一行 Pandas 代码搞定 Excel “条件格式”！

条件格式

说实话，Excel的 “条件格式” 是东哥非常喜欢的功能之一，通过添加颜色条件可以让表格数据更加清晰的凸显出统计特性。

有的朋友在想，这样的操作在python可能会很复杂。但其实一点不复杂，而且只需一行代码即可。

为什么可以做到一行代码实现 “条件格式”？

一是使用了pandas的style方法，二是要得益于pandas的链式法则。

下面我们来一起看个例子，体验一下这个组合操作有多骚。

实例

首先，我们导入数据集，使用经典的titanic中抽样的部分数据。

import pandas as pd
df = pd.read_csv("test.csv")
df

可以看到，现在这个dataframe是空白的，什么都没有的，现在要给表格添加一些条件。

1、比如我们想让Fare变量值呈现条形图，以清楚看出各个值得大小比较，那么可直接使用bar代码如下。

df.style.bar("Fare",vmin=0)

2、再比如，我们想让Age变量呈现背景颜色的梯度变化，以体验映射的数值大小，那么可直接使用background_gradient，深颜色代表数值大，浅颜色代表数值小，代码如下。

df.style.background_gradient("Greens",subset="Age")

3、让所有缺失值都高亮出来，可使用highlight_null，表格所有缺失值都会变成高亮。

df.style.highlight_null()

以上就是pandas的style条件格式，用法非常简单。下面我们用链式法则将以上三个操作串起来，只需将每个方法加到前一个后面即可，代码如下。

df.style.bar("Fare",vmin=0).background_gradient("Greens",subset="Age").highlight_null()

当然，如果你希望加更多的条件格式效果，还可以继续让链式更长，但不论条件怎么多，都只是一行代码。其它操作上面仅仅是列举了三个style中常用的操作，还有很多其他操作比如高亮最大值、给所有负值标红等等，通过参数subset还可以指定某一列或者某几列的小范围内进行条件格式操作。

# 负值标为红色
applymap(color_negative_red)

# 高亮最大值
apply(highlight_max)

# 使某一列编程±前缀，小数点保留两位有效数字
format({"Coulumn": lambda x: "±{:.2f}".format(abs(x))})

# 使用subset进行dataframe切片，选择指定的列
applymap(color_negative_red,
                  subset=pd.IndexSlice[2:5, ['B', 'D']])

另外，还有很多的效果可以实现，比如结合seaborn的各种风格。

import seaborn as sns
cm = sns.light_palette("green", as_cmap=True)
df.style.background_gradient(cmap=cm)

如果结合Ipython的HTML还可以实现炫酷的动态效果。

from IPython.display import HTML

def hover(hover_color="#ffff99"):
    return dict(selector="tr:hover",
                props=[("background-color", "%s" % hover_color)])

styles = [
    hover(),
    dict(selector="th", props=[("font-size", "150%"),
                               ("text-align", "center")]),
    dict(selector="caption", props=[("caption-side", "bottom")])
]
html = (df.style.set_table_styles(styles)
          .set_caption("Hover to highlight."))
html

关于style条件格式的所有用法，可以参考pandas的官方文档。链接：https://pandas.pydata.org/pandas-docs/version/0.18/style.html

文中数据集可以在公众号后台回复关键字 条件格式 获取。

- EOF -

推荐阅读  点击标题可跳转

看完本文有收获？请转发分享给更多人

推荐关注「数据分析与开发」，提升数据技能

点赞和在看就是最大的支持❤️