1.添加Age、Fullname字段
esproc：
创新互联长期为上1000家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为商城企业提供专业的成都网站设计、做网站、
成都外贸网站建设公司，
商城网站改版等技术服务。拥有10余年丰富建站经验和众多成功案例,为您定制开发。
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.derive(age(BIRTHDAY):Age,NAME+""+SURNAME:Fullname) |
| 5 | =interval@ms(A1,now()) |
A4：我们用T表示序表。T.derive（）表示增加字段。这里用age(日期)计算出年龄，作为Age字段。用NAME,SURNAME得到Fullname。
A5：计算运算时间（interval：计算时间间隔。@ms表示以毫秒为单位）
python：
import time
import pandas as pd
import datetime
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
today = datetime.datetime.today().year
data["Age"] = today-pd.to_datetime(data["BIRTHDAY"]).dt.year
data["Fullname"]=data["NAME"]+data["SURNAME"]
print(data)
e = time.time()
print(e-s)
计算出BIETHDAY字段的值（日期）距今天的年数，作为年龄字段。用NAME+SURNAME作为Fullname字段
结果
esproc:
python:
2.提取需要的记录或者字段（前3个字段，第3~10条记录）
esproc：
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.new(#1,#2,#3).to(3:10) |
| 5 | =interval@ms(A1,now()) |
A4：T.new()表示新建序表。这里以第1,2,3个字段作为新表的字段。T.A，表示取出序列中包含的行号。
python：
import time
import pandas as pd
import datetime
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
data = data.iloc[2:10,:3]
print(data)
e = time.time()
print(e-s)
使用df.iloc[]切片获得3~10条记录，前三个字段（dataframe的字段号和记录号都是从0开始计数的）。
结果：
esproc:
python:
3.筛选符合条件的记录
esproc：
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.select(STATE=="California") |
| 5 | =interval@ms(A1,now()) |
A4：T.select（）筛选符合条件的记录。这里是筛选STATE=="California"为真的记录
python：
import time
import pandas as pd
import datetime
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
data = data[data['STATE']=="California"]
print(data)
e = time.time()
print(e-s)
取出data['STATE']=="California"的记录
结果：
esproc:
python:
4.计算字段的常用值
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.min(SALARY) |
| 5 | =A3.max(SALARY) |
| 6 | =A3.avg(SALARY) |
| 7 | =A3.sum(SALARY) |
| 8 | =A3.(SALARY).median() |
| 9 | =A3.(float(SALARY)).variance() |
| 10 | =interval@ms(A1,now()) |
A4:T.min()计算字段最小值
A5:T.max()计算字段大值
A6:T.avg()计算字段平均值
A7:T.sum()计算字段总和
A8:计算字段中位数。A.median(k:n)函数，参数全省略时，如果序列长度是奇数返回中间位置值；如果序列长度是偶数返回中间两个值的平均值。
A9:T.variance()计算字段方差。
python
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
min = data["SALARY"].min()
max = data["SALARY"].max()
avg = data["SALARY"].mean()
sum = data["SALARY"].sum()
median = data["SALARY"].median()
var = data["SALARY"].var()
print(min,max,avg,sum,median,var)
e = time.time()
print(e-s)
df[字段名]表示取得字段。min(),max(),mean(),sum(),median(),var()分别计算最小值，大值，平均数，总和，中位数，方差。
结果
| 常用计算 | esproc | python | 说明 |
| 最小值 | 3000 | 3000 |
|
| 大值 | 16000 | 16000 |
|
| 平均值 | 7395 | 7395.0 |
|
| 总和 | 3697500 | 3697500 |
|
| 中位数 | 7000.0 | 7000.0 |
|
| 方差 | 5324475 | 5335145.29 | 总体方差和样本方差的区别 |
| 耗时 | 0.004 | 0.007 |
|
5.统计各部门员工的男女人数
esproc：
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.groups(DEPT:Dept;count(GENDER=="M"):Mcount, count(GENDER=="F"):Fcount) |
| 5 | =interval@ms(A1,now()) |
A4：T.groups()表示以DEPT分组，计算GENDER==“M”或GENDER==“F”的值,得到各部门男女员工的数量。
python
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
group = data.groupby(['DEPT','GENDER']).size()
print(group)
e = time.time()
print(e-s)
截取GENDER==‘M’或者GENDER==‘F’的切片以DEPT通过goupby()函数得到以DEPT的分组。最后用size()函数得到结果。
结果：
esproc：
python：
6.统计男女员工的平均年龄
esproc：
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.groups(GENDER;avg(age(BIRTHDAY)):Age) |
| 5 | =interval@ms(A1,now()) |
A4：T.groups()用来分组，avg()计算平均值，age()根据日期计算时间间隔。
python
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
data["Age"] = today-pd.to_datetime(data["BIRTHDAY"]).dt.year
avg_age = data.groupby('GENDER')['Age'].mean()
print(avg_age)
e = time.time()
print(e-s)
计算得到Age字段。然后用groupby()函数以GENDER分组，最后通过mean()函数得到平均值。
结果：
esproc：
python：
7.计算员工薪酬比前一名员工高的大人数
esproc：
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE.txt") |
| 3 | =A2.import@t() |
| 4 | =a=0,A3.max(a=if(SALARY>SALARY[-1],a+1,0)) |
| 5 | =interval@ms(A1,now()) |
A4：if(condition,x1,x2)表示如果条件成立，if语句的值为x1，否则值为x2，在这儿计算如果SALARY比前一个员工薪水高的话a=a+1。从而得到A3.(a)，其中a随着if语句不断的变化。最后得到一个序列，max()函数得到大值。
python
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
a=0 ; m=0
for i in data['SALARY'].shift(0)>data['SALARY'].shift(1):
a=0 if i==False else a+1
m = a if m < a else m
print(m)
e = time.time()
print(e-s)
df.shift(0)表示当前记录，df.shift(n)表示前面第n条记录，data['SALARY'].shift(0)>data['SALARY'].shift(1) 得到pandas的series结构。循环如果为假（False）表示当前记录小于或等于上一条记录，把a置0，如果为真则加1。m的作用：当m结果：
| 大人数 | 耗时 |
| esproc | 4 | 0.005 |
| python | 4 | 0.008 |
8.每个字段随机设置5-10个缺失值
esproc：
| A | B |
| 1 | =now() |
|
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE_nan.txt") |
|
| 3 | =A2.import@t() |
|
| 4 | for A3.fno() | >A3.sort(rand()).to(5+rand(6)).field(A4,null) |
| 5 | =interval@ms(A1,now()) |
|
A4：T.fno()得到序表的字段数量。
B4：T.field（f,x）将x序列中的成员依次赋值给A中第F个字段的字段值或者字符串参数F的值。F<0时从后往前排。F越界和不存时不执行
python：
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE.txt",sep="\t")
for i in data.columns:
for j in range(random.randint(5,10)):
data[i][random.randint(0,500)]=np.nan
print(data)
e = time.time()
print(e-s)
循环所有的字段，随机循环5~10次，将字段的某个随机值设置成np.nan
结果：
9.丢弃缺失值
esproc：
| A |
| 1 | =now() |
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE_nan.txt") |
| 3 | =A2.import@t() |
| 4 | =A3.select(!~.array().pos(null)) |
| 5 | =interval@ms(A1,now()) |
A4：筛选null所在位置为空的记录，即不包含null的记录。用r表示记录，r.array()表示把r中的字段值返回成序列。A.pos()获得序列成员序号。
python：
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE_nan.txt",sep="\t")
data = data.dropna()
print(data)
e = time.time()
print(e-s)
使用dropna()函数得到不包含np.nan的记录
结果：
10.第一列用序列直接替换，其他列的缺失值使用其中的一个随机值填补
esproc：
| A | B |
| 1 | =now() |
|
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE_nan.txt") |
|
| 3 | =A2.import@t() |
|
| 4 | >A3.field("EID",to(A3.len())) |
|
| 5 | for 2,A3.fno() | =A3.select(!~.field(A5) ) |
| 6 |
| =A3\B5 |
| 7 |
| >B5.run(~.field(A5,B6(rand(B6.len())+1).field(A5))) |
| 8 | =interval@ms(A1,now()) |
|
A4：T.field(F,A) 将A序列中的成员依次赋值给T中第F个字段的字段值或者字符串参数F的值。
B5：筛选字段为null的记录
B6:差集，得到不为null的记录
B7：这里需要特别注意一下field()函数，r.field(F)取得记录的第F个字段的字段值或者字符串参数F的值。r.field(F,X) 修改记录r中第F个字段的字段值或者字符串参数F的值为x。A3.select(#${A5}==null)取出A3中某个字段为null的记录序列，用run()函数循环修改该序列中的每条记录。
python：
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE_nan.txt",sep="\t")
data['EID']=pd.Series([i for i in range(1,len(data)+1)])
for col in data.columns:
nonan_list = list(data[col][~pd.isna(data[col])])
fill_list = [nonan_list[random.randint(0,len(nonan_list))] for i in range(len(data[col][pd.isna(data[col])]))]
data[col][pd.isna(data[col])]=fill_list
e = time.time()
print(e-s)
将字段名为EID的值修改为递增的序列。这里用pd.Series()生成。
循环所有字段。df[col][pd.isna(df)]得到df中包含nan的值。~表示非。nonan_list表示当前列不包含nan的所有值组成的list。fill_list表示随机生成的要填充nan的值的list。
将fill_list中的值赋值给包含nan的记录。
结果：
esproc：
python
11.EID字段用序列直接替换，SALARY字段用均值填补缺失值，其他字段的缺失值使用其中的一个随机值填补
esproc：
| A | B |
| 1 | =now() |
|
| 2 | =file("C:\\Users\\Sean\\Desktop\\esproc_vs_python\\EMPLOYEE_nan.txt") |
|
| 3 | =A2.import@t() |
|
| 4 | >A3.field("EID",to(1,A3.len())) |
|
| 5 | for 2,A3.fno()-1 | =A3.group(!~.field(A5)) |
| 6 |
| =B5(1).(~.field(A5)) |
| 7 |
| >B5(2).run(~.field(A5,B6(rand(B6.len())+1))) |
| 8 | =A3.avg(SALARY) |
|
| 9 | =A3.select(!SALARY).run(~.field("SALARY",A8)) |
|
| 10 | =interval@ms(A1,now()) |
|
上例中，B5,B6的运算会导致把序列遍历两遍，这里进行了改进
B5:A.group(xi) 将序列/排列按照一个或多个字段/表达式进行等值分组，结果为组集构成的序列。这里是将序表分成两组，第一组为该字段不包含null的，第二组为包含null的。
B6:取得该字段去重后的字段值
B7：这里需要特别注意一下field()函数，r.field(F)取得记录的第F个字段的字段值或者字符串参数F的值。r.field(F,X) 修改记录r中第F个字段的字段值或者字符串参数F的值为x。r.run(xi,…)，针对记录r计算表达式x，最后返回记录r。此函数通常用于修改r的字段值
B9：和B7的原理一样，利用field()函数修改SALARY的字段值为A8中计算出来的平均值。
python：
s = time.time()
data = pd.read_csv("C:/Users/Sean/Desktop/esproc_vs_python/EMPLOYEE_nan.txt",sep="\t")
data['EID']=pd.Series([i for i in range(1,len(data)+1)])
for col in list(data.columns)[1:-1]:
nonan_list = list(data[col][~pd.isna(data[col])])
fill_list = [nonan_list[random.randint(0,len(nonan_list))] for i in range(len(data[col][pd.isna(data[col])]))]
data[col][pd.isna(data[col])]=fill_list
data['SALARY'].fillna(data['SALARY'].mean(),inplace=True)
print(data.loc[180:190])
print(e-s)
将字段名为EID的值修改为递增的序列。这里用pd.Series()生成。
循环所有字段第一到倒数第二个字段。df[col][pd.isna(df)]得到df中包含nan的值。~表示非。nonan_list表示当前列不包含nan的所有值组成的list。fill_list表示随机生成的要填充nan的值的list。
将fill_list中的值赋值给包含nan的记录。
df.fillna(df[s].mean())表示用字段s的平均值填充缺失值。
结果：
esproc：
python
小结：本节我们用11个例子对数据进行简单的计算，esproc和python都用到了比较多的函数，还用到了一些相对复杂的组合应用，这就不得不说esproc现阶段的一个缺点了，查阅资料和使用案例相对于python太少了，原因就是使用者太少。但是在描述效率和执行效率方面，esproc的优势太明显了，因此我们要多使用esproc提高工作效率，同时也可以完善esproc的缺点。esproc中的函数功能很强大，需要不断的使用，来充分理解函数的用法，达到熟能生巧最终精通的地步。
EMPLOYEE.txt
EMPLOYEE_nan.txt
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
分享标题：esprocvspython2简单计算-创新互联
分享链接：http://cdkjz.cn/article/cedddd.html
