Pandas - 数据分组统计_pandas分组计数


示例3:


        求各二级分类的七天点击量。首先按“二级分类”分类,而后进行分组统计求和。



df1 = df1.groupby(‘二级分类’)[‘七天点击量’].sum()


## 2.对分组数据进行迭代


示例1:


        按照“一级分类”分组,并且输出每一分类中的订单数据



抽取数据

df1 = df[[‘一级分类’,‘七天点击量’,‘订单预定’]]
for name, group in df.groupby(‘一级分类’)
print(name)
print(group)


        其中name是‘一级分类’, group是其他数据。因此使用groupby()函数对多列进行分组,那么需要在for循环中指定多列。


## 3.对分组的某列或多列使用聚合函数


Python也可以实现像SQL中的分组聚合运算操作,主要通过groupby()函数与agg()函数实现。


        以下代码实现:


        1. 以'一级分类'分组,求分组后的平均值与和


        2.以'一级分类'分组,求分组后'七天点击量'的平均值与和,求'订单预定'的和



df1.groupby(‘一级分类’).agg([‘mean’,‘sum’])

df1.groupby(‘一级分类’).agg({‘七天点击量’:[‘mean’,‘sum’],‘订单预定’:[‘sum’]})


我们可以通过自定义函数实现数组分组统计。书本p110


        以下代码实现:


        1.统计一月份销售数据中,购买次数最多的产品,及其人均购买数,人均花费,总购买数,总花费。



df = pd.read_excel(‘1月.xlsx’)
max1 = lambda x: x.value_counts(dropna=false).index[0]
df1 = df.agg({‘宝贝标题’:[max1],
‘数量’:[‘sum’,‘mean’],
‘卖家实际支付金额’:[‘sum’,‘mean’]})
print(df1)


## 4.通过字典和Series对象进行分组统计


##### 1.通过字典进行分组统计


        创建字典,df.groupby()函数通过字典内信息分组。 



import pandas as pd #导入pandas模块
#解决数据输出时列名不对齐的问题
pd.set_option(‘display.unicode.east_asian_width’, True)
df=pd.read_csv(‘JD.csv’,encoding=‘gbk’) #导入csv文件
df=df.set_index([‘商品名称’])
#创建字典
mapping={‘北京出库销量’:‘北上广’,‘上海出库销量’:‘北上广’,
‘广州出库销量’:‘北上广’,‘成都出库销量’:‘成都’,
‘武汉出库销量’:‘武汉’,‘西安出库销量’:‘西安’}
df1=df.groupby(mapping,axis=1).sum()
print(df1)


##### 2.通过Series对象进行分组统计


        创建一个Series对象,然后将Series对象传给groupby()函数实现数据分组。Series对象内放索引+值:如'北京出库销量',对应值'北上广'。



import pandas as pd #导入pandas模块
#解决数据输出时列名不对齐的问题
pd.set_option(‘display.unicode.east_asian_width’, True)
df=pd.read_csv(‘JD.csv’,encoding=‘gbk’) #导入csv文件
df=df.set_index([‘商品名称’])
data={‘北京出库销量’:‘北上广’,‘上海出库销量’:‘北上广’,
‘广州出库销量’:‘北上广’,‘成都出库销量’:‘成都’,
‘武汉出库销量’:‘武汉’,‘西安出库销量’:‘西安’,}
s1=pd.Series(data)
print(s1)
df1=df.groupby(s1,axis=1).sum()
print(df1)




《python数据分析》p106​​​​​​​



**自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。**

**深知大多数大数据工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!**

**因此收集整理了一份《2024年大数据全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。**
![img](https://img-blog.csdnimg.cn/img_convert/6d7d40bedfddeb0f25d05a644e75627c.png)
![img](https://img-blog.csdnimg.cn/img_convert/f74c06846dcc041cbb108c4c7a24c4ed.png)
![img](https://img-blog.csdnimg.cn/img_convert/aa9b01f08a8e56144470f1f0daff4028.png)
![img](https://img-blog.csdnimg.cn/img_convert/d3afdafc6281e0f78f580a401f5af5ad.png)
![img](https://img-blog.csdnimg.cn/img_convert/9fad71b9ab0bd6aaa3a531fef94d36cd.png)

**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上大数据开发知识点,真正体系化!**

**由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**

**如果你觉得这些内容对你有帮助,可以添加VX:vip204888 (备注大数据获取)**
![img](https://img-blog.csdnimg.cn/img_convert/ba070a1399038ef9e189af23a4bef07a.png)

大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**

**如果你觉得这些内容对你有帮助,可以添加VX:vip204888 (备注大数据获取)**
[外链图片转存中...(img-5RqkpAn4-1712856734997)]

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 使用 Pandas 的 `groupby()` 函数可以对数据进行分组。 例如: ``` import pandas as pd # 假设有一个包含多行多列的数据框(DataFrame) df = pd.DataFrame({'A': [1, 1, 2, 2], 'B': [3, 3, 4, 4], 'C': [5, 6, 7, 8]}) # 使用 A 列进行分组 grouped = df.groupby('A') # 对每组数据执行聚合运算(例如求和、平均值等) print(grouped.sum()) print(grouped.mean()) ``` 输出结果如下: ``` B C A 1 6 11 2 8 15 A B C 1 3.000000 5.500000 2 4.000000 7.000000 ``` 上面的代码将数据框按 A 列的值进行了分组,然后对每组数据分别求和和平均值。你也可以使用其他聚合运算,例如 `min()`、`max()`、`count()` 等。 希望这对你有帮助! ### 回答2: pandas是一个功能强大的Python数据分析库,可以方便地对数据进行处理和分析。其中的分组功能可以帮助我们对数据进行分组后的统计操作。 分组数据统计可以实现多种不同的功能,比如计算每个分组的总和、平均值、最大值、最小值等等。下面是使用pandas进行分组数据统计的基本步骤: 1. 导入pandas库:首先,我们需要导入pandas库,可以使用以下代码: ```python import pandas as pd ``` 2. 读取数据:接下来,我们需要读取要进行分组统计数据。可以使用pandas提供的`read_csv()`函数进行数据的读取: ```python df = pd.read_csv('data.csv') ``` 3. 分组数据:使用pandas的`groupby()`函数进行数据分组,可以根据某一列或多列的值进行分组。下面是根据某一列的值进行分组的示例: ```python grouped_data = df.groupby('column_name') ``` 4. 统计数据分组完成后,我们可以对分组后的数据进行各种统计操作。比如,可以计算每个分组的总和、平均值、最大值、最小值等。下面是计算每个分组的平均值的示例: ```python average_data = grouped_data.mean() ``` 5. 查看结果:最后,我们可以使用`print()`函数或者其他方式查看分组统计的结果: ```python print(average_data) ``` 以上就是使用pandas进行分组数据统计的基本步骤。通过pandas分组功能,我们可以方便地对数据进行分组后的统计操作,从而更好地理解和分析数据。 ### 回答3: Pandas分组数据统计是指使用Pandas库中的groupby函数将数据按照指定的列进行分组,并对每个组进行统计分析的操作。 在Pandas中,我们可以使用groupby函数将数据按照某一列或多列进行分组,形成一个分组对象。然后,我们可以对分组对象进行各种统计操作,比如计算均值、求和、计数等。 例如,我们有一个包含学生姓名、班级和成绩的数据集,我们可以使用groupby函数将数据按照班级进行分组: grouped_data = data.groupby('班级') 然后,我们可以对分组后的数据进行统计分析。比如,我们可以计算每个班级的平均成绩: average_score = grouped_data['成绩'].mean() 我们还可以计算每个班级的总分: total_score = grouped_data['成绩'].sum() 除了常见的统计函数,Pandas还提供了许多其他的函数,可以对分组对象进行更细致的统计分析。比如,我们可以使用describe函数计算每个班级的成绩的五数概括: score_summary = grouped_data['成绩'].describe() 这样我们就可以得到每个班级的最小值、最大值、均值、标准差等统计指标。 总之,Pandas分组数据统计功能可以帮助我们快速对数据进行分组,并完成各种统计分析。它极大地简化了数据统计和分析的过程,提高了数据处理的效率和灵活性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值