您好,登錄后才能下訂單哦!
這篇文章主要介紹Pandas如何實現(xiàn)DataFrame運算、統(tǒng)計與排序操作,文中介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們一定要看完!
由于DataFrame的數(shù)據(jù)結(jié)構(gòu)中包含了多行、多列,所以DataFrame的計算與統(tǒng)計可以是用行數(shù)據(jù)或者用列數(shù)據(jù)。為了更方便我們的使用,Pandas為我們提供了常用的計算與統(tǒng)計方法:
操作 | 方法 | 操作 | 方法 |
---|---|---|---|
求和 | sum | 最大值 | max |
求均值 | mean | 最小值 | min |
求方差 | var | 標準差 | std |
中位數(shù) | median | 眾數(shù) | mode |
分位數(shù) | quantile |
接上文的例子,我們已經(jīng)有了N個學生的數(shù)學、語文、英語的成績表,現(xiàn)在,我們要算出每個學生的總成績,那么我們就可以用以下的方法:
''' 行的求和以下演示兩種方法: 方法1:先把待求和的列數(shù)據(jù)刪選出來(剔除掉name列),然后使用sum函數(shù)求和 方法2:把待求和的列一個一個選出來然后使用運算符求和 兩種方法最后的結(jié)果為像原有的DataFrame中新增一列,數(shù)據(jù)為每行數(shù)據(jù)的求和 ''' df['sum'] = df[['chinese', 'math', 'english']].sum(1) #方法1 df['sum'] = df['chinese'] + df['math'] + df['english'] #方法2 Output: name chinese english math sum 0 XiaoMing 99 100 80 279 1 LiHua 102 79 92 273 2 HanMeiNei 111 130 104 345
在sum方法中我們傳入了參數(shù)1,代表的是我們使用的軸(axis)為行(對行數(shù)據(jù)進行求和),如果想要計算出每列的求和我們只用傳入0即可(sum函數(shù)默認參數(shù)為0,所以也可不傳):
df[['chinese', 'math', 'english']].sum(0) Output: chinese 312 math 276 english 309 dtype: int64
現(xiàn)在有了總成績,那么數(shù)學老師或者語文老師就會關(guān)心本班學生的數(shù)據(jù)平均分是多少,同樣的,我們可以非??焖俚挠嬎愠鰜恚?/p>
df['math'].mean() #方法一:直接使用Pandas提供的mean求均值方法 df['math'].sum() / df.shape[0] #方法二:使用求和方法算出總和后除以總?cè)藬?shù)(行數(shù)) Output: 92.0
本????中使用了DataFrame的shape方法,這個方法是用來顯示DataFrame的行數(shù)和列數(shù)的,行數(shù)為0,列數(shù)1。需要注意的是輸出的列數(shù)值是不含索引列的。
上述????只計算了數(shù)學的平均分,感興趣的小伙伴可以自行基礎(chǔ)出英語和語文的平均分哦~
這個時候數(shù)學老師又有新的需求了,他想查看本班學生數(shù)學成績的最高分、最低分、中位數(shù)等統(tǒng)計數(shù)據(jù),那么根本不慌,Pandas統(tǒng)統(tǒng)可以幫我們搞定:
df['math'].min() # math列的最小值 Output:80 df['math'].max() # math列的最大值 Output:104 df['math'].quantile([0.3, 0.4, 0.5]) # math列的30%、40%、50%分位數(shù) Output: 0.3 87.2 0.4 89.6 0.5 92.0 Name: math, dtype: float64 df['math'].std() # math列的標準差 Output:12 df['math'].var() # math列的方差 Output:144 df['math'].mean() # math列的平均數(shù) Output:92 df['math'].median() # math列的中位數(shù) Output:92 df['math'].mode() # math列的眾數(shù),返回一個Series對象(有可能出現(xiàn)并列的情況,例子中眾數(shù)為1,所以都返回) Output: 0 80 1 92 2 104 dtype: int64
我們也可以使用DataFrame的describe方法對DataFrame查看基本的統(tǒng)計情況:
df.describe() Outprint: chinese english math sum count 3.000000 3.000000 3.0 3.000000 mean 104.000000 103.000000 92.0 299.000000 std 6.244998 25.632011 12.0 39.949969 min 99.000000 79.000000 80.0 273.000000 25% 100.500000 89.500000 86.0 276.000000 50% 102.000000 100.000000 92.0 279.000000 75% 106.500000 115.000000 98.0 312.000000 max 111.000000 130.000000 104.0 345.000000
一般來講我們的成績表都是按照總分從高到低進行排序:
df = df.sort_values(by='sum', ascending=False) Output: name chinese english math sum 2 HanMeiNei 111 130 104 345 0 XiaoMing 99 100 80 279 1 LiHua 102 79 92 273
可以看到我們使用了sort_values方法對DataFrame進行排序,同時by參數(shù)傳入‘sum’指定按照‘sum’字段進行排序,ascending用來設(shè)置是降序(False)還是升序(True,默認值)排序。使用sort_values排序后默認會返回一個新的DataFrame對象,也就是說并不會影響原有的DataFrame對象,所以例子中我們才會把排序后的對象賦值給原有的DataFrame對象,如果不想排序后創(chuàng)建新的對象也是可以的,只需要傳入inplace=True即可(在原有的DataFrame基礎(chǔ)上修改):
df.sort_values(by='sum', ascending=False, inplace=True) print(df) Output: name chinese english math sum 2 HanMeiNei 111 130 104 345 0 XiaoMing 99 100 80 279 1 LiHua 102 79 92 273
細心的小伙伴可能會發(fā)現(xiàn)當我們進行排序后,如果DataFrame中的行數(shù)據(jù)有調(diào)整的話,其行的索引值是不會更改的,上述例子中因為我們用了默認的遞增數(shù)列索引,所以排序后看起來并不是很友好,不過不用擔心,我們還是可以重置索引值的:
df = df.sort_values(by='sum', ascending=False).reset_index() Output: index name chinese english math sum 0 2 HanMeiNei 111 130 104 345 1 0 XiaoMing 99 100 80 279 2 1 LiHua 102 79 92 273
使用reset_index重設(shè)索引后我們的DataFrame對象的索引列確實被重置成了遞增的序列,同時也多了列名為index的一列數(shù)據(jù)。當然我們可以傳入drop=True將原有的索引列不插入到新的DataFrame中:
df = df.sort_values(by='sum', ascending=False).reset_index(drop=True) name chinese english math sum 0 HanMeiNei 111 130 104 345 1 XiaoMing 99 100 80 279 2 LiHua 102 79 92 273
為了更直觀的展示排名情況,我們可以索引值+1這樣就展示出了學生的排名情況:
df.index += 1 name chinese english math sum 1 HanMeiNei 111 130 104 345 2 XiaoMing 99 100 80 279 3 LiHua 102 79 92 273
以上是“Pandas如何實現(xiàn)DataFrame運算、統(tǒng)計與排序操作”這篇文章的所有內(nèi)容,感謝各位的閱讀!希望分享的內(nèi)容對大家有幫助,更多相關(guān)知識,歡迎關(guān)注億速云行業(yè)資訊頻道!
免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。