自動化你的辦公室工作：Pandas與Python

T編在日常工作中，常會遇到繁瑣且重複性高的工作，因此自動化處理數據的能力是必要的工具之一。Python的Pandas套件就提供了這樣的能力，它能處理各種數據，並且透過各種方法將數據轉換為有用的資訊。本文將會講解如何使用Pandas進行辦公室日程工作自動化，以及介紹一些常用到的函數。

零、Pandas 是什麼

Pandas是一個Python數據處理和分析庫，它專為解決數據處理問題而設計。Pandas提供了大量的功能，如讀寫數據、數據清洗、數據分析等等，並且能與Excel、CSV等常見的資料表格格式進行讀寫。

壹、常見的自動化應用

• 讀取和寫入Excel文件：一個常見的情況是需要從兩份不同的Excel讀取數據並將其合併，最終導出成一份新的Excel。以下是如何使用Pandas來實現這種任務的範例。

import pandas as pd # 引入套件

# 讀取Excel文件
df_sales = pd.read_excel('sales.xlsx') # 讀取銷售數據

df_products = pd.read_excel('products.xlsx') # 讀取產品資訊

Product_ID	Month	Sales
1	January	100
2	January	200
1	February	150
2	February	250
1	March	300
2	March	350

Product_ID	Product
1	Apple
2	Orange

• 分組並計算出各產品平均銷售額

grouped = df_sales.groupby('Product_ID')['Sales'].mean()
print(grouped)

output:

Product_ID
1    183.33
2    266.67
Name: Sales, dtype: float64

• 將兩個表格合併

# 根據 Product_ID 將 df_products 與 df_sales 兩個資料表進行合併
merged_df = pd.merge(df_products, df_sales, on='Product_ID')
merged_df

	Product_ID	Product	Month	Sales
0	1	Apple	January	100
1	1	Apple	February	150
2	1	Apple	March	300
3	2	Orange	January	200
4	2	Orange	February	250
5	2	Orange	March	350

• 表格轉置：讓資料看起來更簡潔明瞭

# 使Product_ID作為索引值、月份作為欄位名稱、銷售額作為我們要使用的值
pivot_df = merged_df.pivot_table(index='Product_ID', columns='Month', values='Sales', aggfunc='sum')
pivot_df

Month	February	January	March
Product
Apple	150	100	300
Orange	250	200	350

• 匯出成Excel：將整理完的數據輸出成一份新的Excel

pivot_df.to_excel('final.xlsx')

貳、常用的函式整理

• 讀取與寫入數據：read_csv() 可以讀取 CSV 檔案，而 to_csv() 可以將數據寫入 CSV 檔案。

# 讀取 CSV 檔案
df = pd.read_csv('example.csv')

# 寫入 CSV 檔案
df.to_csv('output.csv', index=False)

• 數據查詢與選擇：loc 和 iloc 是兩個常用的方法，可以根據標籤或索引選擇數據。

# 使用標籤選擇數據
df.loc[df['column_name'] == 'value']

# 使用索引選擇數據
df.iloc[0]

• 數據處理：dropna() 可以刪除含有 NaN 的行或列，fillna() 可以填充 NaN 值。

# 刪除含有 NaN 的行
df.dropna()

# 將 NaN 值填充為 0
df.fillna(0)

• 數據分析：describe() 可以提供數據的統計摘要，groupby() 可以根據某些列的值進行數據分組。

# 獲取數據的統計摘要
df.describe()

# 根據某列的值分組
df.groupby('column_name').mean()

• 數據轉換：apply() 可以對數據應用一個函數，merge() 可以根據一或多個鍵將不同的 DataFrame 合併。

# 對數據應用函數
df['column_name'].apply(lambda x: x**2)

# 合併兩個 DataFrame
pd.merge(df1, df2, on='common_column')

參、總結

以上簡單介紹了T編在使用 pandas 時較常用到的函式及功能，實務上還有更多更進階的應用可以對數據處理及分析有莫大的助益，以上僅為常用功能的其中一部分。有機會T編再與各位介紹如何透過 pandas 這個套件處裡更深入的辦公室應用，可以使我們平時重複性的工作變得自動化，增進工作上的效率。