直接跳到末尾 去评论区领书

这样的 Python ，你学得会吗

职场人员使用 Excel 进行数据处理已经成为家常便饭。不过相信大家一定有过很无助的情况，比如复杂计算、重复计算、自动处理等，再遇上个死机没保存，整个人崩溃掉也不是完全不可能。

如果学会了程序语言，这些问题就都不是事了。那么，该学什么呢？

无数培训机构和网上资料都会告诉我们：Python!

Python 代码看起来很简单，只要几行就能解决许多麻烦的 Excel 计算，看起来真不错。

但真是如此吗？作为非专业人员，真能用 Python 来协助我们工作吗？

嘿嘿，看上去很美！

如本文标题所言，Python 并不合适职场人员，因为它太难了，你就学不会。Python能难到什么程度？看完下面的解释就明白了。不幸的是，对于非专业程序员的职场人士，很可能连这些内容都无法理解。

我们就不提 Python 安装调试中文版之类的麻烦事了，这些也不爽，但不辞辛苦倒还能对付。这里只说它的语言语法，这可不是多费力气就能解决的事了。

Python DataFrame

日常职场业务主要是处理表格类数据（用专业的说法是结构化数据），比如这样的：

..

表里除第一行外的每行数据称为一条记录，对应了一件事、一个人、一张订单……，第一行是标题，说明记录由哪些属性构成，这些记录都有相同的属性，整个表就是这样一些记录的集合。

Python 主要是用一个叫 DataFrame 的东西来处理这类表格数据，我们来看看DataFrame是怎么做的。

比如上面的表格，读入 DataFrame 后是这样的：

..

看起来和 Excel 差不多，只是行号是从 0 开始的。

但是，DataFrame 的本质是一个矩阵（大学时代的线性代数还想得起来吗？），Python也没有记录这样的概念，它的运算都要绕到矩阵可以执行的方法上才行。

我们来看一些简单运算。

过滤

过滤是个简单常见的运算，就是把满足某一条件的子集取出来，比如还是上面的表格：

..

问题一：取出 R&D 部门的员工。

Python 代码是这样的：

1
2
3
4
import pandas as pd                     # 导入 Pandas
data = pd.read_csv('Employees.csv')     # 读取数据
rd = data.loc[data['DEPT']=='R&D']      # 过滤 R&D 部门
print(rd)                               # 查看 rd 数据

运行结果：

..

代码很简单，结果也没问题。但是：

1.用到的函数叫 loc，是 location（定位）的缩写，完全没有过滤的意思。事实上，这里的过滤也是通过定位（location）满足条件的行的索引来实现的，函数里面的data['DEPT]=='R&D'会算出一个布尔值构成的 Series：

..

和 data 的索引相同，满足条件的行为 True 否则为 False

然后 loc 就是根据取值为 True 的行对应的索引再取出 data 中相应的行再得到一个新的 DataFrame，本质上是从矩阵中抽取指定行的运算，用来对付过滤就有点绕。

2.过滤 DataFrame 并不只可以使用 loc 函数过滤，还可以用 query(…) 等方法，但结果都是定位到矩阵的行列索引，然后按行列索引取数据，大体上是这样的 matrix.loc[row,col]

无论如何，基本的过滤还算简单吧，讲明白了也能理解。下面我们再尝试对过滤后的子集做两个算不上复杂的运算看看。

修改子集中的数据

问题二：将 R&D 部门员工的工资上调 5%

自然的想法，只要过滤出 R&D 部门员工，然后对这些员工的工资进行修改就可以了。

按照这种逻辑写出代码：

1
2
3
4
5
import pandas as pd                 #导入 Pandas
data = pd.read_csv('Employees.csv') #读取数据
rd = data.loc[data['DEPT']=='R&D']  #过滤 R&D 部门
rd['SALARY']=rd['SALARY']*1.05      #修改 SALARY
print(data)

运行结果：

1
2
3
4
5
6
SettingWithCopyWarning:  
A value is trying to be set on a copy of a slice from a DataFrame.  
Try using .loc[row_indexer,col_indexer] = value instead  
See the caveats in the documentation:
http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy  
rd['SALARY']=rd['SALARY']*1.05

..

可以看到，不仅触发了警告，修改值也没有成功。

这是因为rd = data.loc[data['DEPT']=='R&D']是一个过滤后的矩阵，再使用rd['SALARY']=rd['SALARY']*1.05这个语句修改SALARY值的时候，rd['SALARY']

又是一个新的矩阵了，因此修改它其实是修改的rd这个子矩阵，并没有修改data这个最初的矩阵。

这话说着很绕，听着也绕。

正确的代码怎么写呢？

1
2
3
4
5
6
7
import pandas as pd                         
data = pd.read_csv('Employees.csv')         
rd_salary = data.loc[data['DEPT']=='R&D','SALARY']
#找到 R&D 部门的员工工资
data.loc[data['DEPT']=='R&D','SALARY'] = rd_salary*1.05
#截取 R&D 部门的员工工资并修改
print(data)

运行结果：

..

这次对了。不可以先取出子集再修改，要对着原矩阵，找到要修改的成员的定位再来修改，即loc[row=data['DEPT']=='R&D',column='SALARY']，按照行列索引取到要修改的数据，对着这个矩阵赋值。想要上调5%还要在此之前先拿到这份数据（rd_salary=…这句）。这种写法要进行重复的过滤，效率低也就罢了，但实在是太绕了。

子集求交

问题三：找出既是纽约州又是 R&D 部门的员工

这个问题更简单，只要算出两个子集做个交集运算就完了。我们看看Python是如何处理的：

1
2
3
4
5
6
7
import pandas as pd                     
data = pd.read_csv('Employees.csv')     
rd = data[data['DEPT']=='R&D']              #R&D部门员工
ny = data[data['STATE']=='New York']        #纽约州员工
isect_idx = rd.index.intersection(ny.index) #索引求交集
rd_isect_ny = data.loc[isect_idx]           #按索引交集截取数据
print(rd_isect_ny)

运行结果：

..

集合求交是非常基本的运算，很多程序语言都提供了，事实上python也提供了（上面有intersection函数）。然而， DataFrame的本质是矩阵，两个矩阵求交集却没有什么意义，Python 也就没有提供矩阵求交集的运算。想要做到用两个dataframe表示的集合的交集运算，只能绕道去求两个矩阵索引的交集，最后再利用索引的交集从原数据上定位截取，有种舍近求远的感觉，不按“套路”出牌。

工作中最常用的过滤运算都这么令人费解，绕的脑袋晕，可以想象其他更复杂的运算，一股酸爽的感觉“悠然而生”。

下面看下稍微复杂一点的分组运算：

分组

分组运算是日常数据处理中最常用的运算了，Python也提供了丰富的分组运算函数，能够完成大多数的分组运算，但在理解和使用上并没有那么容易。

分组理解

分组就是把一个大集合按某种规则分成一些小集合，结果是个由集合构成的集合，然后再对分组后的集合进行运算，如下图：

..

先来看下最常用的分组聚合运算。

问题四：汇总各部门的人数

Python 代码：

1
2
3
4
5
import pandas as pd                 
data = pd.read_csv('Employees.csv')
group = data.groupby("DEPT")    #按照部门分组
dept_num = group.count()        #汇总各部门人数
print(dept_num)

运行结果：

..

结果好像有点尴尬，本来只需要记录每个分组中的成员数量，只要有一列就行了，为什么出来这么多列，它像是对每一列都重复做了同样的动作，好奇怪。

别急，这个问题 Python 还是可以解决的，只不过不是用 count 函数，而是 size 函数：

1
2
3
4
5
import pandas as pd                
data = pd.read_csv('Employees.csv')
group = data.groupby("DEPT")        #按照部门分组
dept_num = group.size()             #汇总各部门人数
print(dept_num)

运行结果：

..

这个结果看起来就正常多了，不过，还是感觉哪里怪怪的。

是滴，这个结果不再是二维的 DataFrame 了，而是个单维的 Seriese。

count 函数计算的结果之所以奇怪，是因为它是对每一列计数，而 size 函数是查看各组的大小，但其实我们自然的逻辑还是用 count 来计数，size 很难用自然的逻辑想到（还要上网搜资料）。

如前所述，分组结果应该是集合的集合，我们看看 Python 中的 DataFrame 分组后是什么样子呢？把上面代码中data.groupby(“DEPT”)的结果打印出来看。

1
2
3
4
import pandas as pd                 
data = pd.read_csv('Employees.csv')
group = data.groupby("DEPT")    #按照部门分组
print(group)

运行结果：

“pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001ADBC9CE0F0”

哇，这是个什么东东？

第一次看到这个东西，直接就蒙圈了，分组的结果不应该是集合的集合吗，为什么会是这样？这对于非专业程序人员来说简直如同梦魇。

不过上网搜搜还是可以看到它是一个所谓的可迭代对象，迭代以后发现它的每一条都是以分组索引+ DataFrame 构成的，可以使用一些方法看到里边的内容，如使用 list(group)就可以看到分组的结果了。如下图：

..

看到上图以后就会明白，被称为“对象”的东西里面原来是这样的。本质上它也确实是个集合的集合（姑且把矩阵理解成集合吧），但它并不能像普通的集合那样直接取某个成员 (如 group[0])，这在使用上迫使用户强行记忆这类“对象”的 N 种运算规则，理解不了就只能死记硬背了。

看到这里，估计已经有很多读者开始晕菜了，彻底不明白上面这段话是在胡说八道些什么。嗯，这就对了，因为这才是职场人员的正常状态。

分组中简单的聚合运算都如此难以理解，我们再烧烧脑，看下稍微复杂一点的分组后子集合的运算。

分组子集处理

虽然分组后经常用于聚合运算，但有时我们并不关心聚合结果，而是关心分组后的集合本身。比如分组后的集合按某一列排序。

问题五：将各部门员工按照入职时间从早到晚进行排序 。

问题分析：分组后对子集按照入职时间排序即可。

Python 代码

1
2
3
4
5
6
7
import pandas as pd                     
employee = pd.read_csv("Employees.csv")
employee['HIREDATE']=pd.to_datetime(employee['HIREDATE'])
#修改入职时间格式
employee_new = employee.groupby('DEPT',as_index=False).apply(lambda x:x.sort_values('HIREDATE')).reset_index(drop=True)
#按 DEPT 分组，并对各组按照 HIREDATE 排序，最后重置索引
print(employee_new)

运行结果：

..

结果没问题，各个部门员工都按照入职时间从早到晚排序了。但我们观察下代码中最核心的一句employee.groupby('DEPT',as_index=False).apply(lambda x:x.sort_values('HIREDATE'))，把这句代码抽象一下就是这样：

df.groupby(c).apply(lambda x:f(x))
df：数据框 DataFrame
groupby：分组函数
c：分组依据的列

以上三个还是比较好理解的，可是 apply 配合 lambda 就十分晦涩难懂了，超出了大多数非专业程序人员理解的范畴，这需要明白所谓“函数语言”的原理才能搞懂（自己去搜索，俺懒得解释了）。

如果不使用这“二位”（apply+lambda）呢？也能做，就是会很麻烦。得用 for 循环，对每个分组子集分别排序，最后还得把结果合并起来。

1
2
3
4
5
6
7
8
9
10
import pandas as pd
employee = pd.read_csv("Employees.csv")
employee['HIREDATE']=pd.to_datetime(employee['HIREDATE'])   #修改入职时间格式
dept_g = employee.groupby('DEPT',as_index=False)    #按 DEPT 分组
dept_list = []  #初始化列表
for index,group in dept_g:  #for循环
group = group.sort_values('HIREDATE')   #每个分组排序
dept_list.append(group) #排序结果放入列表
employee_new = pd.concat(dept_list,ignore_index=True)   #合并各组结果
print(employee_new)

运行结果相同，但代码复杂了很多，而且运行效率也变低了。你愿意用哪一种呢？

Python 对于类似但不完全一样的数据设计了不同的数据类型，也对应有不同的操作方式，并不能简单地把对某种数据的知识复制到另一个类似数据上，搞得人晕死。

说了这么多，总结下来就是一句话：Python 真的挺难懂的，它就不是一个面向非专业选手的东西。具体来说大概就是三点：

1.DataFrame 本质是矩阵

所有的运算都要想办法按矩阵的方法来计算，经常会很绕。

2.数据类型多而且运算规则差别很大

Python 中设计了 Series，DataFrame，分组对象等等不同的数据类型，而且不同的数据类型，计算方法也不完全相同，如DataFrame可以使用query函数过滤，而 Series 不可以，分组对象的本质完全不同于 Series 和 DataFrame，计算方法更是难以捉摸。

3.知其然而不知其所以然

数据类型过多，计算方法差别又大，无形之中增加了用户的记忆量，死记硬背的成分更多，想要灵活运用太难了，这就造成了一种奇怪的现象：一个简单的运算，上网搜索 Python 代码的时间可能比用 excel 计算还要长。

Python 代码看起来简单，但你上了培训班也大概率学不会，结果只会抄例子。

那么，是不是就没有适合职场人员进行日常数据处理的工具了吗？

还是有的。

集算器 SPL

集算器 SPL 也是一种程序设计语言，专注于结构化数据计算。SPL 中提供了丰富的基础计算方法，其概念逻辑也是符合我们的思维习惯的。

1.序表是记录的集合

SPL 使用序表承载结构化数据，接近于日常处理的 excel 表。

2.数据类型少且规则一致

SPL 进行结构化数据处理时几乎只有集合和记录两种数据类型，涉及到的方法也大体一致。

3.知其然且知其所以然

只要记住两种数据类型，掌握基本的运算法则，更复杂的运算就只是简单运算规则的组合。不熟练时可能写的代码不好看，但不太可能写不出来，不会出现 Python 那种花费大量时间搜索代码写法的现象。

下面我们就使用 SPL 来解决上述介绍的问题，大家认真体会下 SPL 是多么“平易近人”：

序表

集算器 SPL 中用于承载二维结构化数据的数据结构是序表，它和 excel 中呈现的结果一致，如下图：

..

上表中除了第一行（标题行）外，其他每一行表示一条记录，而序表就是记录的集合，相较于 Python 中的 DataFrame 更加直观。

过滤

SPL 中并不是按照矩阵定位的方式过滤，而是 select（筛选）出满足条件的记录。

问题一：查看 R&D 部门的员工信息

A B
1 =file(“Employees.csv”).import@tc() /导入数据
2 =A1.select(DEPT==”R&D”) /过滤

A2 结果：

..

SPL 过滤后的结果非常好理解，就是原始数据集合的一个子集。

再来看看 SPL 对子集修改和求交集运算。

修改子集中的数据

问题二：将 R&D 部门员工的工资上调 5%

A B
1 =file(“Employees.csv”).import@tc() /导入数据
2 =A1.select(DEPT==”R&D”) /过滤
3 =A2.run(SALARY=SALARY*1.05) /修改工资
4 =A1 /查看结果

A4 结果：

..

SPL 完全是按照我们正常的思维方式来计算的，过滤出结果，对着结果修改工资，而不像Python那么费劲。

子集求交

问题三：找出既是纽约州又是 R&D 部门的员工

A B
1 =file(“Employees.csv”).import@tc() /导入数据
2 =A1.select(DEPT==”R&D”) /R&D 部门员工
3 =A1.select(STATE==”New York”) /纽约州员工
4 =A2^A3 /交集

A4 结果：

..

SPL 中的交集运算就是对着集合求交集，是真正的集合运算，只使用一个简单的交集运算符“^”即可。易于理解，而且书写简单，而不用像 Python 那样因为无法求矩阵的交集而去求索引的交集，然后再从原数据中截取。SPL 中的其他集合运算如并集、差集、异或集也都有对应的运算符，使用起来简单，方便。

分组

分组理解

SPL 的分组运算也是符合自然逻辑的，即分组后结果是集合的集合，显而易见。

先来看看 SPL 的分组聚合运算。

问题四：汇总各部门的人数

A B
1 =file(“Employees.csv”).import@tc()
2 =A1.groups(DEPT;count(~):cnt) /分组

A2 结果：

..

分组聚合的结果，仍然是序表，可以继续使用序表的方法。并不像 Python 聚合结果成了单维的 Series。

再来看下 SPL 的分组结果

A B
1 =file(“Employees.csv”).import@tc()
2 =A1.group(DEPT) /分组

A2 结果：

..

上图是序表的集合，每个集合是一个部门的成员构成的序表；下图是点开第一个分组的成员——Administration部门成员的序表。

这种结果符合我们的正常逻辑，也容易查看分组的结果，更容易对分组结果进行接下来的运算。

分组子集处理

分组的结果是集合的集合，只要把每个子集进行处理即可。

问题五：将各部门员工按照入职时间从早到晚进行排序

A B
1 =file(“Employees.csv”).import@tc()
2 =A1.group(DEPT) /分组
3 =A2.conj(~.sort(HIREDATE)) /子集排序并合并

A3 结果：

..

由于 SPL 的分组结果还是个集合，因此它可以使用集合的计算方法计算，并不需要强行记忆分组后的计算方法，更不需要使用apply()+lambda这种天书般的组合，非常自然的就完成了分组+排序+合并的工作，简单的 3 行代码，既好写，又好理解，而且效率很高。

小结

  1. Python 进行结构化处理时，本质都是矩阵运算，简单的集合运算需要绕到矩阵上去运算；集算器 SPL 本质是记录的集合，集合运算简单便捷。

  2. Python 数据类型复杂多样，运算规则不可预测，往往是知其然而不知其所以然，不太可能举一反三，写代码记忆的成分更多，想理解其原理太难了；集算器 SPL 数据类型少，而且计算规则固定，只需要掌握基本的运算规则就可以举一反三的完成复杂的运算。

  3. SPL 是开源免费的语言，自己去搜索来下载安装吧。学习 SPL，这里有课程: SPL 程序设计

相关资料

👉 点击此处进入SPL 交流群

SPL交流群