python

1. map 函数匹配。成字典。

• 法1：

dict_1=dict(zip(qhcs_nc['姓名'],qhcs_nc['是否切换区域']))
jsmb1['是否切换城市']=jsmb1['员工\n编号'].map(dict_1)

• 法2:

dict1=pd.read_excel(data1,sheet_name="职级").set_index('职级')['对应等级'].to_dict()
raw_data['对应等级']=raw_data['职级'].map(dict1)

2. 分组模糊匹配。

（if 函数）

3. 折线图的数据标签显示

4. set_xticks() 无法识别列表

传输列表只能是数值列表{且是原始列表}

5. set_xticklabels()会缺少一个值

（必须结合set_xticks使用，否则会丢失第一个值）

def zuhe(i, j, x, y, z, w):fig, ax1 = plt.subplots(figsize=(14, 8))ax2 = ax1.twinx()x1 = np.arange(len(x))bar1 = ax1.bar(x1, y, color='orange', label="人数", width=0.3)bar2 = ax1.bar(x1+0.3, z, color='gray', label="平均产能", width=0.3)pl1 = ax2.plot(x1+0.15, w, color='yellow', label="成本率")title = "%s人员产能及薪酬-%s" % (j, i)ax1.set_title(title)ax1.bar_label(bar1)ax1.bar_label(bar2, fmt='%d')ax1.set_xticks(x1+0.15)  # x轴标签的位置右移0.15（没有set_xticklabels时会以此值为轴标签显示）ax1.set_xticklabels(x.values) # x轴标签的值ax1.legend(loc='best', frameon=False)ax2.legend(loc='right', frameon=False)plt.savefig("%s.png" % title, format="png")for i in yewu:for j in dengji:x = raw_data[(raw_data['业务'] == "%s" % i) & (raw_data['对应等级'] == "%s" % j)]['职级']y = raw_data[(raw_data['业务'] == "%s" % i) & (raw_data['对应等级'] == "%s" % j)]['人数']z = raw_data[(raw_data['业务'] == "%s" % i) & (raw_data['对应等级'] == "%s" % j)]['平均产能']w = raw_data[(raw_data['业务'] == "%s" % i) & (raw_data['对应等级'] == "%s" % j)]['成本率(元效）']# zhuzhuang(i, j, x, y, z)zuhe(i, j, x, y, z, w)

6. dtype()查看数据类型 ,astype()修改数据类型。

7. object是指数值里有一个值是字符串类型，整体可以指字符串类型。

8. 判断某一字段的值是否存在在另一字段中

• 法1

# 缺少的城市法1（复杂度较高）
pro_city2=tai1[tai1.astype(str).apply(lambda x:x.pro_city2 not in x.pro_city1,axis=1)]['pro_city1'].unique
da2=tai1[tai1.astype(str).apply(lambda x:x.二网经销商市 not in x.城市,axis=1)]
da2.drop_duplicates(['二网经销商市'])['二网经销商市']
da2.drop_duplicates(['二网经销商省'])['二网经销商省']

• 法2

## 缺少的城市法2
list_pro=[]
for i in pro1:if i not in list(pro2):list_pro.append(i)
len(list_pro)

• 法3

## 缺少的城市法3
tai["判断列"]=np.where(tai['二网经销商市'].isin(list(data1['城市'])),1,0)
len(set(tai[tai["判断列"]==0]['二网经销商市']))

9. contains多个字符串包含

# contains多个字符串包含,用|表示，且在一个引号内
jsmb['是否虚拟']=np.where(jsmb['岗位'].str.contains('常规|虚拟'),"是","否")
jsmb['是否虚拟'].value_counts()

10. 追加写入csv

# 追加写入csv 
for  i in range(1,7):lujing=r"D:\ZXL工作文件\Jupyter\补录表\存量%s收入.xlsx" %ibuchong=pd.read_excel(lujing)buchong.to_csv('da1.csv',encoding='GBK',index=False,mode="a",header=False)

11. query 多条件索引及多字段查询

yytz_cp_pivot=yytz_cp.pivot_table(values=['融资金额付款审批','融资金额*期限','融资额*期限*X','融资额*期限*利率','产品'],index=["新车or二手车","渠道描述区域",'万元系数1'],columns="月份",aggfunc={'融资金额付款审批':"sum",'融资金额*期限':"sum",'融资额*期限*X':"sum",'融资额*期限*利率':"sum",'产品':"count"},margins=True)yytz_cp_pivot.query('新车or二手车=="二手车"')
yytz_cp_pivot.query('新车or二手车=="二手车" and 渠道描述区域=="%s"'%quyu)
yytz_cp_pivot[('产品',4)]yytz_cp_pivot['单量父级占比4']=round(yytz_cp_pivot[('产品',4)].sum(level=["新车or二手车","渠道描述区域",'万元系数1'],axis=0)/yytz_cp_pivot[('产品',4)].sum(level=["新车or二手车","渠道描述区域"],axis=0),4)
yytz_cp_pivot['单量父级占比5']=round(yytz_cp_pivot[('产品',5)].sum(level=["新车or二手车","渠道描述区域",'万元系数1'],axis=0)/yytz_cp_pivot[('产品',5)].sum(level=["新车or二手车","渠道描述区域"],axis=0),4)
yytz_cp_pivot['单量父级占比6']=round(yytz_cp_pivot[('产品',6)].sum(level=["新车or二手车","渠道描述区域",'万元系数1'],axis=0)/yytz_cp_pivot[('产品',6)].sum(level=["新车or二手车","渠道描述区域"],axis=0),4)

12. dataframe 多级索引父行占比

yytz1=yytz_cp.pivot_table(values=['产品'],index=["新车or二手车","渠道描述区域",'万元系数1'],columns="月份",aggfunc={'产品':"count"})
yytz1['分子']=yytz1['产品'].sum(level=["新车or二手车","渠道描述区域",'万元系数1'],axis=0)
yytz1['分母']=yytz1['产品'].sum(level=["新车or二手车","渠道描述区域"],axis=0)
yytz1['占比']=yytz1['分子']/yytz1['分母']