
import pandas as pd
df = pd.read_csv('东京奥运会奖牌数据.csv')
df.rename(columns={'Unnamed: 2':"金牌数",
                   "Unnamed: 3":"银牌数",
                   "Unnamed: 4":"铜牌数"},inplace=True)

修改行索引

将第一列（排名）设置为索引

df.set_index("排名",inplace=True)

修改索引名（重置索引）rename_axis

修改索引名为金牌排名

df.rename_axis("金牌排名",inplace=True)

查询级别数

df.index.nlevels  # 标题

修改值

将 ROC（第一列第五行）修改为俄奥委会

df.iloc[4,0] = '俄奥委会'

修改类型

将【金牌数】列类型修改为int


# 打开时定义数据类型
df = pd.read_csv('东京奥运会奖牌数据.csv', dtype = {'column_name' : str})
 
# 自定义的DataFrame
df = pd.DataFrame(a, dtype='float')  #示例1
df = pd.DataFrame(data=d, dtype=np.int8) #示例2
 
# 单列修改为数值
df['金牌数'] = pd.to_numeric(df['金牌数'])
 
# astype强制转换（两列）
df[['金牌数','银牌数']] = df[['金牌数','银牌数']].astype(int)

替换值


# 单值替换：将金牌数列的数字 0 替换为 无
df['金牌数'].replace(0,'无',inplace=True)
 
# 多值替换：将 无 替换为 缺失值 ；将 0 替换为 None
import numpy as np
df.replace(['无',0],[np.nan,'None'],inplace=True)

数据增加

新增列（固定值）

新增一列【比赛地点】，值为东京

df['比赛地点'] = '东京'

新增列（计算值）

新增一列【金银牌总数】列，值为该国家金银牌总数


df = df.replace('None',0)
df['金银牌总数']=df['金牌数'] + df['银牌数']

新增列（比较值）

新增一列【最多奖牌数量】列，值为该【金银牌】三列数量中最多的一个奖牌数量

例如中国金牌38，银牌32，铜牌18，最大值为38


df['最多奖牌数量'] = df.bfill(1)[["金牌数", "银牌数",'铜牌数']].max(1)
 
df['最多奖牌数量'] = df[["金牌数", "银牌数",'铜牌数']].max(1)

新增列（判断值）

新增一列【金牌大于30】

如果一个国家的金牌数大于 30 则值为是，反之为否


import numpy as np
df['金牌大于30'] = np.where(df['金牌数']>30,'是','否')

增加多列

新增两列，分别是

金铜牌总数（金牌数+铜牌数）
银铜牌总数（银牌数+铜牌数）

df = df.assign(金铜牌总数=df.金牌数 + df.铜牌数,银铜牌总数=df.银牌数+df.铜牌数)

新增列（引用变量）

新增一列金牌占比，为各国金牌数除以总金牌数（变量：gold_sum）

eval()方法:可以借助列名称进行运算，不占用内存，可将字符串形式的字典列表等转换成字典列表


gold_sum = df['金牌数'].sum()
df.eval(f'金牌占比 = 金牌数 / {gold_sum}',inplace=True)

Pandas学习笔记十——高性能的eval和query方法_盐味橙汁的博客-CSDN博客

append 新增一行（末尾追加）

在 df 末尾追加一行，内容为 0,1,2,3… 一直到 df 的列长度


df1 = pd.DataFrame([[i for i in range(len(df.columns))]], columns=df.columns)
df_new = df.append(df1)

新增行（指定位置）

在第 2 行新增一行数据，即美国和中国之间。


df1 = df.iloc[:1, :]
df2 = df.iloc[1:, :]  # 拼接上第二行后的数据
df3 = pd.DataFrame([[i for i in range(len(df.columns))]], columns=df.columns)
df_new = pd.concat([df1, df3, df2], ignore_index=True) # 时忽略原本的索引，从0开始重建索引。

drop数据删除

删除指定行

删除 df 第一行

df.drop(1)

删除条件行

df.drop(df[df.金牌数<20].index)

删除列

删除刚刚新增的【比赛地点】列

df.drop(columns=['比赛地点'],inplace=True)

删除列（按列号）

删除 df 的 7、8、9、10 列

df.drop(df.columns[[7,8,9,10]], axis=1,inplace=True)

数据筛选

iloc 筛选列

通过列号

提取第 1、2、3、4 列

df.iloc[:,[0,1,2,3]]

通过列名

提取 金牌数、银牌数、铜牌数 三列

df[['金牌数','银牌数','铜牌数']]

条件（列号）

筛选全部奇数列

df.iloc[:,[i%2==1 for i in range(len(df.columns))]]

条件（列名包含指定值）

提取全部列名中包含“数”的列


df.loc[:,df.columns.str.contains("牌")]
 
df.loc[:,df.columns.str.endswith("数")]  # 结尾包含“数”
 
df.loc[:,df.columns.str.startswith("国")]  # 开头包含“数”

组合（行号+列名）

提取倒数后三列的10-20行

df.loc[10:20, '总分':]

loc 筛选行

通过行号

提取第10行

df.loc[9:9]

通过行号（多行）

提取第 10 行之后的全部行

df.loc[9:]

固定间隔

提取 0-50 行，间隔为 3

df[:50:3]

判断语句


# 提取 【金牌数】 大于 30 的行
df[df['金牌数'] > 30]
 
# 提取 【金牌数】 等于 10 的行
df[df['金牌数'] == 30]
 
# 提取 【金牌数】 不等于 10 的行
df[df['金牌数'] != 39]
df.loc[~(df['金牌数'] == 39)]

条件（指定行号）

提取全部奇数行


df[[i%2==1 for i in range(len(df.index))]] 
 
df.loc[[i%2==1 for i in range(len(df.index))]]

isin 筛选（指定值）

提取中国、美国、英国、日本、巴西五行数据

df[~df.'国家奥委会'.isin(['中国','美国'])]

~逆向筛选

提取除了中国和美国的其他行数据

df[~df.'国家奥委会'.isin(['中国','美国'])]

pandas.isin 用来清洗数据，过滤某些行，或者说选出你想要的某些行。

多条件

在上一题的条件下，新增一个条件：金牌数小于30

df.loc[(df['金牌数']<30)&df['国家奥委会'].isin(['中国','美国','英国','日本','巴西'])]

条件求和（不适用groupby）

当【是否外市户籍】列为【是】时求和【金额】列


# 三种方法
print(df[df['是否外市户籍']=='是']['金额'].sum())
print(sum(df[df['是否外市户籍']=='是']['金额']))
 
import numpy as np
print(np.where(df['是否外市户籍']=='是', df['金额'],0).sum())

条件计数

求【是否外市户籍】列为【是】的次数

print(df[df['是否外市户籍']=='是']['是否外市户籍'].count().tolist()

组合筛选

筛选某行某列

提取第0行第2列


df.iloc[0:1,1:2]
 
df.iloc[0:1,[1]]

筛选多行多列

提取第0-2行第0-2列


df.iloc[0:2,0:2]  #  :  连续范围
 
df.iloc[0:2,[0,1]] # [] 可指定范围

组合（行号+列号）返回值

提取第4行，第4列的值

df.iloc[3,3]  # 返回21

at 组合（行号+列号）返回值

提取第4行，第4列的值

df.at[4,'金牌数']  # 返回20

条件返回值

提取【国家奥委会】为【中国】的金牌数


df.loc[df['国家奥委会']=='中国'].loc[1].at['金牌数']
 
# df['国家奥委会']=='中国']  返回布尔值
# loc[1]  返回第一行True值
# loc[1].at['金牌数']  获得行列

query 计算式条件查询

df.query(expr, inplace=False, **kwargs)

参数：
-expr：查询条件，表达式
-inplace ：是否替换原数据，默认为false

query方法可用方法是基于DataFrame列的计算代数式，对于按照某列的规则进行过滤的操作。

字符串仅在列名没有任何空格时才有效。所以在应用该方法之前，列名中的空格被替换为“_”

df.query('金牌数+银牌数>15')

query(引用变量)

使用 query 提取金牌数大于金牌均值的国家


gold_mean = df['金牌数'].mean()
df.query(f"金牌数>{gold_mean}")

`select_dtypes`筛选数据类型

select_dtypes 可以筛选数据类型的列

筛选数值类型的列

df4.select_dtypes(include=['int64'])

多类型筛选（数据类型为和浮点数）

df4.select_dtypes(include=['int64','float64'])

逆向筛选

df4.select_dtypes(exclude=['int64','float64'])

groupby 数据分组

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=NoDefault.no_default, observed=False, dropna=True)

根据一定的规则拆分为多个组合，并应用不同的函数进行计算


df[['地区','薪资']].groupby(by='地区').mean()
 
# 取【地区】和【薪资】两列，按地区分组邱平均

as_index 分组取消索引

df.groupby("district",as_index=False)['salary'].mean()

sort_values 排序

计算并提取平均薪资最高的地区

两列分组，先地区求平均值，排序

df[["district","salary"]].groupby(by='district').mean().sort_values('salary',ascending=False).head(1)

频率value_counts/size

计算不同行政区(district)，不同规模公司(companySize)出现的次数


pd.DataFrame(df.groupby('district')['companySize'].value_counts())
pd.DataFrame(df.groupby(["district","companySize"]).size())
# 效果一样

计数count

统计每个【区】出现的【公司】数量

等同于筛选district 计数 companySize

df.groupby("district")['companySize'].count()

分组查看

查看各组信息groups

将数据按照 district、salary 进行分组，并查看各分组内容

相当于筛选district、salary

df.groupby(['district','salary']).groups

查看指定条件信息get_group

将数据按照 district、salary 进行分组，并查看西湖区薪资为 30000 的工作

等同于筛选【district=西湖区】【salary=30000】的值

df.groupby(["district",'salary']).get_group(("西湖区",30000))  # 接收元组

分组规则

分组筛选统计

根据【createTime 】列，计算每天不同【district】新增的岗位数量

等同于筛选两列计数


# createTime列提取每天，根据【createTime】、【district】日期和行政区分组计算个数
# 1
pd.DataFrame(df.groupby([df.createTime.apply(lambda x :x.day)])["district"].value_counts()).rename_axis(['发布日','行政区'])
 
# 2
pd.DataFrame(df.groupby([df['createTime'].apply(lambda x :x.day)])["district"].value_counts()).rename_axis(['发布日','行政区'])

分组筛选计算包含总数

计算各行政区district的企业领域industryField包含【电商】的总数

两列分组，industryField


# 统计每行中(apply)包含(contains) “电商” 字符 的数量
pd.DataFrame(df.groupby(['district'])["industryField"].apply(lambda x:x.str.contains("电商").sum()))
 
# 分组查看包含"电商"的行
df[["district","industryField"]].loc[df['industryField'].str.contains("电商")]
 
# 单列包含"电商"的次数
df[["district"]].loc[df['industryField'].str.contains("电商")].count()

通过字符长度分组

通过 positionName 的长度进行分组，并计算不同长度岗位名称的薪资均值

pd.DataFrame(df.set_index("positionName").groupby(len)['salary'].mean())

通过字典进行分组

将 data1和 data3分为组1，data2和 data4分为组2，同组求和

df.groupby({'data1':1,'data2':2,'data3':1,'data4':2},axis=1).sum()

将 score 和 matchScore 的和记为总分，与 salary 列同时进行分组，并查看结果


# axis按列求和
df.groupby({'salary':'薪资','score':'总分','matchScore':'总分'}, axis=1).sum()

通过多列

计算不同【工作年限】（workYear）和【学历】（education）之间的【薪资】均值

pd.DataFrame(df['salary'].groupby([df['workYear'],df['education']]).mean())

分组转换transform

在原数据框 df 新增一列，数值为该区的平均薪资水平

df['该区平均工资'] = df[['district','salary']].groupby('district').transform('mean')

分组聚合统计agg

df.groupby("district")['salary'].agg("mean")

分组过滤filter

提取平均【工资】小于30000的行政区的全部数据

df.groupby('district').filter(lambda x:x['salary'].mean()<30000)

数据(列表）展开explode

explode :如果数据中包含列表，使用explode进行展开，将list拆分多行

展开A列

df5.explode('A')

展开多列


# pandas版本 >= 1.3 才可以完成
df5.explode(list('AC'))

聚合统计

计算指标

分组计算不同行政区，薪水的最小值，最大值和平均值


# 多个用列表 [ ]
import numpy as np
df.groupby('district')['salary'].agg([min,max,np.mean])

通过agg修改列名

修改列名和索引名

df.groupby('district').agg(最低工资=('salary','min'),最高工资=('salary','max'),平均工资=('salary','mean')).rename_axis(['行政区'])

组合计算

对不同岗位(positionName)进行分组，并统计其薪水(salary)中位数和得分(score)均值


# 用花括号 { }
df.groupby('positionName').agg({'salary':np.median,'score':np.mean})

多层统计

对不同【行政区】进行分组，并统计【薪水】的均值、中位数、方差，以及【得分】的均值


df.groupby('district').agg(
    {'salary':[np.mean, np.median, np.std],'score':np.mean})

自定义函数

聚合计算时新增一列计算最大值与平均值的差值


def myfunc(x):
 
    return x.max()-x.mean()
 
df.groupby('district').agg(最低工资=('salary', 'min'), 最高工资=(
    'salary', 'max'), 平均工资=('salary', 'mean'), 最大值与均值差值=('salary', myfunc)).rename_axis(["行政区"])

数据统计

均值、中位数、众数


df.总分.mean()  #均值
df.总分.median() # 中位数
df.总分.mode()  # 众数：是一组数据中出现次数最多的数值

agg统计部分信息

计算总分、高端人才得分、办学层次得分的最大最小值、中位数、均值


df.agg({
        "总分": ["min", "max", "median", "mean"],
        "高端人才得分": ["min", "max", "median", "mean"],
        "办学层次得分":["min", "max", "median", "mean"]})

describe 统计完整信息

查看数值型数据的统计信息（均值、分位数等），并保留两位小数

df.describe().round(2).T

corr 相关系数统计信息

也就是相关系数矩阵，也就是每两列之间的相关性系数

df.corr()

diff 计算行之间的差异

格式：DataFrame.diff(periods= 1,axis = 0)

参数释义
periods	控制要移动的小数点，默认为1

向上计算行之间的差异，第一行是NAN，因为之前没有要计算的值。从第二行开始，405-400=5,400-200=200

periods=1向下计算行之间的差异

pct_change 计算差值变化率

pct_change是计算差值变化率，相当于第二个减去第一个，再除以第一个，就是第二的数据

格式：DataFrame.pct_change(periods=1, fill_method=‘pad’, limit=None, freq=None, **kwargs)


df=pd.DataFrame({"one":[1,3,5,7,9],"two":[2,4,6,8,10]})
 
df.pct_change()

直接填充第一个为0，保留两位小数


df.pct_change().fillna(0).applymap(lambda x :format(x,'.2f'))
 
# 百分比保留两位数
df.pct_change().applymap(lambda x: format(x, '.2%'))

cunsum累加计算

cumsum 可以对数据按照指定方式进行累加，计算公式如下

按行/列累加


df7[list('ABCD')].cumsum()   #按列累加
df7[list('ABCD')].cumsum(axis = 1)   #按行累加

分组累加

将 df7 按照 item 按不同组对第 A 列进行累加


df7 = df7.sort_values(['item']).reset_index(drop=True)
df7['cumsum'] = df7.groupby('item')['A'].cumsum(axis=0)

`nunique` 统计指定轴上不唯一的元素数量

按列统计（B列1为重复值，剔除重复保留一个）

df6.nunique()

按行统计

compare 比对两表数据（比较两个数据框之间的差异）

compare 用于比较两个数据框之间的差异

输出 df9 和 df10 的差异

保留数据框keep_shape

保留值 keep_equal

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/AllinToyou/article/detail/642886

Pandas03_18 - 聚合统计|修改列名 将上一题的列名(包括索引名)修改为中文

数据修改

修改列名