用Python3秒鐘完成別人半天的工作量！不用Excel了？

做過數(shù)據(jù)分析的程序員都知道：Excel、Tableau等這些親民工具都是數(shù)據(jù)分析的得力助手。

但用Excel做分析，繁瑣的每一步都是來自鼠標(biāo)點擊，中間如果一步有誤，很多步驟都需要重新調(diào)整，浪費大量時間。

這不，前天臨近下班時間，老板突然Q我：算一下近一年銷售額總額TOP5的品牌以及對應(yīng)的銷售額。

接收完文檔我傻眼了， 公司旗下有20個品牌，這些品牌涉及到128個類目，業(yè)務(wù)部門總共發(fā)來了128張表，每一份表格對應(yīng)著一個細(xì)分行業(yè)的數(shù)據(jù)，像什么各類戶外服裝、垂釣裝備、救生裝備應(yīng)有盡有。

每張表，以月的維度記錄著每個品牌的日期、訪客、客單、轉(zhuǎn)化、所屬類目（細(xì)分行業(yè)）等數(shù)據(jù)：

習(xí)慣性的打開Excel，我開始盤算：最終需求是要篩選出近一年銷售額總和排名前5的品牌，這一攤子數(shù)據(jù)，對單獨的一張表進(jìn)行分類匯總，能夠得到該細(xì)分行業(yè)各品牌的銷售額， 想要得到所有行業(yè)的銷售額總和，得分類匯總128次，最后對128次結(jié)果再次合并。

“這個任務(wù)看上去很艱巨，不過，考驗的主要是體力?！蔽乙谎劬汀翱创绷耸虑榈谋举|(zhì)，右手食指在鼠標(biāo)上飛速跳動，以90秒一張表格的速度瘋狂推進(jìn)。按照這個速度，不考慮疲勞值對速度的拖累，大概 3.2個小時就能夠完成任務(wù)。

然而，剛開始還 沒3分鐘，老板找到我：剛交你的任務(wù)暫時不用做了， 新來的已經(jīng)得出結(jié)論了，看著還挺專業(yè)。

多年來的職業(yè)敏感性驅(qū)使我立馬跟新同事聊了一下，“剛剛那些表分分鐘就搞定了，很簡單！”他演示給我看，“ 我就使用了幾行Python代碼......”

首先，導(dǎo)入模塊，打開單個表格：

接著，匯總不同品牌在這個細(xì)分行業(yè)下的銷售額，沒有銷售額的字段，可以通過訪客數(shù)*轉(zhuǎn)化率*客單價三者的乘積來計算：

按品牌來匯總銷售額，得到近一年各品牌銷售額合計：

對于單獨行業(yè)的銷售額，應(yīng)該加一個區(qū)分的標(biāo)簽以防覆蓋，而打開時候的文件名，具有天然的區(qū)分和防覆蓋優(yōu)勢，但要注意去掉文件的后綴。

OK，單個表格處理完成，我們把這一系列操作推而廣之即可。用os.listdir方法來遍歷文件名，批量循環(huán)訪問并處理文件，同時引入time計時，打算看一看，面對128張表，Python完成這些操作到底能夠比手動快多少：

WOC，整個過程一氣呵成，不到3秒，平均一張表格0.02秒！真香！

為了確保數(shù)據(jù)正常，來預(yù)覽一下：

這一串看起來很奇怪的銷售額，是pandas自作主張把實際銷售額變成了科學(xué)記數(shù)法形式來展示，要還原數(shù)值，需要更改一下原始的設(shè)置：

我本以為學(xué)會Excel走遍天下，沒想到Python效率這么高！

20年前，學(xué)英語不是為了成為翻譯員；10年前，學(xué)電腦不是為了成為打字員；今天，學(xué)Python數(shù)據(jù)分析與挖掘不是要都成為數(shù)據(jù)分析師。

而越來越多的互聯(lián)網(wǎng)人利用Python完成自動化辦公、表格處理、信息搜集、數(shù)據(jù)分析、數(shù)據(jù)可視化等工作，至少釋放了80%的勞動力！

我們知道什么樣的程序員最受歡迎？

肯定不是只會寫代碼的碼農(nóng)，而是技術(shù)過硬又懂業(yè)務(wù)的，可以 通過數(shù)據(jù)分析，優(yōu)化代碼解決實際業(yè)務(wù)問題的人才！

其實無論是做研發(fā)、系統(tǒng)架構(gòu)，還是產(chǎn)品、運營，在數(shù)不清的場景下， 用Python做數(shù)據(jù)分析與挖掘其實是基本功，它不是一個職位，而是一個技能。

這里整理了一些Python數(shù)據(jù)分析視頻教程，想著有用得上的伙伴，回復(fù)：數(shù)據(jù)分析，領(lǐng)??！

Python最新數(shù)據(jù)分析入門教程https://pan.baidu.com/s/1So1X4-uNgXcNurJDJFPPAA ?。?！