Κλείσιμο
Κλείσιμο
Αρχική » Business Intelligence » Microsoft Excel » Pivoting στο Microsoft Excel με τη χρήση Python

Pivoting στο Microsoft Excel με τη χρήση Python

Pivoting στο Microsoft Excel με τη χρήση Python
, , , , Αφήστε ένα σχόλιο
Pivoting στο Microsoft Excel με τη χρήση Python
Τελευταίες δημοσιεύσεις από Stratos Matzouranis (Προβολή όλων)

Σε παλαιότερο άρθρο έχουμε δει τις δυνατότητες να πραγματοποιήσουμε functions του Excel όπως η vlookup μέσω Python. Σε αυτό το άρθρο θα δούμε πως μπορούμε να πραγματοποιήσουμε pivoting μέσω Python.

Θα αναλύσουμε τρόπους ώστε να μπορούμε να βρούμε πληροφορία όπως, ποιος πελάτης έκανε τις ακριβότερες αγορές ή το συνολικό ποσό που δαπανήθηκε για το κάθε προϊόν, κ.τ.λ..

Πάμε να δούμε ένα ένα τα βήματα ξεκινώντας από τα resources.

Έχουμε ένα αρχείο Excel με το σύνολο πωλήσεων με όνομα sales.xlsx.

Pivoting στο Microsoft Excel με τη χρήση Python

Υπάρχει ένα δεύτερο αρχείο Excel με τα ονόματα των πελατών που ονομάζεται pelates.xlsx.

Pivoting στο Microsoft Excel με τη χρήση Python

Πέρα από το να έχουμε εγκαταστήσει την Python, θα χρειαστούμε τις κάτωθι βιβλιοθήκες που γίνονται εύκολα εγκατάσταση με μια εκτέλεση των κάτωθι εντολών στο command prompt.

pip install xlrd
pip install pandas
pip install numpy
pip install openpyxl

Κάνουμε import τις βιβλιοθήκες.

import pandas as pd
import numpy as np

Γεμίζουμε 2 μεταβλητές dataframe με τις εγγραφές του κάθε Excel. Με την παράμετρο sheet_name μπορούμε να διαλέξουμε και το φύλο που βρίσκονται τα δεδομένα.

df_pelates = pd.read_excel('pelates.xlsx',sheet_name='Sheet1')

df_sales = pd.read_excel('sales.xlsx',sheet_name='Sheet1')

Θα πρέπει να κάνουμε μετονομασία  το πεδίο id σε customer_id, ώστε να έχει το ίδιο όνομα που έχει και στο dataframe των sales.

df_pelates.rename(columns={'id':'customer_id'}, inplace=True)

Σε αυτό το βήμα γίνεται ουσιαστικά το vlookup, ενώνουμε και τα 2 dataframes σε ένα καινούργιο (df_final) στο πεδίο customer_id. Στη παράμετρο how δηλώνουμε τον τρόπο που θα γίνει join όπως ισχύει και στην SQL έχουμε επιλογές left,right,outer,inner.

Με την επιλογή right δηλώνουμε ότι θέλουμε όλες τις εγγραφές από το δεύτερο dataframe, συνδέοντας με όσα συνδέονται με το πρώτο

Αν δεν υπάρχει κοινό customer_id θα έχει την τιμή NaN/Null ή αλλιώς το κενό.

df_final = pd.merge(df_pelates, df_sales, on='customer_id', how='right')

Για να δούμε τα πεδία που έχει τώρα το ενωμένο dataframe.

print(df_final.columns)

Μπορούμε επίσης να διαλέξουμε ποια πεδία από αυτά θα κρατήσουμε.

df_final = df_final[['onoma','epitheto','eidos','posotita','kostos']]

Το αποτέλεσμα μέχρι στιγμής είναι αυτό.

print(df_final)
Pivoting στο Microsoft Excel με τη χρήση Python

Τώρα να υπολογίσουμε το πραγματικό κόστος που δαπανήθηκε με την κάθε αγορά πολλαπλασιάζοντας την ποσότητα με το κόστος.

df_final['kostos_agoras'] = df_final['posotita']*df_final['kostos']
Pivoting στο Microsoft Excel με τη χρήση Python

Αυτή την στιγμή όμως δεν ξέρουμε πόσα χρήματα έχει καταναλώσει ο κάθε πελάτης. Μπορούμε εύκολα με μία γραμμή κώδικα να κάνουμε group by ανά πελάτη και να έχουμε το σύνολο του κόστους για το καθέναν.

df_final = df_final.groupby(['customer_id','epitheto','onoma'],as_index=False).sum()

Ας κάνουμε rename το πεδίο του sum σε «Συνολικές αγορές»

df_final.rename(columns={'kostos_agoras':'Sinolikes_agores'}, inplace=True)

Να δούμε τι κάναμε.

df_final = df_final[['onoma','epitheto','Sinolikes_agores']]

print(df_final)
Pivoting στο Microsoft Excel με τη χρήση Python

Μπορούμε αντί για sum να χρησιμοποιήσουμε άλλη function όπως η max για να βρούμε τη μέγιστη αγορά που έκανε ο πελάτης.

df_final = df_final.groupby(['customer_id','epitheto','onoma'],as_index=False).max()
df_final.rename(columns={'kostos_agoras':'Megisti_agora'}, inplace=True)
df_final = df_final[['onoma','epitheto','Megisti_agora']]

print(df_final)
Pivoting στο Microsoft Excel με τη χρήση Python

Μπορούμε να μετρήσουμε πόσες αγορές έχει κάνει ο κάθε πελάτης(count).

df_final = df_final.groupby(['customer_id','epitheto','onoma'],as_index=False).count()
df_final.rename(columns={'kostos_agoras':'plithos_agorwn'}, inplace=True)
df_final = df_final[['onoma','epitheto','plithos_agorwn']]
Pivoting στο Microsoft Excel με τη χρήση Python

Μπορούμε να κάνουμε group by ανά προϊόν.

df_final = df_final.groupby(['eidos'],as_index=False).sum()
df_final = df_final[['eidos','kostos_agoras']]

print(df_final)
Pivoting στο Microsoft Excel με τη χρήση Python

Τελικό αποτέλεσμα

Τέλος μπορούμε να αποθηκεύσουμε τα αποτελέσματα σε ένα καινούργιο αρχείο Excel.

df_final.to_excel('pivoting_with_python.xlsx', index=False)
Pivoting στο Microsoft Excel με τη χρήση Python
Μοιράσου το

Αφήστε μία απάντηση