快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜5＞

# 使用正则匹配数据
df.开设.replace(regex = '不.+',value = '可以',inplace = True)# 这行代码使用正则表达式匹配'开设'列中以'不'开头的文本，并将其替换为'可以'
#iloc loc
df.支出.iloc[0:3] = 20 #这两行代码分别使用iloc和loc进行索引，将'支出'列中前3行的数据替换为20和30。
df.支出.loc[0:2] =30 
#条件筛选替换
df.体重[df.体重>70] =70 #这行代码使用条件筛选，将'体重'列中大于70的数值替换为70。
df[df.体重==70].体重 = 80  #这行代码使用条件筛选找到'体重'列中值为70的行，并将其'体重'值替换为80。需要注意这种用法在一些情况下可能会引发SettingWithCopyWarning警告，可以使用.loc方法解决：df.loc[df.体重 == 70, '体重'] = 80
#query()的使用
df.query('性别 == "女" and 体重 > 60 ').体重 =50 #这行代码使用query查询语句筛选出满足'性别为女且体重大于60'的行，并将其'体重'值替换为50。同样需要注意引用问题，可以使用.loc方法解决：df.loc[df.query('性别 == "女" and 体重 > 60').体重.index, '体重'] = 50
df.loc[df.query('性别 == "女" and 体重 > 60').体重.index,'体重'] = 50

df2.head()#用于显示df2的前几行数据，以便我们了解数据的结构和内容。
pd.get_dummies(df2.类型，prefix = '_' )#这行代码将df2中的'类型'列进行独热编码，生成多个哑变量列，以'_类型'作为前缀，并返回编码后的DataFrame。例如，如果'类型'列有两个取值'A'和'B'，则会生成两个哑变量列'_A'和'_B'，其中相应的位置为1表示对应的取值存在，为0表示对应的取值不存在。
pd.get_dummies(df2 ， columns= [ '类型' ])#直接对整个DataFrame进行操作，将'类型'列独热编码为多个哑变量列。这样可以同时对多个分类变量进行独热编码，生成相应的哑变量列。

pd.cut(
    X :希望逬行分段的变量列名称
    bins :具体的分段设定
    int :被等距等分的段数
    sequence of scalars :具体的每一个分段起点，必须包括最值，可不等距
    right = True :每段是否包括右侧界值
    labels = None :为每个分段提供自定义标签
    include_lowest = False :第一段是否包括最左侧界值，需要和
    right 参数配合
)#分段结果是数值类型为 Categories 的序列
 
pd.qcut # 按均值取值范围进行等分

#按均值取值范围进行等分
df['cut1'] = pd.qcut(df.身高,q=5)#表示将df中的列身高按照相等频率来进行分段，分成5个区间。这里的相等频率指的是每个区间中包含的数据个数相同。返回的结果是一个Categorical类型的Series，表示每个数据所属的区间。这个结果会赋值给df['cut1']列。
#自定义分段
df['cut2'] = pd.cut(df.身高,bins=[150,160,170,180,190],right=False)#自定义分段，将"身高"分成4个区间，分别为[150,160)，[160,170)，[170,180)，[180,190)，并赋值给新的列"cut2"。right=False表示左闭右开区间，即不包含右边界值。

3、数据分组

df.groupby(
 by :用于分组的变量名/函数
 level = None :相应的轴存在多重索引时，指定用于分组的级别
 as_index = True :在结果中将组标签作为索引
 sort = True :结果是否按照分组关键字逬行排序
)#生成的是分组索引标记，而不是新的 df

dfg = df.groupby ('开设')
#查看dfg里面的数据
dfg.groups
#查看具体描述
dfg.describe( )
#按多列分组
dfg2 = df.groupby(['性别','开设'])
dfg2.mean ()

• dfg.groups可以查看dfg中的分组信息，返回一个字典，其中键表示分组的标签，值是该分组对应的行索引。

• dfg.describe()可以查看每个分组的具体描述统计信息，包括计数、均值、标准差、最小值、25%分位数、中位数、75%分位数、最大值等。

• 另外一段代码是将DataFrame按照"性别"和"开设"两列进行多级分组，将分组结果赋值给dfg2。

• dfg2.mean()对分组后的数据求均值，返回每个分组的平均值。结果是一个新的DataFrame，其中列名是原始DataFrame中的数值列名，索引是多级索引，分别包含"性别"和"开设"两列的不同取值组合。

dfg['身高'].max()

df.aggregate( )
#名称可以直接简写为 agg
#可以用 axis 指定汇总维度

可以直接使用的汇总函数

dfg.agg( 'count')
dfg.agg('median')
dfg.agg(['mean', 'median'])
dfg.agg(['mean', 'median'])

#引用非内置函数
import numpy as np
df2.身高.agg (np. sum)
dfg.身高.agg (np. sum)

引用自定义函数：

# 使用自定义函数
def mynum(x:int) ->int:
    return x.min()
df2.身高.agg (mymean)
dfg.agg(mymean)

函数mynum(x:int) ->int的定义中，参数x是一个整数类型，函数返回值也是一个整数类型。

x.min()表示对参数x取最小值，并将最小值作为函数的返回值

.agg（）是DataFrame对象的一个函数，用于对DataFrame中的某一列或多列应用一个或多个聚合函数。

df2表示DataFrame df2 中的名为"身高"的列，mynean是自定义的聚合函数，它会被应用于"身高"这一列，并返回最小值

dfg 是另一个DataFrame对象。相同地，.agg（）函数将会对dfg 中的所有列应用mymean这个聚合函数，并返回每列的最小值。