[PYTHON] Exporter la trame de données pandas vers Excel

Utilisez pandas'to_excel` pour exporter le bloc de données vers Excel.

• [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)

Tout d'abord, assurez-vous de pouvoir importer les modules Python requis.

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

Lire les données

Utilisez l'API de la Banque mondiale pour obtenir la population et le PIB américains et japonais. La chaîne d'indicateur est obtenue à partir de l'API de la Banque mondiale.

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)

Confirmation des données

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()

La base de données du PIB est:

• Multi-index de "pays" et "année"
• Il y a 108 éléments
• La valeur minimale est 7079,439251 et la valeur maximale est 45863,019564.
• Les données sont dans l'ordre décroissant des dernières

La base de données de population a une structure similaire.

Formater les données

Puisqu'il est difficile à utiliser tel quel, formatez les données.

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

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

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

Les données démographiques sont converties de la même manière.

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

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

Lors du calcul de la moyenne mobile sur cinq ans, il est un peu clair que la population des États-Unis augmente et celle du Japon est stable.

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')

Combiner des données

Combine deux blocs de données.

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()

Trouvons un graphique avec le PIB sur l'axe gauche et la population sur l'axe droit.

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')

Il peut désormais être traité dans une seule trame de données.

En calculant la diversification par incréments de 5 ans, on peut dire que la population japonaise est atone depuis environ 1980 et que le PIB est stable depuis 1995 environ. Dans le cas des États-Unis, il y a eu une vague de croissance démographique vers 1990, et l'augmentation du PIB a culminé vers 2000, et on peut dire qu'il y a des vagues régulières.

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

Sortie de données

Sortie vers Excel. Appelez la méthode de la trame de données, mais xlsxwriter Le module d'exportation Excel tel que doit être installé.

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

sample.xlsx

Veuillez ouvrir les données complétées dans Excel. Vous pouvez également utiliser LibreOffice.

Lors de l'exportation de plusieurs blocs de données vers des feuilles séparées, l'argument est un objet écrivain (ʻExcelWriter `) au lieu du nom de fichier. Est spécifié. Il existe un exemple dans la documentation officielle, mais recherchez plus d'informations, telles que Stack Overflow.

• [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)

Environnement d'exploitation

• version_information * L'extension est activée. L'environnement d'exploitation de ce portable est le suivant.

  %version_information numpy, pandas, matplotlib, xlsxwriter

• Ce document est une version affinée du notebook IPython converti en Markdown.

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