Python数据分析之Pandas(2)

数学建模自用

Python数据分析之Pandas(2)

import pandas as pd
import numpy as np
df = pd.read_excel(r"E:\python\作业3\movie_data.xlsx")#读入上次的数据
df[:5]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

2.1 数据格式转换

在做数据分析时，原始数据往往会因为各种各样的原因产生各种数据格式的问题
数据格式是我们非常需要注意的一点，数据格式错误往往会造成很严重的后果
很多异常值也是我们经过格式转换后才会发现，对我们规整数据，清洗数据有着重要的作用

查看格式

df["投票人数"].dtype

dtype(‘float64’)

df["投票人数"] = df["投票人数"].astype("int") #转换格式
df["投票人数"].dtype

dtype(‘int32’)

df[:5]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

df["产地"].dtype#'O'就是字符串格式

dtype(‘O’)

df["产地"] = df["产地"].astype("str")
df["产地"].dtype

dtype(‘O’)

将年份转化为整数格式

df["年代"] = df["年代"].astype("int") #有异常值会报错

df[df.年代 == "2008\u200e"] #找到异常数据

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
14934	狂蟒惊魂	544	恐怖	中国大陆	2008-04-08 00:00:00	93	2008‎	2.7	美国

df[df.年代 == "2008\u200e"]["年代"].values #后面是unicode的控制字符，使得其显示靠左，因此需要处理删除

array([‘2008\u200e’], dtype=object)

df.loc[14934,"年代"] = 2008 #修改数据
df.loc[14934]

名字 狂蟒惊魂
投票人数 544
类型 恐怖
产地 中国大陆
上映时间 2008-04-08 00:00:00
时长 93
年代 2008
评分 2.7
首映地点 美国
Name: 14934, dtype: object

df["年代"] = df["年代"].astype("int")
df["年代"][:5] #转换成功

0 1994
1 1957
2 1997
3 1994
4 1993
Name: 年代, dtype: int32

将时长转化为整数格式

df["时长"] = df["时长"].astype("int")

df[df["时长"] == "8U"] #寻找异常值，不知道怎么改的话可以删除

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
31169	一个被隔绝的世界	46	纪录片/短片	瑞典	2001-10-25 00:00:00	8U	1948	7.8	美国

df.drop([31169], inplace = True) #删除

df["时长"] = df["时长"].astype("int") #发现第二个错误

df[df["时长"] == "12J"]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
32458	渔业危机	41	纪录片	英国	2009-06-19 00:00:00	12J	2008	8.2	USA

df.drop([32458], inplace = True) #删数据

df["时长"] = df["时长"].astype("int")
df[:5]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港

2.2 排序

默认排序

df[:10]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
1	控方证人	42995	剧情/悬疑/犯罪	美国	1957-12-17 00:00:00	116	1957	9.5	美国
2	美丽人生	327855	剧情/喜剧/爱情	意大利	1997-12-20 00:00:00	116	1997	9.5	意大利
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
4	霸王别姬	478523	剧情/爱情/同性	中国大陆	1993-01-01 00:00:00	171	1993	9.4	香港
5	泰坦尼克号	157074	剧情/爱情/灾难	美国	2012-04-10 00:00:00	194	2012	9.4	中国大陆
6	辛德勒的名单	306904	剧情/历史/战争	美国	1993-11-30 00:00:00	195	1993	9.4	华盛顿首映
7	新世纪福音战士剧场版：Air/真心为你 新世紀エヴァンゲリオン劇場版 Ai	24355	剧情/动作/科幻/动画/奇幻	日本	1997-07-19 00:00:00	87	1997	9.4	日本
8	银魂完结篇：直到永远的万事屋 劇場版 銀魂 完結篇 万事屋よ	21513	剧情/动画	日本	2013-07-06 00:00:00	110	2013	9.4	日本
9	这个杀手不太冷	662552	剧情/动作/犯罪	法国	1994-09-14 00:00:00	133	1994	9.4	法国

按照投票人数进行排序

df.sort_values(by = "投票人数", ascending = False)[:5] #默认从小到大,先改为从大到小

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
0	肖申克的救赎	692795	剧情/犯罪	美国	1994-09-10 00:00:00	142	1994	9.6	多伦多电影节
9	这个杀手不太冷	662552	剧情/动作/犯罪	法国	1994-09-14 00:00:00	133	1994	9.4	法国
22	盗梦空间	642134	剧情/动作/科幻/悬疑/冒险	美国	2010-09-01 00:00:00	148	2010	9.2	中国大陆
3	阿甘正传	580897	剧情/爱情	美国	1994-06-23 00:00:00	142	1994	9.4	洛杉矶首映
99	三傻大闹宝莱坞	549808	剧情/喜剧/爱情/歌舞	印度	2011-12-08 00:00:00	171	2009	9.1	中国大陆

按照年代进行排序

df.sort_values(by = "年代")[:5]

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
1499	朗德海花园场景	650	短片	英国	1888-10-14	60	1888	8.7	美国
13791	利兹大桥	126	短片	英国	1888-10	60	1888	7.2	美国
25767	恶作剧	51	短片	美国	1905-03-04 00:00:00	60	1890	4.8	美国
10389	可怜的比埃洛	176	喜剧/爱情/动画/短片	法国	1892-10-28	60	1892	7.5	法国
21417	胚胎植入前遗传学筛查	69	纪录片/短片	美国	1894-05-18	60	1894	5.7	美国

多个值排序，先按照评分，再按照投票人数

df.sort_values(by = ["评分","投票人数"], ascending = False) #列表中的顺序决定先后顺序

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
9049	平安结祈 平安結	208	音乐	日本	2012-02-24 00:00:00	60	2012	9.9	美国
13625	武之舞	128	纪录片	中国大陆	1997-02-01 00:00:00	60	34943	9.9	美国
23190	未作回答的问题：伯恩斯坦哈佛六讲	61	纪录片	美国	1905-05-29 00:00:00	60	1973	9.9	美国
24880	索科洛夫：巴黎现场	43	音乐	法国	2002-11-04 00:00:00	127	2002	9.9	美国
11236	公园现场	163	音乐	英国	2012-12-03 00:00:00	60	2012	9.8	美国
...	...	...	...	...	...	...	...	...	...
2587	爸爸我来救你了	278	喜剧/动作/家庭/儿童/冒险	中国大陆	2016-01-22 00:00:00	90	2015	2.2	中国大陆
9984	大震撼	185	剧情	中国大陆	2011-05-19 00:00:00	60	2011	2.2	中国大陆
8816	钢管侠	168	动作	中国大陆	2015-07-28 00:00:00	60	2015	2.2	中国大陆
12884	嫁给大山的女人	2690	剧情	中国大陆	2009-04-22 00:00:00	88	2009	2.1	中国大陆
28663	都是手机惹的祸	42	喜剧	中国大陆	2013-01-18 00:00:00	60	2012	2.0	中国大陆

38167 rows × 9 columns

2.3 基本统计分析

（ 1 ）描述性统计

dataframe.describe()：对dataframe中的数值型数据进行描述性统计

df.describe()

	投票人数	时长	年代	评分
count	38167.000000	38167.000000	38167.000000	38167.000000
mean	6268.131291	89.475594	1998.805277	6.922154
std	26298.331602	83.763856	255.065396	1.263782
min	21.000000	1.000000	1888.000000	2.000000
25%	101.000000	60.000000	1990.000000	6.300000
50%	354.000000	93.000000	2005.000000	7.100000
75%	1798.500000	106.000000	2010.000000	7.800000
max	692795.000000	11500.000000	39180.000000	9.900000

通过描述性统计，可以发现一些异常值，很多异常值往往是需要我们逐步去发现的。

df[df["年代"] > 2024] #异常值

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
13625	武之舞	128	纪录片	中国大陆	1997-02-01 00:00:00	60	34943	9.9	美国
16823	妈妈回来吧-中国打工村的孩子	49	纪录片	日本	2007-04-08 00:00:00	109	39180	8.9	美国

df[df["时长"] > 1000] #异常值

	名字	投票人数	类型	产地	上映时间	时长	年代	评分	首映地点
19370	怒海余生	54	剧情/家庭/冒险	美国	1937-09-01 00:00:00	11500	1937	7.9	美国
38160	喧闹村的孩子们	36	家庭	瑞典	1986-12-06 00:00:00	9200	1986	8.7	瑞典

df.drop(df[df["年代"] > 2024].index, inplace = True)
df.drop(df[df["时长"] > 1000].index, inplace = True) #删除异常数据

df.index = range(len(df)) #解决删除后索引不连续的问题

（ 2 ）最值

df["投票人数"].max()

692795

df["投票人数"].min()

21

df["评分"].max()

9.9

df["评分"].min()

2.0

df["年代"].min()

1888

（ 3 ）均值和中值

df["投票人数"].mean()

6268.7812802976705

df["投票人数"].median()

354.0

df["评分"].mean()

6.921951515969917

df["评分"].median()

7.1

（ 4 ）方差和标准差

df["评分"].var()

1.5968697056255758

df["评分"].std()

1.263673100776295

（ 5 ）求和

df["投票人数"].sum()

239235500

（ 6 ）相关系数和协方差

df[["投票人数", "评分"]].corr()

	投票人数	评分
投票人数	1.000000	0.126953
评分	0.126953	1.000000

df[["投票人数", "评分"]].cov()

	投票人数	评分
投票人数	6.916707e+08	4219.174348
评分	4.219174e+03	1.596870

（ 7 ）计数

len(df)

38163

df["产地"].unique() #指定计数产地值

array([‘美国’, ‘意大利’, ‘中国大陆’, ‘日本’, ‘法国’, ‘英国’, ‘韩国’, ‘中国香港’, ‘阿根廷’, ‘德国’,
‘印度’, ‘其他’, ‘加拿大’, ‘波兰’, ‘泰国’, ‘澳大利亚’, ‘西班牙’, ‘俄罗斯’, ‘中国台湾’, ‘荷兰’,
‘丹麦’, ‘比利时’, ‘USA’, ‘苏联’, ‘巴西’, ‘瑞典’, ‘西德’, ‘墨西哥’], dtype=object)

len(df["产地"].unique())

28

产地中包含了一些重复的数据，比如美国和USA，德国和西德，俄罗斯和苏联

我们可以通过数据替换的方法将这些相同国家的电影数据合并一下。

df["产地"].replace("USA","美国",inplace = True) #第一个参数是要替换的值，第二个参数是替换后的值
df["产地"].replace(["西德","苏联"],["德国","俄罗斯"], inplace = True) #注意一一对应
len(df["产地"].unique())

25

df["年代"].unique()

array([1994, 1957, 1997, 1993, 2012, 2013, 2003, 2016, 2009, 2008, 2001,
1931, 1961, 2010, 2004, 1998, 1972, 1939, 2015, 1946, 2011, 1982,
1960, 2006, 1988, 2002, 1995, 1996, 1984, 2014, 1953, 2007, 2000,
1967, 1983, 1963, 1977, 1966, 1971, 1974, 1985, 1987, 1973, 1962,
1969, 1989, 1979, 1981, 1936, 1954, 1992, 1970, 1991, 2005, 1920,
1933, 1990, 1999, 1896, 1965, 1921, 1947, 1975, 1964, 1943, 1928,
1986, 1895, 1949, 1932, 1905, 1940, 1908, 1900, 1978, 1951, 1958,
1898, 1976, 1938, 1907, 1948, 1952, 1926, 1955, 1906, 1959, 1934,
1944, 1888, 1909, 1925, 1956, 1923, 1945, 1913, 1903, 1904, 1980,
1968, 1917, 1935, 1942, 1950, 1902, 1941, 1930, 1937, 1922, 1916,
1929, 1927, 1919, 1914, 1912, 1924, 1918, 1899, 1901, 1915, 1892,
1894, 1910, 1897, 1911, 1890, 2018])

len(df["年代"].unique())

127

计算每一年电影的数量：

df["年代"].value_counts(ascending = True)[:10] #默认从大到小

年代
2018 1
1890 1
1892 1
1888 2
1899 2
1898 2
1894 3
1897 3
1911 3
1901 4
Name: count, dtype: int64

电影产出前5的国家或地区：

df["产地"].value_counts()[:5]

产地
美国 11714
日本 5006
中国大陆 3791
中国香港 2847
法国 2787
Name: count, dtype: int64

保存数据

df.to_excel("movie_data2.xlsx")

2.4 数据透视

Excel中数据透视表的使用非常广泛，其实Pandas也提供了一个类似的功能，名为pivot_table。

使用pandas中的pivot_table的一个挑战是，你需要确保你理解你的数据，并清楚地知道你想通过透视表解决什么问题。虽然pivot_table看起来只是一个简单的函数，但是它能够快速地对数据进行强大的分析。

1、基础形式

pd.pivot_table(df, index = ["年代"],values = ["投票人数","时长","评分"]) #统计各个年代中所有数值型数据的均值（默认）

	投票人数	时长	评分
年代
1888	388.000000	60.000000	7.950000
1890	51.000000	60.000000	4.800000
1892	176.000000	60.000000	7.500000
1894	112.666667	60.000000	6.633333
1895	959.875000	60.000000	7.575000
...	...	...	...
2013	7694.106727	85.337380	6.375974
2014	7803.983931	86.354580	6.249384
2015	7954.999363	90.338432	6.121925
2016	7341.388889	91.646825	5.834524
2018	123456.000000	142.000000	6.935704

127 rows × 3 columns

若要展示数据时没有中间的省略号，可以使用options：
pd.options.display.max_rows = 100
pd.options.display.max_colmuns = 500

2、也可以有多个索引。实际上，大多数的pivot_table参数可以通过列表获取多个值。

pd.pivot_table(df, index = ["年代", "产地"],values = ["投票人数","时长","评分"]) #双索引

		投票人数	时长	评分
年代	产地
1888	英国	388.000000	60.000000	7.950000
1890	美国	51.000000	60.000000	4.800000
1892	法国	176.000000	60.000000	7.500000
1894	法国	148.000000	60.000000	7.000000
	美国	95.000000	60.000000	6.450000
...	...	...	...	...
2016	法国	44.666667	104.333333	7.300000
	美国	11224.225806	93.161290	6.522581
	英国	14607.272727	85.545455	7.200000
	韩国	1739.850000	106.100000	5.730000
2018	美国	123456.000000	142.000000	6.935704

1578 rows × 3 columns

3、还可以指定函数，来统计不同的统计值

pd.pivot_table(df, index = ["年代", "产地"], values = ["投票人数"], aggfunc = "sum")

		投票人数
年代	产地
1888	英国	776
1890	美国	51
1892	法国	176
1894	法国	148
	美国	190
...	...	...
2016	法国	134
	美国	695902
	英国	160680
	韩国	34797
2018	美国	123456

1578 rows × 1 columns

通过将“投票人数”列和“评分”列进行对应分组，对“产地”实现数据聚合和总结。

pd.pivot_table(df, index = ["产地"], values = ["投票人数", "评分"], aggfunc = ["sum", "mean"])

	sum		mean
	投票人数	评分	投票人数	评分
产地
中国台湾	5237466	4367.200000	8474.864078	7.066667
中国大陆	41380993	22984.800000	10915.587708	6.062991
中国香港	23179448	18430.200000	8141.709870	6.473551
丹麦	394745	1427.600000	2003.781726	7.246701
俄罗斯	486082	3597.200000	1021.180672	7.557143
其他	3048849	13607.900000	1619.144450	7.226713
加拿大	1362581	4769.600000	1921.834979	6.727221
印度	1146173	2443.900000	3219.587079	6.864888
墨西哥	139462	829.000000	1191.982906	7.085470
巴西	357027	716.000000	3606.333333	7.232323
德国	2679856	7338.300000	2624.736533	7.187365
意大利	2500842	5322.700000	3374.955466	7.183131
日本	17981631	36006.000000	3592.015781	7.192569
比利时	170449	986.000000	1244.153285	7.197080
法国	10208966	20186.500000	3663.066380	7.243093
波兰	159577	1347.000000	881.640884	7.441989
泰国	1564881	1796.100000	5322.724490	6.109184
澳大利亚	1415443	2051.300000	4798.111864	6.953559
瑞典	289794	1388.600000	1549.700535	7.425668
美国	101645832	81100.135704	8677.294861	6.923351
英国	13236409	19930.800000	4979.837848	7.498420
荷兰	144596	1081.200000	957.589404	7.160265
西班牙	1486383	3112.100000	3355.266366	7.025056
阿根廷	258085	819.100000	2283.938053	7.248673
韩国	8759930	8523.200000	6527.518629	6.351118

4、非数值（NaN）难以处理。如果想移除它们，可以使用“fill_value”将其设置为0。

pd.pivot_table(df, index = ["产地"], aggfunc = ["sum", "mean"],  values = ["投票人数","时长", "评分"] , fill_value = 0)

	sum			mean
	投票人数	时长	评分	投票人数	时长	评分
产地
中国台湾	5237466	53925	4367.200000	8474.864078	87.257282	7.066667
中国大陆	41380993	309031	22984.800000	10915.587708	81.517014	6.062991
中国香港	23179448	252111	18430.200000	8141.709870	88.553214	6.473551
丹麦	394745	17436	1427.600000	2003.781726	88.507614	7.246701
俄罗斯	486082	45744	3597.200000	1021.180672	96.100840	7.557143
其他	3048849	165057	13607.900000	1619.144450	87.656399	7.226713
加拿大	1362581	57140	4769.600000	1921.834979	80.592384	6.727221
印度	1146173	43058	2443.900000	3219.587079	120.949438	6.864888
墨西哥	139462	10839	829.000000	1191.982906	92.641026	7.085470
巴西	357027	8749	716.000000	3606.333333	88.373737	7.232323
德国	2679856	94196	7338.300000	2624.736533	92.258570	7.187365
意大利	2500842	77311	5322.700000	3374.955466	104.333333	7.183131
日本	17981631	425563	36006.000000	3592.015781	85.010587	7.192569
比利时	170449	11380	986.000000	1244.153285	83.065693	7.197080
法国	10208966	251524	20186.500000	3663.066380	90.249013	7.243093
波兰	159577	14613	1347.000000	881.640884	80.734807	7.441989
泰国	1564881	26002	1796.100000	5322.724490	88.442177	6.109184
澳大利亚	1415443	25250	2051.300000	4798.111864	85.593220	6.953559
瑞典	289794	17695	1388.600000	1549.700535	94.625668	7.425668
美国	101645832	1053980	81100.135704	8677.294861	89.976097	6.923351
英国	13236409	237129	19930.800000	4979.837848	89.213318	7.498420
荷兰	144596	11459	1081.200000	957.589404	75.887417	7.160265
西班牙	1486383	40271	3112.100000	3355.266366	90.905192	7.025056
阿根廷	258085	10458	819.100000	2283.938053	92.548673	7.248673
韩国	8759930	134225	8523.200000	6527.518629	100.018629	6.351118

5、加入margins = True，可以在下方显示一些总和数据(All)。

pd.pivot_table(df, index = ["产地"], values = ["投票人数","时长", "评分"], aggfunc = ["sum", "mean"], fill_value = 0, margins = True)

	sum			mean
	投票人数	时长	评分	投票人数	时长	评分
产地
中国台湾	5237466	53925	4367.200000	8474.864078	87.257282	7.066667
中国大陆	41380993	309031	22984.800000	10915.587708	81.517014	6.062991
中国香港	23179448	252111	18430.200000	8141.709870	88.553214	6.473551
丹麦	394745	17436	1427.600000	2003.781726	88.507614	7.246701
俄罗斯	486082	45744	3597.200000	1021.180672	96.100840	7.557143
其他	3048849	165057	13607.900000	1619.144450	87.656399	7.226713
加拿大	1362581	57140	4769.600000	1921.834979	80.592384	6.727221
印度	1146173	43058	2443.900000	3219.587079	120.949438	6.864888
墨西哥	139462	10839	829.000000	1191.982906	92.641026	7.085470
巴西	357027	8749	716.000000	3606.333333	88.373737	7.232323
德国	2679856	94196	7338.300000	2624.736533	92.258570	7.187365
意大利	2500842	77311	5322.700000	3374.955466	104.333333	7.183131
日本	17981631	425563	36006.000000	3592.015781	85.010587	7.192569
比利时	170449	11380	986.000000	1244.153285	83.065693	7.197080
法国	10208966	251524	20186.500000	3663.066380	90.249013	7.243093
波兰	159577	14613	1347.000000	881.640884	80.734807	7.441989
泰国	1564881	26002	1796.100000	5322.724490	88.442177	6.109184
澳大利亚	1415443	25250	2051.300000	4798.111864	85.593220	6.953559
瑞典	289794	17695	1388.600000	1549.700535	94.625668	7.425668
美国	101645832	1053980	81100.135704	8677.294861	89.976097	6.923351
英国	13236409	237129	19930.800000	4979.837848	89.213318	7.498420
荷兰	144596	11459	1081.200000	957.589404	75.887417	7.160265
西班牙	1486383	40271	3112.100000	3355.266366	90.905192	7.025056
阿根廷	258085	10458	819.100000	2283.938053	92.548673	7.248673
韩国	8759930	134225	8523.200000	6527.518629	100.018629	6.351118
All	239235500	3394146	264162.435704	6268.781280	88.938134	6.921952

6、对不同值执行不同的函数：可以向aggfunc传递一个字典。不过，这样做有一个副作用，那就是必须将标签做的更加整洁才行。

对各个产地的投票人数求和，对评分求均值：

pd.pivot_table(df, index = ["产地"], values = ["投票人数", "评分"], aggfunc = {"投票人数":"sum", "评分":"mean"}, fill_value = 0)

	投票人数	评分
产地
中国台湾	5237466	7.066667
中国大陆	41380993	6.062991
中国香港	23179448	6.473551
丹麦	394745	7.246701
俄罗斯	486082	7.557143
其他	3048849	7.226713
加拿大	1362581	6.727221
印度	1146173	6.864888
墨西哥	139462	7.085470
巴西	357027	7.232323
德国	2679856	7.187365
意大利	2500842	7.183131
日本	17981631	7.192569
比利时	170449	7.197080
法国	10208966	7.243093
波兰	159577	7.441989
泰国	1564881	6.109184
澳大利亚	1415443	6.953559
瑞典	289794	7.425668
美国	101645832	6.923351
英国	13236409	7.498420
荷兰	144596	7.160265
西班牙	1486383	7.025056
阿根廷	258085	7.248673
韩国	8759930	6.351118

对各个年份的投票人数求和，对评分求均值：

pd.pivot_table(df, index = ["年代"], values = ["投票人数", "评分"], aggfunc = {"投票人数":"sum", "评分":"mean"}, fill_value = 0, margins = True)

	投票人数	评分
年代
1888	776	7.950000
1890	51	4.800000
1892	176	7.500000
1894	338	6.633333
1895	7679	7.575000
...	...	...
2014	14570038	6.249384
2015	12481394	6.121925
2016	1850030	5.834524
2018	123456	6.935704
All	239235500	6.921952

128 rows × 2 columns

透视表过滤

table = pd.pivot_table(df, index = ["年代"], values = ["投票人数", "评分"], aggfunc = {"投票人数":"sum", "评分":"mean"}, fill_value = 0)
type(table)

pandas.core.frame.DataFrame

table[:5]

	投票人数	评分
年代
1888	776	7.950000
1890	51	4.800000
1892	176	7.500000
1894	338	6.633333
1895	7679	7.575000

1994年被誉为电影史上最伟大的一年，但是通过数据我们可以发现，1994年的平均得分其实并不是很高。1924年的电影均分最高。

table[table.index == 1994]

	投票人数	评分
年代
1994	5668165	7.25726

table.sort_values("评分", ascending = False)

	投票人数	评分
年代
1924	10382	8.059259
1928	16133	7.964103
1888	776	7.950000
1912	724	7.925000
1923	7611	7.811765
...	...	...
2013	15211249	6.375974
2014	14570038	6.249384
2015	12481394	6.121925
2016	1850030	5.834524
1890	51	4.800000

127 rows × 2 columns

同样的，我们也可以按照多个索引来进行汇总。

pd.pivot_table(df, index = ["产地", "年代"], values = ["投票人数", "评分"], aggfunc = {"投票人数":"sum", "评分":"mean"}, fill_value = 0)

		投票人数	评分
产地	年代
中国台湾	1963	121	6.400000
	1965	461	6.800000
	1966	51	7.900000
	1967	4444	8.000000
	1968	178	7.400000
...	...	...	...
韩国	2012	610317	6.035238
	2013	1130800	6.062037
	2014	453152	5.650833
	2015	349808	5.423853
	2016	34797	5.730000

1578 rows × 2 columns