跟着Datawhale动手学数据分析 3

使用concat方法合并表格

list_up = [data_left_up,data_right_up]
result_up = pd.concat(list_up,axis=1)
list_down = [data_left_down,data_right_down]
result_down = pd.concat(list_down,axis=1)
result = pd.concat([result_up,result_down])
result.head(10)

需要注意，dataframe中并没有concat方法。
axis的1表示横轴，方向从左到右；0表示纵轴，方向从上到下。当axis=1时，数组的变化是横向的，而体现出来的是列的增加或者减少。

使用DataFrame自带的join方法和append方法

result_up = data_left_up.join(data_right_up)
result_down = data_left_down.join(data_right_down)
result = result_up.append(result_down)
result.head(10)

将数据变为series类型

使用stack方法

data = pd.read_csv('result.csv')
unit_result=data.stack().head(20)

关系型数据库和SQL(Structured Query Language，结构化查询语言)流行的原因之一就是其能够方便地对数据进行连接、过滤、转换和聚 合。但是,像SQL这样的查询语言所能执行的分组运算的种类很有限。
借助Python和pandas强大的表达能力可以执行复杂 得多的分组运算(利用任何可以接受pandas对象或NumPy数组的函数)。

计算泰坦尼克号男性与女性的平均年龄

df = data['Age'].groupby(data['Sex'])
means = df.mean()
means

统计泰坦尼克号中男女的存活人数

survived = data['Survived'].groupby(data['Sex']).sum()
survived

统计泰坦尼克号中不同船舱的存活人数

survived_cabin = data['Survived'].groupby(data['Cabin']).sum()
survived_cabin

统计在不同等级的票中的不同年龄的船票花费的平均值

df = data.groupby(['Pclass','Age'])['Fare'].mean().head()
df

得出不同年龄的总的存活人数，然后找出存活人数的最高的年龄，最后计算存活人数最高的存活率（存活人数/总人数）

survived_age= data['Survived'].groupby(data['Age']).sum()
survived_age[survived_age.values==survived_age.max()]
sum = data['Survived'].sum()
percent = survived_age.max()/sum
print("最大存活率："+str(percent))