1. 列出分期贷款明细

题目介绍：loan 表存储着贷款信息，包括贷款 ID，贷款总额、按月分期数、年利率。数据如下：

我们的目的是列出各期明细，包括：当期还款额、当期利息、当期本金、剩余本金。

esproc

	A
1	=now()
2	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\loan.csv").import@t()
3	=A2.derive(Rate/100/12:mRate,LoanAmt*mRate*power((1+mRate),Term)/(power((1+mRate),Term)-1):mPayment)
4	=A3.news((t=LoanAmt,Term);LoanID,   LoanAmt, mPayment:payment, Term, Rate, t* mRate:interest,   payment-interest:principal, t=t-principal:principlebalance)
5	=interval@ms(A1,now())

A3：T.derive()新增两列月利率mRate=年利率/12,每期还款数mPayment=总利息/((1+月利率)的期数次幂)-1

A4：A.news(X;xi:Fi,…)，根据序表/排列A，计算排列X后把计算后的字段合并到一个新的序表/排列，Fi为新字段名，xi为计算结果，Fi省略自动识别。当参数xi使用#i时，表示第i列，此时使用原列名。这里解释一下，将t的初始值设置为A3中的LoanAmt的值作为初始的本金，然后建立新表，其中利息interest=本金*月利率mRate，当期偿还的本金principal等于每期还款数payment-利息，剩余的本金=本金t-当期偿还的本金，然后把剩余的本金更新到t作为下一期的本金。

python：

import time

import numpy as np

import pandas as pd

s = time.time()

loan_data = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\loan.csv',sep='\t')

loan_data['mrate'] = loan_data['Rate']/(100*12)

loan_data['mpayment'] = loan_data['LoanAmt']*loan_data['mrate']*np.power(1+loan_data['mrate'],loan_data['Term']) \

                        /(np.power(1+loan_data['mrate'],loan_data['Term'])-1)

loan_term_list = []

for i in range(len(loan_data)):

    loanid = np.tile(loan_data.loc[i]['LoanID'],loan_data.loc[i]['Term'])

    loanid = np.tile(loan_data.loc[i]['LoanID'],loan_data.loc[i]['Term'])

    loanamt = np.tile(loan_data.loc[i]['LoanAmt'],loan_data.loc[i]['Term'])

    term = np.tile(loan_data.loc[i]['Term'],loan_data.loc[i]['Term'])

    rate = np.tile(loan_data.loc[i]['Rate'],loan_data.loc[i]['Term'])

    payment = np.tile(np.array(loan_data.loc[i]['mpayment']),loan_data.loc[i]['Term'])

    interest = np.zeros(len(loanamt))

    principal = np.zeros(len(loanamt))

    principalbalance  = np.zeros(len(loanamt))

    loan_amt = loanamt[0]

    for j in range(len(loanamt)):

        interest[j] = loan_amt*loan_data.loc[i]['mrate']

        principal[j] = payment[j] - interest[j]

        principalbalance[j] = loan_amt - principal[j]

        loan_amt = principalbalance[j]

    loan_data_df = pd.DataFrame(np.transpose(np.array([loanid,loanamt,term,rate,payment,interest,principal,principalbalance])),

                columns = ['loanid','loanamt','term','rate','payment','interest','principal','principalbalance'])

    loan_term_list.append(loan_data_df)

loan_term_pay = pd.concat(loan_term_list,ignore_index=True)

print(loan_term_pay)

e = time.time()

print(e-s)

新增两列mrate和mpayment，mpayment的计算方法和esproc的一样，大家可以参考。

初始化一个空列表用于存放每一个贷款客户的数据。

循环数据

Df.loc[i][x]取索引为i字段名为x的数据，tile(a,x)，x是控制a重复几次的，结果是一个一维数组。

同样的方法获得贷款的'loanid','loanamt','term','rate','payment'的字段值，

初始化一个本金为loanamt的第一个元素。

for循环就是计算['interest','principal','principalbalance']这三个字段值的方法，思路和esproc的思路一样，只不过esproc支持动态计算而python只能通过构造这个for循环来完成。

Np.array()将list格式的列表转换成数组。由于这里的行表示的是每一个字段的值，np.transpose(a)是将数组a转置。pd.DataFrame()转成dataframe结构。

pd.concat()将每个贷款的分期信息合并成一个dataframe。

结果：

esproc

python

	耗时
esproc	0.005
python	0.034

 

2.不规则月份统计

题目介绍：如果起始时间是 2014-01-10，则将 2014-01-10 到 2014-02-09 作为一组，将 2014-02-10 到 2014-03-9 作为一组。如果起始时间是 2014-01-31，则将 2014-02-27 作为一组，将 2014-02-28 到 2014-03-30 作为一组。数据如下：

我们的目的是统计出不规则月份的销售额AMOUNT。

esproc

	A
1	=now()
2	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\order_date.csv").import@t()
3	=A2.select(date(date)>=startDate&&date(date)<=endDate)
4	=interval@m(startDate,endDate)
5	=startDate|A4.(after@m(startDate,~))
6	=A3.group(A5.pseg(date):ID;~.sum(AMOUNT):amount,A5(#):date)
7	=interval@ms(A1,now())

我们首先需要设置网格参数startDate，endDate(程序——网格参数)

A3:筛选出指定时间的时间段

A4:按月计算开始时间和起始时间的间隔

A5:after(start,n)计算从开始时间以后的n天，@m选项表示按月计算，即开始时间以后的n个月。根据起始时间和日期间隔算出不规则月份的开始日期，并将起始时间插入第1位。

A6: A.pseg(x)，返回x在A中的哪一段，缺省序列成员组成左闭右开的区间，A必须为有序序列。 x非A成员时，如果序列升序时x小于序列成员最小值(或序列降序时x大于序列成员最大值)则返回0；如果序列升序时x大于等于序列成员最大值(或序列降序时x小于等于序列成员最小值)则返回序列长度。将日期所在分组作为ID，销售额之和作为amount字段，当前日期作为date字段，形成序表。

python：

import time

import pandas as pd

import numpy as np

import datetime

s = time.time()

starttime_s = '2012-11-29'

endtime_s = '2013-11-11'

starttime = datetime.datetime.strptime(starttime_s, '%Y-%m-%d')

endtime = datetime.datetime.strptime(endtime_s, '%Y-%m-%d')

orders = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\order_date.csv',sep='\t')

orders['date'] = pd.to_datetime(orders['date'])

orders=orders[orders['date']>=starttime]

orders=orders[orders['date']<=endtime]

date_index = pd.date_range(start = starttime,end=endtime,freq='M')

interv = date_index.day

date_list = []

date_amount = []

for i in range(len(interv)):

    if starttime>=date_index[i]:

        date_list.append(date_index[i])

    else:

        date_list.append(starttime)

    starttime = starttime + datetime.timedelta(days=int(interv[i]))

    if len(date_list)>1:

        by = orders['date'].apply(lambda x:date_list[i]>x>=date_list[i-1])

        date_amount.append([orders[by]['AMOUNT'].sum(),date_list[i-1]])

by = orders['date'].apply(lambda x:x>=date_list[i])

date_amount.append([orders[by]['AMOUNT'].sum(),date_list[i]])

date_amount_df = pd.DataFrame(date_amount,columns=['amount','date'])

print(date_amount_df)

date_df = pd.Series(date_list)

e = time.time()

print(e-s)

小编没有找到pandas中自动生成不规则月份的方法，所以是自己写的，如果各位谁知道这种方法，还请不吝赐教。

指定起始时间和终止时间

datetime.datetime.strptime(str, '%Y-%m-%d')将字符串的日期格式转换为日期格式

pd.to_datetime()将date列转换成日期格式

筛选出指定时间段的数据

pd.date_range(start,end,freq)从开始时间到结束时间以freq的间隔生成时间序列，这里是按月生成。(这里作出说明，生成的序列成员是每个月的最后一天的日期)

date_index.day生成了这个序列中所有月份的天数

初始化两个list，date_list用来存放不规则日期的起始时间，date_amount用来存放各个时间段内的销售额和时间

循环月份总成的天数，如果起始时间晚于这个月的最后一天，则把这个月的最后一天放入date_list，否则把起始时间放入，然后更新起始时间为起始时间推迟该月的天数后的日期。

如果date_list中的日期数量大于1了，生成一个数组（判断数据中每个日期是否在该段时间段内，在为True，否则为False）。

筛选出在该时间段内数据中的销售额AMOUNT字段，求其和，并将其和日期放入初始化的date_amount列表中。

pd.DataFrame()生成结果

结果：

esproc

python

	耗时
esproc	0.003
python	0.039

 

3.字段分段

题目介绍：库表data有两个字段，ID和ANOMOALIES，数据如下：

我们的目的是将ANOMOALIES字段按空格拆分为多个字符串，每个字符串和原ID字段形成新的记录。

esproc

	A
1	=now()
2	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\split_field.csv").import@t()
3	=A2.news(ANOMALIES.split(" ");ID,~:ANOMALIES)
4	=interval@ms(A1,now())

A4：news函数的用法在第一例中已经解释过，这里不再赘述。

python：

import time

import pandas as pd

import numpy as np

s = time.time()

split_field = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\split_field.csv',sep='\t')

split_dict = split_field.set_index('ID').T.to_dict('list')

split_list = []

for key,value in split_dict.items():

    anomalies = value[0].split(' ')

    key_array = np.tile(key,len(anomalies))

    split_df = pd.DataFrame(np.array([key_array,anomalies]).T,columns=['ID','ANOMALIES'])

    #split_df = pd.DataFrame(np.transpose(np.array([key_array,anomalies])),columns=['ID','ANOMALIES'])

    split_list.append(split_df)

split_field = pd.concat(split_list,ignore_index=True)

print(split_field)

e = time.time()

print(e-s)

df.set_index(F)设置索引为F，df.T,将df的行列转置，df.to_dict(‘list’)将dataframe转换成字典，字段的key为df的字段名，value为df的字段值形成的list。

初始化一个空list，用于存放每个ANOMALIES字段拆分以后的dataframe

循环字典

将value的第一个元素按照空格切分，形成一个列表anomalies

根据这个列表长度复制key的值，形成数组key_array

将np.array([key_array,anomalies])将他们转换成数组，array.T，将数组转置(转置也可以用注释掉的那行代码np.traspose()函数)，然后由pd.DataFrame()转成dataframe。

最后连接dataframe，得到结果。

结果：

esproc

python

	耗时
esproc	0.002
python	0.013

 

4.增加增长率记录

esproc                     

	A
1	=now()
2	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\store_quantity.csv").import@t()
3	=A2.sort(Year).group(item).run(A2.record(["Growth   Rate",item,~(2).quantity/~(1).quantity-1]))
4	=interval@ms(A1,now())

A4：T.sort(x)，按照x表达式排序，T.group(x)按照x表达式分组。A.run(x)，针对序列/排列A中每个成员计算表达式x。T.record(A,k) 从T中指定位置k的记录开始，用A的成员依次修改T序表中记录的每个字段值，k省略时从最后一条开始增加记录。~表示当前分组，~(2)表示第二条记录即2015年的记录，~(1)表示2014年的记录。这里的过程是先按照Year字段排序，然后按照item分组，然后新增两条记录，分别是各种物品的增长率。

python：

import time

import pandas as pd

import numpy as np

s = time.time()

store_q = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\store_quantity.csv',sep='\t')

store_q.sort_values(by='Year',inplace = True)

store_q_g = store_q.groupby(by='item',as_index=False)

growth_rate_list=[]

for index,group in store_q_g:

    growth_rate = group['quantity']/group['quantity'].shift(1)-1

    growth_rate_list.append(['growth_rate',index,growth_rate.values[1]])

store_rate = pd.concat([store_q,pd.DataFrame(growth_rate_list,columns=['Year','item','quantity'])])   

print(store_rate)

e = time.time()

print(e-s)

df.sort_values(by,inplace),按照Year字段排序，更新到元数据中

df.groupby(by, as_index),按照item分组，不把item作为索引

初始化一个list用来存放各组的结果

循环分组，df.shift(1)是将df下移一行，（当前行/上一行）-1得到增长率。

由于只有两年的记录所以增长率的第二个元素即为需要的增长率。将growth_rate,index,增长率放入初始化的list中

pd.Dataframe()和pd.concat()大家应该很熟了，这里不再赘述了。

结果：

esproc

python

	耗时
esproc	0.001
python	0.014

 

5.合并重复记录

题目介绍：该数据没有字段，第一行就是数据，数据如下：

我们的目的是过滤掉重复的记录，取出前6列，并重整第7,8两列，具体要求是：将wrok phone作为新文件第7列，将work email作为新文件第8列，如果有多个work phone或work email,则只取第一个。

esproc

	A
1	=now()
2	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\merge_duplicate.csv").import@c()
3	=A2.group(_1,_2:,_3,_4,_5,_6;~.select@1(_7=="work   phone")._8:work_phone,~.select@1(_7=="work   email")._8:work_email)
4	=interval@ms(A1,now())

A2:这里解释下f.import(),导入数据，@t是要把第一列作为字段名，@c是按照逗号分隔。

A3:按照_1,_2,_3,_4,_5,_6分组，每组选择一条记录select@1()是取序列中第一条符合条件的成员，如果第7个字段是work phone则取第八个字段的值作为work_phone字段，如果分组中第7个字段是work email则取第八个字段作为work_email字段。

python：

import time

import pandas as pd

import numpy as np

s = time.time()

merge_dup = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\music_project_data\\merge_duplicate.csv',header=None)

merge_dup_g = merge_dup.groupby(by=[0,1,2,3,4,5],as_index=False)

work_arr = np.zeros(len(merge_dup.columns))

work_list = []

for index,group in merge_dup_g:

    work_arr = group.iloc[0].values

    work_arr[6] = work_arr[7]

    work_arr[7] = group[group[6]=='work email'].iloc[0].values[7]

    work_list.append(work_arr)

merge_dup = pd.DataFrame(work_list,columns=merge_dup.columns)

merge_dup.rename(columns={6:'work_phone',7:'work_email'},inplace=True)

print(merge_dup)

e = time.time()

print(e-s)

按照前6个字段进行分组

因为题目要求我们把work phone 和work email拿出来作为字段，所以源数据的字段数没变，df.columns得到df的字段名，np.zeros()初始化一个数组。

循环分组

取分组中第6个字段等于work phone的第一行的值，赋值给初始化的数组

修改数组第7个元素(索引是6)为数组的第8个元素(索引是7)

取分组中第6个字段等于work email的第一行的值的第8个元素(索引是7)，赋值给数组的第8个元素(索引是7)。

将结果放入初始化的list中

转换成dataframe。

df.rename(columns,inplace)修改字段名，更新到源数据上。

结果：

esproc

python

	耗时
esproc	0.002
python	0.022

 

6. 准备测试数据

esproc

	A
1	=now()
2	1000
3	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\M_name.txt").import@t()
4	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\F_name.txt").import@t()
5	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\S_name.txt").import@t()
6	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\cities.txt").import@t()
7	=file("C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\states.txt").import@t()
8	=A3.derive("M":GENDER)
9	=A4.derive("F":GENDER)
10	=A8|A9
11	=A6.derive(A7.select@1(STATEID==A6.STATEID).ABBR:ABBR)
12	=A10.((A5.new(A10.NAME+" "+S_name:NAME,A10.GENDER:GENDER))).conj().sort(rand())
13	=A2.new(#:ID,A12(#).NAME:NAME,A12(#).GENDER:GENDER,elapse((birthday=date(year(now())-(18+rand(38)),1,1)),rand(days@y(birthday))):BIRTHDAY,(city=A11(rand(A11.len())+1)).NAME:CITY,city.ABBR:STATE)
14	=interval@ms(A1,now())

A2: 定义一个数字，用来确定创建多少员工信息，这里准备的数据比较少，感兴趣的同学可以多准备些，这里是男员工名字45，女员工名字47，姓47，所以最多可以创建(45+47)*47=4324条员工信息，因此这个数字不能大于4324。

A8:男员工名字新增一个字段GENDER,赋值M

A10:合并男女员工的姓名

A11:根据STATEID为city表增加state表中的ABBR字段并设置成city表的ABBR字段

A12:按照A10表合并姓名和姓。A.conj()将序列和列。得到(45+47)*47个姓名和GENDER，sort(rand())将表随机排列，这是相对于news()的另一种写法，感兴趣的同学可以尝试改写成news()的写法。

A13:新建表，定义两个变量，birthday:18+rand(18)，表示年龄在18至35周岁，用今年的年份减去年龄，得到出生的年份的一月一日。city：从city表中随机选取一条记录。定义变量是可以在计算的时候定义的，计算完成后赋值给变量，后续的计算可以直接使用这个变量，这使表达式显得简洁。最终的BIRTHDAY字段为从那年的1月1日，随机推迟那年的天数的时间，得到生日。city去city表的NAME字段，STATE去city表的ABBR字段。

python：

import time

import pandas as pd

import numpy as np

import datetime

import random

s = time.time()

data_quantity = 1000

m_name = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\M_name.txt',sep='\t')

f_name = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\F_name.txt',sep='\t')

s_name = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\S_name.txt',sep='\t')

cities = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\cities.txt',sep='\t')

states = pd.read_csv('C:\\Users\\Sean\\Desktop\\kaggle_data\\prepare_data\\states.txt',sep='\t')

m_name['GENDER'] = 'M'

f_name['GENDER'] = 'F'

name = pd.concat([m_name,f_name])

name['FULL_NAME']=1

s_name['FULL_NAME']=1

name = pd.merge(name,s_name,on='FULL_NAME')

name['FULL_NAME']=name['NAME']+' '+name['S_name']

city_state = pd.merge(cities[['NAME','STATEID']],states[['ABBR','STATEID']],on='STATEID')

birth_list = []

city_list = []

state_list = []

for i in range(data_quantity):

    age = random.randint(18,35)

    birth_y = datetime.datetime.today().year-age

    birthday = datetime.datetime(birth_y,1,1).date()

    year_days = int(datetime.date(birth_y,12,31).strftime('%j'))

    birthday = birthday + datetime.timedelta(days=random.randint(0,year_days))

    birth_list.append(birthday)

    rand_index = random.randint(0,len(city_state)-1)

    city_list.append(city_state['NAME'].loc[rand_index])

    state_list.append(city_state['ABBR'].loc[rand_index])

rand_arr = np.random.randint(0,len(name),data_quantity)

person = name[['FULL_NAME','GENDER']].loc[rand_arr]

person['ID']=np.arange(data_quantity)

person['BIRTHDAY'] = birth_list

person['CITY'] = city_list

person['STATE'] = state_list

person = person.rename(columns={'FULL_NAME':'NAME'}).reset_index(drop=True)

print(person[['ID','NAME','GENDER','BIRTHDAY','CITY','STATE']])

e = time.time()

print(e-s)

新增字段，纵向和横向合并dataframe，我们在前边的例子已经多次用到了，这里不再赘述

简单解释一下姓名合并的问题，由于两个dataframe没有共同的字段作为key，所以我们造了一个字段FULL_NAME，赋值为1，只为进行merge。

定义三个list，分别用来生成BIRTHDAY,CITY,STATE列

把年龄定义在18-35之间，由年龄生成随机的生日，然后放入定义好的list中

CITY和STATE字段的值是利用loc[]函数，随机取，并放入定义好的list中

定义一个数组，随机生成name数据的索引

通过loc[rand_arr]函数，取随机的1000个，生成FULL_NAME和GENDER字段。

np.arange(n)生成n个元素的一维数组，作为ID字段。

然后把刚才的三个list赋值给BIRTHDAY,CITY,STATE。

rename()将FULL_NAME字段名改为NAME，重新设置索引并将原来的索引丢弃。

生成最终结果。

结果：

esproc

python

	耗时
esproc	0.018
python	0.184

 

小结：本节我们继续计算一些网上常见的题目，由于pandas依赖于另一个第三方库numpy，而numpy的数组元素只能通过循环一步一步进行更新，esproc的循环函数如new()、select()等都可以动态更新字段值，使得代码简单。在第二例中，日期处理时，esproc可以很轻松的划分出不规则的月份，并根据不规则月份进行计算。而python划分不规则月份时需要额外依赖datetime库，还要自行根据月份天数划分，实在是有些麻烦。