pandas-实战

通过starbucks_store_worldwide.csv数据,获取中国每个省份的分布数量import pandas as pdimport numpy as npfrom matplotlib import pyplot as plt"""了解数据- 扣题:中国的市- 需求的数据 - Country - City- 有缺失值,是否要处理?count()获取非nan个数 """sb_df = pd.read_csv("starbucks_store_worldwid
摘要由CSDN通过智能技术生成

通过starbucks_store_worldwide.csv数据,获取中国每个省份的分布数量

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

"""
了解数据
- 扣题:中国的市
- 需求的数据
    - Country
    - City
- 有缺失值,是否要处理?count()获取非nan个数 
"""
sb_df = pd.read_csv("starbucks_store_worldwide.csv")
sb_df.info()
sb_df.head()

"""
法1
- 先获取 中国 的数据
- 再将 中国 的 市 进行分组
"""
# 布尔索引
CN_df = sb_df[sb_df["Country"] == "CN"]
CN_df

# 分组与聚合
# 通过count()进行聚合
# 选取没有空值的列
CN_df.groupby("City").count()["Brand"]

# 法2 
# 直接以 国家,市 进行分组
all_g_data = sb_df.groupby(["Country","City"]).count()
all_g_data.loc["CN"]

统计出911数据中不同月份的电话次数,并直观体现数据的变化情况

"""
需求:不用月份的电话次数 
- 时间:timeStamp
- 缺失值暂时不用处理。
"""
df = pd.read_csv("911.csv")
df.info()
df.head()

"""
时间以每月,降采样。时间序列
"""
# 将object 转为 时间序列
# pd.to_datetime(df["timeStamp"],format="%Y%m%d")
df["timeStamp"] = pd.to_datetime(df["timeStamp"])
df.dtypes      # datetime64[ns]

# 将 timeStamp 设置为 时间序列索引
df.set_index("timeStamp",inplace=True)
d
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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