[PYTHON] Exportieren Sie den Pandas-Datenrahmen nach Excel

Verwenden Sie pandas'to_excel`, um den Datenrahmen nach Excel zu exportieren.

• [pandas.DataFrame.to_excel — pandas 0.15.1 documentation](http://pandas.pydata.org/pandas- docs/version/0.15.1/generated/pandas.DataFrame.to_excel.html)

Stellen Sie zunächst sicher, dass Sie die erforderlichen Python-Module importieren können.

import pandas as pd
import matplotlib.pyplot as plt
from pandas.io import wb
import xlsxwriter

Daten lesen

Verwenden Sie die Weltbank-API, um die Bevölkerung und das BIP der USA und Japans zu ermitteln. Die Indikatorzeichenfolge wird von der Weltbank-API abgerufen.

df_gdp = wb.download(indicator='NY.GDP.PCAP.KD', country=['US', 'JP'], start=1960, end=2013)
df_population = wb.download(indicator='SP.POP.TOTL', country=['US', 'JP'], start=1960, end=2013)

Bestätigung der Daten

df_gdp.head(3)

df_gdp.dtypes

NY.GDP.PCAP.KD    float64
dtype: object
df_gdp.index

MultiIndex(levels=[['Japan', 'United States'], ['1960', '1961', '1962', '1963', '1964', '1965', '1966', '1967', '1968', '1969', '1970', '1971', '1972', '1973', '1974', '1975', '1976', '1977', '1978', '1979', '1980', '1981', '1982', '1983', '1984', '1985', '1986', '1987', '1988', '1989', '1990', '1991', '1992', '1993', '1994', '1995', '1996', '1997', '1998', '1999', '2000', '2001', '2002', '2003', '2004', '2005', '2006', '2007', '2008', '2009', '2010', '2011', '2012', '2013']],
           labels=[[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ...], [53, 52, 51, 50, 49, 48, 47, 46, 45, 44, 43, 42, 41, 40, 39, 38, 37, 36, 35, 34, 33, 32, 31, 30, 29, 28, 27, 26, 25, 24, 23, 22, 21, 20, 19, 18, 17, 16, 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0, 53, 52, 51, 50, 49, 48, 47, 46, 45, 44, 43, 42, 41, 40, 39, 38, 37, 36, 35, 34, 33, 32, 31, 30, 29, 28, 27, 26, 25, 24, 23, 22, 21, 20, 19, 18, 17, 16, 15, 14, 13, 12, 11, 10, 9, 8, ...]],
           names=['country', 'year'])

df_gdp.describe()

Der BIP-Datenrahmen lautet:

• Multi-Index von "Land" und "Jahr"
• Es gibt 108 Elemente
• Der Mindestwert ist 7079.439251 und der Höchstwert ist 45863.019564.
• Die Daten sind in absteigender Reihenfolge von der letzten

Der Bevölkerungsdatenrahmen hat eine ähnliche Struktur.

Daten formatieren

Formatieren Sie die Daten, da die Verwendung schwierig ist.

df_gdp.unstack(level=0).head(3)

df_gdp.unstack(level=0).describe()

df_gdp.unstack(level=0).plot(figsize=(16, 4), colormap='seismic')

Bevölkerungsdaten werden auf die gleiche Weise konvertiert.

df_population.unstack(level=0).head(3)

ax = df_population.unstack(level=0).plot(figsize=(16, 4), colormap='seismic')

Bei der Berechnung des gleitenden Fünfjahresdurchschnitts ist ein wenig klar, dass die Bevölkerung der Vereinigten Staaten zunimmt und die Japans flach ist.

ax = pd.stats.moments.rolling_mean(df_population.unstack(level=0), 5).plot(figsize=(16, 4), colormap='seismic')

ax = pd.stats.moments.rolling_std(df_population.unstack(level=0)['SP.POP.TOTL'], 5).plot(figsize=(16, 4), colormap='seismic')

Daten kombinieren

Kombiniert zwei Datenrahmen.

pd.concat([df_gdp, df_population], axis=1).unstack(level=0).head(3)

df = pd.concat([df_gdp, df_population], axis=1).unstack(level=0)
df.describe()

Zeichnen wir ein Diagramm mit dem BIP auf der linken Achse und der Bevölkerung auf der rechten Achse.

ax = df.plot(figsize=(16, 6), colormap='seismic',
                 secondary_y=[('SP.POP.TOTL', 'Japan'), ('SP.POP.TOTL', 'United States')])
    ax.set_ylabel('GDP')
    _ = ax.right_ax.set_ylabel('Population')

Es kann jetzt in einem einzigen Datenrahmen behandelt werden.

Wenn man die Diversifikation in 5-Jahres-Schritten berechnet, kann man sagen, dass Japans Bevölkerung seit etwa 1980 schwach ist und das BIP seit etwa 1995 flach ist. In den Vereinigten Staaten gab es um 1990 eine Welle des Bevölkerungswachstums, und der Anstieg des BIP erreichte um das Jahr 2000 seinen Höhepunkt, und man kann sagen, dass es regelmäßige Wellen gibt.

ax = pd.stats.moments.rolling_var(df, 5).plot(subplots=True, layout=(2, 2), figsize=(16, 6))

Datenausgabe

Ausgabe nach Excel. Rufen Sie die Methode des Datenrahmens auf, aber "xlsxwriter" Das Excel-Exportmodul, wie es installiert werden muss.

df.to_excel('/data/sample.xlsx', sheet_name='Japan_US')
%ls /data

sample.xlsx

Bitte öffnen Sie die ausgefüllten Daten in Excel. Sie können auch LibreOffice verwenden.

Beim Exportieren mehrerer Datenrahmen in separate Blätter ist das Argument ein Writer-Objekt (ExcelWriter) anstelle des Dateinamens. Angegeben. Es gibt ein Beispiel in der offiziellen Dokumentation, aber suchen Sie nach weiteren Informationen, wie z. B. Stapelüberlauf.

• [pandas.DataFrame.to_excel — pandas 0.15.1 documentation](http://pandas.pydata.org/pandas- docs/stable/generated/pandas.DataFrame.to_excel.html)
• [creating multiple excel worksheets using data in a pandas dataframe - Stack Overflow](http://stackoverflow.com/questions/21981820/creating-multiple-excel- worksheets-using-data-in-a-pandas-dataframe)

Betriebsumgebung

• version_information * Erweiterung ist aktiviert. Die Betriebsumgebung dieses Notebooks ist wie folgt.

  %version_information numpy, pandas, matplotlib, xlsxwriter

• Dieses Dokument ist eine optimierte Version des in Markdown konvertierten IPython Notebook.

$ ipython nbconvert --to markdown /data/worldbank_to_excel.ipynb