当前位置：首页 > news >正文

Pandas数据分析教程，由浅入深讲解（四）

news 2026/5/24 18:01:03

（五）聚合函数

import numpy as np
import pandas as pd
# 聚合函数
df_index = ["Tony", "Alex", "Jack", "Mary", "Kelly"]
df_columns = ["语文", "数学", "英语", "物理"]
df = pd.DataFrame(data=np.random.randint(50,100,size=(5,4)), index=df_index, columns=df_columns)
print(df)
# 列方向求和
print(df.sum())  # 求每列即每科目分数的总和
print(df.mean())  # 求每列即每科目分数的平均值
# 行方向求和
print(df.sum(axis=1))  # 求每位同学分数的总和
print(df.mean(axis=1))  # 求每位同学分数的平均值# 求所有行列元素的和
print("df对象所有行列元素的和为：", end="")
print(df.sum().sum())# pandas中空值会被忽略
df.loc["Alex", "物理"] = np.nan
print(df)
print(df.sum())

归类、梳理后代码如下：

import numpy as np
import pandas as pd
# 聚合函数
df_index = ["Tony", "Alex", "Jack", "Mary", "Kelly"]
df_columns = ["语文", "数学", "英语", "物理"]
df = pd.DataFrame(data=np.random.randint(50,100,size=(5,4)), index=df_index, columns=df_columns)
# 设置一个空值，看聚合函数对空值的处理方式
df.loc["Jack", "物理"] = np.nanprint("=====初识成绩表（带空值）=====")
print(df)
# ==============================================
# 一、【最常用】统计聚合函数（默认 axis=0：按列统计）
# ==============================================
print("\n=====1、每科统计（列方向）=====")
print("每科总分：")
print(df.sum())  # 求每科（列）和，自动跳过（忽略）NaNprint("\n每科平均分：")
print(df.mean())  # 求每科（列）平均值，自动跳过（忽略）NaNprint("\n每科最高分：")
print(df.max())  # 求每科（列）最大值print("\n每科最低分：")
print(df.min())  # 求每科（列）最小值，自动跳过（忽略）NaNprint("\n每科中位数（中间分数）：")
print(df.median())  # 求每科（列）中位数print("\n每科标准差（分数波动情况）：")
print(df.std())  # 每科标准差，越大越不稳定，自动跳过（忽略）NaNprint("\n每科非空人数：")
print(df.count())  # 每科非空人数# ==============================================
# 二、按行聚合（每个学生），（ axis=1：按行统计）
# ==============================================
print("\n=====2、每个学生统计（行方向）=====")
print("每个学生的总分：")
print(df.sum(axis=1))  # 求每行的数据总和，即每个学生的总分，自动跳过（忽略）NaNprint("\n每个学生的平均分：")
print(df.mean(axis=1))print("\n每个学生的最高分：")
print(df.max(axis=1))print("\n每个学生分数中位数（中间分数）：")
print(df.median(axis=1))print("\n每个学生分数标准差（分数波动情况）：")
print(df.std(axis=1))  # 标准差越大这个学生各科分数越不稳定，自动跳过（忽略）NaN# ==============================================
# 三、全局聚合
# ==============================================
print("\n=====3、全局统计（整个表格）=====")
print("所有学生全科总分：", df.sum().sum())
print("全班所有科目平均分：", df.mean().mean())
print("全班最高分：", df.max().max())
print("全班最低分：", df.min().min())
print("全班中位数（中间分数）：", df.median().median())
print("全班标准差（分数波动情况）：", df.std().std())
print("全班非空人数：", df.count().sum())# =============================================
# 四、重要扩展idxmax()、idxmin()——最大最小值对应的行标签
# =============================================
print("\n=====4、使用扩展=====")
print("语文最高分是：", df["语文"].idxmax())
print("英语最低分是：", df["英语"].idxmin())
print("Tony同学的最高分科目是：", df.loc["Tony"].idxmax())

习题：

# 班级有张三、李四、王五、赵六四位同学，考试科目有Python、Java、C三门
# 1、假设score1是期中考试成绩，score2是期末考试成绩，请自由创建score1和score2,并将其相加，求期中期末平均值
# 2、假设张三期中考试Java作弊，要记为0分，如何实现？
# 3、李四因为举报张三作弊立功，其期中考试所有科目加10分，如何实现？
# 4、由于有一道题出错，要给所有学生加10分，如何实现？
# 5、Python老师想知道哪些同学Java成绩比Python好，如何实现？import numpy as np
import pandas as pdstudent_list = ["张三", "李四", "王五", "赵六"]
subject_list = ["Python", "Java", "C"]
score1 = pd.DataFrame(data=[[78, 72, 58],[89, 87, 77],[87, 91, 76],[93, 95, 98]],index=student_list,columns=subject_list
)
print("=====初始期中考试成绩表=====")
print(score1)
print("=====初始期中考试各科平均分=====")
print(score1.mean())
print("=====初始期中考试各学生平均分=====")
print(score1.mean(axis=1))score2 = pd.DataFrame(data=[[85, 91, 83],[81, 72, 66],[83, 88, 79],[91, 93, 96]],index=student_list,columns=subject_list
)
print("=====期末考试成绩表=====")
print(score2)
print("=====期末考试各科平均分=====")
print(score2.mean())
print("=====期末考试各学生平均分=====")
print(score2.mean(axis=1))print("=====初始期中和期末考试成绩总和表=====")
print(score1+score2)print("=====张三期中考试Java作弊，记为0分=====")
score1.loc["张三", "Java"] = 0
print("=====李四举报作弊期中考试各科加分=====")
score1.loc["李四"] += 10
# 如果加分后超满分，则设为100分
score1.loc["李四"] = score1.loc["李四"].mask(score1.loc["李四"] > 100, 100)
print("=====由于有一道题出错，期中考试所有学生各科加分10分=====")
score1 = score1 + 10
# 如果加分后超满分，则设为100分
score1 = score1.mask(score1 > 100, 100)
print("=====最终期中考试成绩表=====")
print(score1)
print("=====最终期中考试各科平均分=====")
print(score1.mean())
print("=====最终期中考试各学生平均分=====")
print(score1.mean(axis=1))print("=====最终期中和期末考试成绩总和表=====")
print((score1+score2)/2)print("=====期中考试Java成绩比Python好的同学名单=====")
condition = score1["Java"] > score1["Python"]
print(score1[condition].index.tolist())
print("=====期末考试Java成绩比Python好的同学名单=====")
condition = score2["Java"] > score2["Python"]
print(score2[condition].index.tolist())  # 理解上容易绕，与对象["列索引"]访问的是列不同，这里筛选的还是行
print(score2.loc[condition].index.tolist())  # 推荐使用loc[]访问行

（六）单层索引和多层级索引

*单层索引

import numpy as np
import pandas as pd
df = pd.DataFrame(data=np.random.randint(0,20,size=(5,3)), columns=list("ABC"))
print(df)print(df.index)  # 行索引
print(df.columns)  # 列索引
print(df.index.tolist())  # 行索引的列表形式
print(df.columns.tolist())  # 列索引的列表形式# 行列索引的修改、设置
# 常规方法
df.index = list("PQRST")
df.columns = ["maths", "english", "physics"]
print(df)# 定制方法
# 先通过Index\RangeIndex\DateTimeIndex\etc...创建一个索引对象
index1 = pd.Index(data=["haha", "hehe", "oooo", "lala", "uuuu"], name="SSSS")
index2 = pd.RangeIndex(0,10,2,name="numberssss")
# 再传递给df.index
df.index = index1
print(df)
df.index = index2
print(df)

*多层索引

# 多层索引
# 列索引的多层
LEVEL1 = ["第一期", "第二期"]
LEVEL2 = ["A", "B", "C"]
columns = pd.MultiIndex.from_product([LEVEL1, LEVEL2], names=["期数", "产品"])
index = ["lucy", "tom", "alex"]
# 上行列索引当然也可以通过如下Index设置
# index = pd.Index(data=["lucy", "tom", "alex"], name="姓名")
data = np.random.randint(0, 100, size=(3,6))df = pd.DataFrame(data=data, index=index,columns=columns)
print(df)# 行索引的多层
group = ["Group1", "Group2"]
sales = ["Anna", "Lisa", "Mina", "Fiona"]
index = pd.MultiIndex.from_product([group, sales], names=["Groups", "Sales"])
columns = pd.Index(data=["A", "B", "C", "D", "E"], name="product")
data = np.random.randint(0, 100, size=(8, 5))df = pd.DataFrame(data=data, index=index, columns=columns)
print(df)

习题：

创建一个DataFrame,表示出lucy,tom,jack本学期各科（python,java,c）成绩；获取lucy成绩的最高分是哪门课。获取tom的成绩，计算tom各学科的平均成绩。获取jack的python成绩，并加上20分。

import numpy as np
import pandas as pd
score_df = pd.DataFrame(data=np.random.randint(50,100,size=(3,3)),index=["Lucy", "Tom", "Jack"],columns=["Python", "Java", "C"]
)
print("=====本学期成绩表如下：=====")
print(score_df)
print("\n=====Lucy最高分科目如下：=====")
print(score_df.loc["Lucy"].idxmax())
print("\n=====Tom各科成绩如下:=====")
print(score_df.loc["Tom"].to_dict())
print("\n=====Tom各科平均分为:=====")
print(round(score_df.loc["Tom"].mean(),2))
print("\n=====Jack的Python成绩为:=====")
print(score_df.loc["Jack", "Python"])
print("\n=====给Jack的Python成绩加上20分:=====")
score_df.loc["Jack", "Python"] += 20
print(score_df)