github做网站空间关键词搜索点击软件

嗨，小伙伴们。又到喜闻乐见的Python 数据分析王牌库 Pandas 的学习时间。按照数据分析处理过程，这次轮到了新增维度的部分了。

老样子，我们先来回忆一下，一个完整数据分析的过程，包含哪些部分内容。

其中，Pandas 的基础信息导入、数据导入和数据整理、数据探索和清洗已经在前几篇文章里聊过。

感兴趣的小伙伴，可以点击链接跳转观看。

像学Excel 一样学 Pandas系列-导入篇

像学Excel 一样学 Pandas系列-数据读取和合并篇

像学Excel 一样学 Pandas系列-数据探索和数据清洗

新增维度部分，是在完成数据探索，获取数据的现状，并且对脏数据完成清洗工作后的后道工序。而且，这部分非常的关键，很多分析场景下，需要做的挖掘分析，情况归类，都需要在维度新增里完成。

这个时候，Pandas 要开始变形了。为什么增加维度这么重要。

增加数据维度，是最终分析报告能获取到的分析颗粒度的有力支持。新增数据维度可以显著提升分析的深度和广度。

以我所在的汽车行业举例。

通过添加车辆特征维度（如发动机类型、驱动方式、燃油效率），可以更全面地了解具备哪些特性的车型更受消费者欢迎。结合销售数据和客户反馈维度，可以精确分析哪些车型的特定问题（如燃油效率低、维修率高）影响了客户满意度。

合并增加利用车辆使用数据（如行驶里程、维修记录）和客户人口统计信息，可以深入洞察车辆的长期性能和客户的忠诚度。

按例，为了方便后续的演示，同样创建一个虚拟的Pandas DataFrame来演示维度新增的过程。这个DataFrame，包括车型、销售日期、销售数量、客户年龄和客户收入等字段。

import Pandas as pd
data = {    '车型': ['轿车', 'SUV', '轿车', 'SUV', 'MPV'],    '销售日期': pd.date_range(start='2024-01-01', periods=5, freq='D'),    '销售数量': [10, 15, 12, 20, 8],    '客户年龄': [34, 29, 45, 31, 41],    '客户收入': [5000, 7000, 6000, 8000, 5500]}
df = pd.DataFrame(data)

01 数据分箱映射 

为啥我这么爱 pandas。每次做车型价格带分析，最烦躁的就是，今天 5 万一个档做价格带切割，明天还得弹性切割。每次做分组映射，分分钟烦死个人。在 Pandas 这里，一个函数就搞定。

假定，我们要根据客户收入将客户分为不同的等级。你只需要在 imcome_map 里配置一个映射字典，描述清楚“低收入”，“中等收入”，“高收入”人群的收入加个分层。

然后，使用 pd.cut 函数，配置分区的边界值 bins 和每一个分组对应的 labels，就可以完成映射了。

下次老板再找你调收入等级，分分钟完成。​​​​​​​

#income_map = {#    '低收入': [0, 3000],#    '中等收入': (3000, 7000],#    '高收入': (7000, np.inf)#} #备注给人类看的，区分每一个分层的收入范围。
df['客户收入等级'] = pd.cut(df['客户收入'], bins=[0, 3000, 7000, np.inf], labels=['低收入', '中等收入', '高收入'])

看看，是不是超容易，是不是超简单！

 02 多字段综合规则研判维度增加

老板拿到分箱结果后，说不行，我们还得综合客户的年龄来判断这个人的收入水平。那么，基于客户年龄和收入，我们创建一个新列来标识是否为潜在的高端客户。这就涉及了多字段综合规则研判维度增加的问题了。

df['潜在高端客户'] = df.apply(lambda row: '是' if row['客户年龄'] > 35 and row['客户收入'] > 5000 else '否', axis=1)

这里用一个 df.apply 函数，结合 lambda 函数，快速锁定年龄小于 35 岁，收入大于 5000 的用户，并且判断未潜在高端用户。

年纪轻轻就高收入，确实潜力不小，哈哈哈。

03 维度表映射增加

假设我们有一个车型维度表，包含车型对应的市场定位信息。这里可以通过 pd.merge，数据合并映射的方式，将 car_dim 里的维度添加如 df 内，形成一个新的列，这个列名就是“市场定位”。

​​​​​​​

car_dim = {    '车型': ['轿车', 'SUV', 'MPV'],    '市场定位': ['家用', '家用', '商务']}model_df = pd.DataFrame(car_dim)df = df.merge(model_df, on='车型', how='left')

这里有一个地方需要注意一下，你的车型和市场定位必须是一一映射匹配的关系。如果存在一对多的情况，使用 pdf.merge 就会分裂出新的数据行。

我们来看一个错误案例：我在 car_dim 里错误的将轿车的市场定位配置了两个类型，包含“家用”和“商务”。生成的结果数据里，每种情况，都分裂多出来的一条数据。这个，需要认真检查映射表字段的内容，是否严格遵守一一对应关系。

好啦，今天用超级简单的数据进行了数据维度新增的说明和演示。

如果小伙伴有其他想深入了解的内容，欢迎留言、关注、点赞、评论转发。您的每一份互动，都是我肝下去的动力。