。

第一次部分清洗數(shù)據(jù)截圖
三、對(duì)數(shù)據(jù)處理的宏觀邏輯思考
拿到數(shù)據(jù),先不要著急寫代碼,先思考清洗的邏輯,這點(diǎn)很關(guān)鍵,方向?qū)α耸掳牍Ρ叮O碌臅r(shí)間就是代碼實(shí)現(xiàn)邏輯和調(diào)試代碼的過程。
3.1思考過程 不寫代碼:
我想實(shí)現(xiàn)的最終的數(shù)據(jù)清洗是將資金字段換算成【金額+單位+各幣種】的組合形式或者【金額+單位+統(tǒng)一的人民幣幣種】(幣種進(jìn)行匯率換算),分兩步或者三步都可以
3.1.1拆分出三個(gè)字段,數(shù)字,單位,幣種
(單元分為萬和不含萬,幣種分為人民幣和具體的外幣)
3.1.2將單位統(tǒng)一換為萬為單位
第一步中單位不是萬的 數(shù)字部分/10000,是萬的數(shù)字部分保持不變
3.1.3將幣種統(tǒng)一為人民幣
幣種是人民幣的前兩個(gè)字段都不變,不是的數(shù)字部分變?yōu)閿?shù)字*各外幣兌換人民幣的匯率,單位不變依舊是第二步統(tǒng)一的‘萬'
3.2期望各步驟清洗效果 數(shù)據(jù)列舉:
從這個(gè)結(jié)果著手我們步步拆解,先梳理 清洗邏輯部分
3.2.1第一次清洗期望效果 拆分出三個(gè)字段 數(shù)字 單位 幣種:
①字段值=“2000元人民幣”,第一次清洗
2000 不含萬 人民幣
②字段值=“2000萬元人民幣”,第一次清洗
2000 萬 人民幣
③字段值=“2000萬元外幣”, 第一次清洗
2000 萬 外幣
3.2.2第二次清洗期望效果 將單位 統(tǒng)一歸為萬:
#二次處理?xiàng)l件
case when 單位=‘萬' then 金額 else 金額/10000 end as 第二次金額
①字段值=“2000元人民幣”
0.2 萬 人民幣
②字段值=“2000萬元人民幣”
2000 萬 人民幣
③字段值=“2000萬元外幣”
2000 萬 外幣
注意:如果上面達(dá)到需求 則清洗完畢,如果想將單位換成人民幣就進(jìn)行下面三次清洗
3.2.3第三次清洗期望效果:?jiǎn)挝?幣種都統(tǒng)一為萬+人民幣
如果最后需求是換算成幣種統(tǒng)一人民幣,那么我們就在二次清洗后的基礎(chǔ)上再寫條件就好,
#三次處理?xiàng)l件
case when 幣種=‘人民幣' then 金額 else 金額*幣種和人民幣的換算匯率 end as 第三次金額
①字段值=“2000元人民幣”
0.2 萬 人民幣
②字段值=“2000萬元人民幣”
2000 萬 人民幣
③字段值=“2000萬元外幣”
2000*外幣兌換人民幣匯率 萬 人民幣
四、對(duì)具體代碼的宏觀邏輯思考
幣種和單位這兩個(gè)就2種情況,很好寫
4.1、幣種部分
這個(gè)條件簡(jiǎn)單,如果幣種的值在字符中出現(xiàn)就讓新字段等于這個(gè)幣種的值即可。
4.2、單位(萬為單位)
這個(gè)條件也簡(jiǎn)單,萬字出現(xiàn)在字符中 單位這個(gè)變量=‘萬' 沒出現(xiàn)就讓單位變量等于‘不含萬',這樣寫是為了方便下一步對(duì)數(shù)字進(jìn)行二次處理的時(shí)候?qū)憲l件判斷了。
4.3、數(shù)字部分 確保清洗后和原值邏輯上一樣 做些判斷
確保清洗后和原值邏輯上一樣意思是假如有這樣字段300.0100萬清洗后變成300.01 萬 人民幣 也是正確的。
filter(str.isdigit,字段的值)這個(gè)代碼我首先知道可以將文本中數(shù)字取出,同過對(duì)字段group by 聚合以后知道有小數(shù)點(diǎn)的字段,取出的值不再帶有小數(shù)點(diǎn),如‘20.01萬',filter(str.isdigit,‘20.01萬')取出的數(shù)字就是2001,顯然這個(gè)數(shù)字是不正確,因此就需要考慮有無小數(shù)點(diǎn)的情況,有小數(shù)點(diǎn)的做到和原字段一樣
四、第一次清洗主要代碼,先不讀取數(shù)據(jù)庫數(shù)據(jù)
從數(shù)據(jù)庫中抽異常值10個(gè)左右做測(cè)試,info是regCapital字段的值
#帶小數(shù)點(diǎn)的以小數(shù)點(diǎn)分割 取出小數(shù)點(diǎn)前后部分進(jìn)行拼接
if '.' in info and int(filter(str.isdigit,info.split('.')[1]))>0:
derive_regcapital=filter(str.isdigit,info.split('.')[0])+'.'+filter(str.isdigit,info.split('.')[1])
elif '.' in info and int(filter(str.isdigit,info.split('.')[1]))==0:
derive_regcapital = filter(str.isdigit, info.split('.')[0])
elif filter(str.isdigit,info)=='':
derive_regcapital='0'
else:
derive_regcapital=filter(str.isdigit,info)
#單位 以萬和不含萬 為統(tǒng)一
if '萬' in info:
derive_danwei='萬'
else:
derive_danwei='不含萬'
#幣種 第一次清洗 外幣保留外幣字段 聚合大量數(shù)據(jù) 發(fā)現(xiàn)數(shù)據(jù)中含有外幣的情況大致有下面這些情況 如果有新外幣出現(xiàn) 進(jìn)行數(shù)據(jù)的update操作即可
if '美元' in info:
derive_currency='美元'
elif '港幣' in info:
derive_currency = '港幣'
elif '阿富汗尼' in info:
derive_currency = '阿富汗尼'
elif '澳元' in info:
derive_currency = '澳元'
elif '英鎊' in info:
derive_currency = '英鎊'
elif '加拿大元' in info:
derive_currency = '加拿大元'
elif '日元' in info:
derive_currency = '日元'
elif '港幣' in info:
derive_currency = '港幣'
elif '法郎' in info:
derive_currency = '法郎'
elif '歐元' in info:
derive_currency = '歐元'
elif '新加坡' in info:
derive_currency = '新加坡元'
else:
derive_currency = '人民幣'
五、全部代碼:讀取數(shù)據(jù)庫數(shù)據(jù) 進(jìn)行全量清洗
第四步我是將部分?jǐn)?shù)據(jù)做了測(cè)試,驗(yàn)證代碼無誤,此時(shí)邏輯上應(yīng)再從宏觀上再拓展,將info變量動(dòng)態(tài)變?yōu)閿?shù)據(jù)庫中所有的值,進(jìn)行全量清洗
#coding:utf-8
from class_mysql import Mysql
project=Mysql('s_58infor_data',[],0,conn_type='local')
p2=Mysql('etl1_58infor_data',[],24,conn_type='local')
field_list=p2.select_fields(db='local_db',table='etl1_58infor_data')
print field_list
project2=Mysql('etl1_58infor_data',field_list=field_list,field_num=26,conn_type='local')
#以上部分 看不懂沒關(guān)系 由于我有兩套數(shù)據(jù)庫環(huán)境,測(cè)試和生產(chǎn)
#不同的數(shù)據(jù)庫連接和網(wǎng)段,因此要傳遞不同的參數(shù)進(jìn)行切換數(shù)據(jù)庫和數(shù)據(jù)連接 如果一套環(huán)境 連接一次數(shù)據(jù)庫即可 數(shù)據(jù)處理需要經(jīng)常做測(cè)試 方便自己調(diào)用
data_tuple=project.select(db='local_db',id=0)
#data_tuple 是我實(shí)例化自己寫的操作數(shù)據(jù)庫的類對(duì)數(shù)據(jù)庫數(shù)據(jù)進(jìn)行全字段進(jìn)行讀取,返回值是一個(gè)不可變的對(duì)象元組tuple,清洗需要保留舊表全部字段,同時(shí)增加3個(gè)清洗后的數(shù)據(jù)字段
data_tuple=project.select(db='local_db',id=0)
#遍歷元組 用字典去存儲(chǔ)每個(gè)字段的值 插入到增加3個(gè)清洗字段的表 etl1_58infor_data
for data in data_tuple:
item={}
#old_data不取最后一個(gè)字段 是因?yàn)槟莻€(gè)字段我想用當(dāng)前處理的時(shí)間
#這樣可以計(jì)算數(shù)據(jù)總量運(yùn)行的時(shí)間 來調(diào)整二次清洗的時(shí)間去和和kettle定時(shí)任務(wù)對(duì)接
#元組轉(zhuǎn)換為列表 轉(zhuǎn)換的原因是因?yàn)樵M為不可變類型 如果有數(shù)據(jù)中有null值 遍歷轉(zhuǎn)換為字符串會(huì)報(bào)錯(cuò)
old_data=list(data[:-1])
if data[-2]:
if len(data[-2]) >0 :
info=data[-2].encode('utf-8')
else:
info=''
if '.' in info and int(filter(str.isdigit,info.split('.')[1]))>0:
derive_regcapital=filter(str.isdigit,info.split('.')[0])+'.'+filter(str.isdigit,info.split('.')[1])
elif '.' in info and int(filter(str.isdigit,info.split('.')[1]))==0:
derive_regcapital = filter(str.isdigit, info.split('.')[0])
elif filter(str.isdigit,info)=='':
derive_regcapital='0'
else:
derive_regcapital=filter(str.isdigit,info)
if '萬' in info:
derive_danwei='萬'
else:
derive_danwei='不含萬'
if '美元' in info:
derive_currency='美元'
elif '港幣' in info:
derive_currency = '港幣'
elif '阿富汗尼' in info:
derive_currency = '阿富汗尼'
elif '澳元' in info:
derive_currency = '澳元'
elif '英鎊' in info:
derive_currency = '英鎊'
elif '加拿大元' in info:
derive_currency = '加拿大元'
elif '日元' in info:
derive_currency = '日元'
elif '港幣' in info:
derive_currency = '港幣'
elif '法郎' in info:
derive_currency = '法郎'
elif '歐元' in info:
derive_currency = '歐元'
elif '新加坡' in info:
derive_currency = '新加坡元'
else:
derive_currency = '人民幣'
time_58infor_data = p2.create_time()
old_data.append(time_58infor_data)
old_data.append(derive_regcapital)
old_data.append(derive_danwei)
old_data.append(derive_currency)
#print len(old_data)
for i in range(len(old_data)):
if not old_data[i] :
old_data[i]=''
else:
pass
data2=old_data[i].replace('"','')
item[i+1]=data2
print item[1]
#插入測(cè)試環(huán)境 的表
project2.insert(item=item,db='local_db')
六、代碼運(yùn)行情況
6.1讀取數(shù)據(jù)庫原表數(shù)據(jù)和新表創(chuàng)建的字段

讀取數(shù)據(jù)庫原表數(shù)據(jù)和新表創(chuàng)建的字段
6.2 插入新表 并進(jìn)行第一次數(shù)據(jù)清洗
紅框部分為清洗部分,其他數(shù)據(jù)做了脫敏處理

插入新表 并進(jìn)行第一次數(shù)據(jù)清洗
6.3 數(shù)據(jù)表數(shù)據(jù)清洗結(jié)果

數(shù)據(jù)表數(shù)據(jù)清洗結(jié)果
七、增量數(shù)據(jù)處理
由于每天數(shù)據(jù)有增量進(jìn)入,因此第一次執(zhí)行完初始話之后,我們要根據(jù)表中的時(shí)間戳字段進(jìn)行判斷,讀取昨日新的數(shù)據(jù)進(jìn)行清洗插入,這部分留到下篇博客。
初步計(jì)劃用下面函數(shù) 作為參數(shù) 判斷增量 create_time 是爬蟲腳本執(zhí)行時(shí)候?qū)懭氲臅r(shí)間,yesterday是昨日時(shí)間,在where條件里加以限制,取出昨天進(jìn)入數(shù)據(jù)庫的數(shù)據(jù) 進(jìn)行執(zhí)行 win7系統(tǒng)支持定時(shí)任務(wù)
import datetime
from datetime import datetime as dt
#%進(jìn)行轉(zhuǎn)義使用%%來轉(zhuǎn)義
#主要構(gòu)造sql中條件“where create_time like %s%%“ % yesterday
#寫入腳本運(yùn)行的當(dāng)前時(shí)間
def create_time(self):
create_time = dt.now().strftime('%Y-%m-%d %H:%M:%S')
return create_time
def yesterday(self):
yestoday= datetime.date.today()-datetime.timedelta(days=1)
return yestoday
以上這篇python數(shù)據(jù)處理實(shí)戰(zhàn)(必看篇)就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
- 對(duì)python .txt文件讀取及數(shù)據(jù)處理方法總結(jié)
- 從零學(xué)python系列之?dāng)?shù)據(jù)處理編程實(shí)例(二)
- 從零學(xué)python系列之?dāng)?shù)據(jù)處理編程實(shí)例(一)
- 基于python爬蟲數(shù)據(jù)處理(詳解)
- Python數(shù)據(jù)處理numpy.median的實(shí)例講解
- Python 數(shù)據(jù)處理庫 pandas 入門教程基本操作
- 對(duì)python 數(shù)據(jù)處理中的LabelEncoder 和 OneHotEncoder詳解
- python實(shí)現(xiàn)爬蟲統(tǒng)計(jì)學(xué)校BBS男女比例之?dāng)?shù)據(jù)處理(三)
- python 解決動(dòng)態(tài)的定義變量名,并給其賦值的方法(大數(shù)據(jù)處理)
- python文本數(shù)據(jù)處理學(xué)習(xí)筆記詳解
相關(guān)文章
使用python處理題庫表格并轉(zhuǎn)化為word形式的實(shí)現(xiàn)
這篇文章主要介紹了使用python處理題庫表格并轉(zhuǎn)化為word形式的實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-04-04
對(duì)Python 多線程統(tǒng)計(jì)所有csv文件的行數(shù)方法詳解
今天小編就為大家分享一篇對(duì)Python 多線程統(tǒng)計(jì)所有csv文件的行數(shù)方法詳解,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-02-02
Python實(shí)現(xiàn)復(fù)制文件從一個(gè)目錄到另外一個(gè)目錄
這篇文章主要為大家詳細(xì)介紹了如何使用Python實(shí)現(xiàn)復(fù)制文件從一個(gè)目錄到另外一個(gè)目錄,文中的示例代碼簡(jiǎn)潔易懂,有需要的小伙伴可以參考一下2025-01-01
TF-IDF的算法原理以及Python實(shí)現(xiàn)過程
這篇文章主要介紹了TF-IDF的算法原理以及Python實(shí)現(xiàn)過程,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2018-01-01
Python?turtle.shape()用法及實(shí)戰(zhàn)案例
turtle是Python自帶的一個(gè)小型的繪圖庫,它可以幫助我們快速地繪制簡(jiǎn)單的圖形,這篇文章主要給大家介紹了關(guān)于Python?turtle.shape()用法及實(shí)戰(zhàn)案例的相關(guān)資料,需要的朋友可以參考下2024-03-03
Python批量處理工作簿和工作表的實(shí)現(xiàn)示例
本文主要介紹了使用Python批量處理工作簿和工作表,文中通過示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2021-09-09
手把手教你利用opencv實(shí)現(xiàn)人臉識(shí)別功能(附源碼+文檔)
最近搞一個(gè)人臉識(shí)別的項(xiàng)目練練手,不得不感嘆opencv做人臉檢測(cè)實(shí)在是強(qiáng),這篇文章主要給大家介紹了關(guān)于利用opencv實(shí)現(xiàn)人臉識(shí)別功能的相關(guān)資料,并附上了源碼以及文檔,需要的朋友可以參考下2021-09-09
pytorch中Schedule與warmup_steps的用法說明
這篇文章主要介紹了pytorch中Schedule與warmup_steps的用法說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2021-05-05

