python基于pandas求取行列的和与均值

最新推荐文章于 2023-07-26 14:19:09 发布
最新推荐文章于 2023-07-26 14:19:09 发布
阅读量3.5k 收藏 10
点赞数 1
分类专栏： python零基础学习 文章标签： python 均值算法 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qhqlnannan/article/details/122079000
版权 
import pandas as pd

# DateFrame中，index为行索引，columns为列索引
##解决列名输出不对称问题
pd.set_option('display.unicode.ambiguous_as_wide',True)
pd.set_option('display.unicode.east_asian_width', True)
s1 = 'H:\pythonProject\COD1.csv'
s2 = pd.read_csv(s1, index_col=0)  # 指定第一列为行索引
print(s2)  # 输出原始数据
###Series结构索引
print('******---'*10)
#计算行的和
s2['行的和'] = s2.sum(axis=1)
print(s2)  # 输出原始数据-行的和
print('******---'*10)
#计算列的和
s2.loc['列的和'] = s2.sum(axis=0)
print(s2)  # 输出原始数据-列的和
print('******---'*10)
##求取均值
s2['行的均值'] = s2.mean(axis=1)#axis=1表示求行的均值
print(s2)  # 输出原始数据-行的均值
print('******---'*10)
s2.loc['列的均值'] = s2.sum(axis=0)
print(s2)  # 输出原始数据-列的均值
print('******---'*10)

结果为

H:\pythonProject\venv\Scripts\python.exe H:/pythonProject/main.py
           COD        b1        b2        b3        b4        b5
s1    6.246465  0.033064  0.044745  0.063753  0.046467  0.061651
s2    7.300000  0.032765  0.040027  0.060715  0.047964  0.062193
s3    7.151515  0.034787  0.044034  0.068569  0.047349  0.062583
s4    5.858586  0.038918  0.054270  0.070237  0.049240  0.063075
s5    7.458586  0.037524  0.047527  0.065471  0.046837  0.060580
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740
s10   2.828283  0.048858  0.057816  0.077516  0.056419  0.081748
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129
******---******---******---******---******---******---******---******---******---******---
           COD        b1        b2        b3        b4        b5     行的和
s1    6.246465  0.033064  0.044745  0.063753  0.046467  0.061651   6.496145
s2    7.300000  0.032765  0.040027  0.060715  0.047964  0.062193   7.543664
s3    7.151515  0.034787  0.044034  0.068569  0.047349  0.062583   7.408838
s4    5.858586  0.038918  0.054270  0.070237  0.049240  0.063075   6.134327
s5    7.458586  0.037524  0.047527  0.065471  0.046837  0.060580   7.716525
s6    7.458586  0.044111  0.055397  0.075133  0.052282  0.067838   7.753346
s7    7.022222  0.043152  0.056629  0.072561  0.052936  0.070106   7.317606
s8    7.846465  0.044698  0.061596  0.073882  0.053898  0.073508   8.154045
s9   10.561616  0.042522  0.060696  0.069076  0.051668  0.080740  10.866318
s10   2.828283  0.048858  0.057816  0.077516  0.056419  0.081748   3.150641
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129   8.810654
s12  12.581818  0.046677  0.067138  0.071816  0.052377  0.082932  12.902758
s11   8.492929  0.041209  0.058360  0.070019  0.053007  0.095129   8.810654
******---******---******---******---******---******---******---******---******---******---
              COD        b1        b2        b3        b4        b5      行的和
s1       6.246465  0.033064  0.044745  0.063753  0.046467  0.061651    6.496145
s2       7.300000  0.032765  0.040027  0.060715  0.047964  0.062193    7.543664
s3       7.151515  0.034787  0.044034  0.068569  0.047349  0.062583    7.408838
s4       5.858586  0.038918  0.054270  0.070237  0.049240  0.063075    6.134327
s5       7.458586  0.037524  0.047527  0.065471  0.046837  0.060580    7.716525
s6       7.458586  0.044111  0.055397  0.075133  0.052282  0.067838    7.753346
s7       7.022222  0.043152  0.056629  0.072561  0.052936  0.070106    7.317606
s8       7.846465  0.044698  0.061596  0.073882  0.053898  0.073508    8.154045
s9      10.561616  0.042522  0.060696  0.069076  0.051668  0.080740   10.866318
s10      2.828283  0.048858  0.057816  0.077516  0.056419  0.081748    3.150641
s11      8.492929  0.041209  0.058360  0.070019  0.053007  0.095129    8.810654
s12     12.581818  0.046677  0.067138  0.071816  0.052377  0.082932   12.902758
s11      8.492929  0.041209  0.058360  0.070019  0.053007  0.095129    8.810654
列的和  99.300000  0.529494  0.706596  0.908767  0.663452  0.957212  103.065521
******---******---******---******---******---******---******---******---******---******---
              COD        b1        b2  ...        b5      行的和   行的均值
s1       6.246465  0.033064  0.044745  ...  0.061651    6.496145   1.856041
s2       7.300000  0.032765  0.040027  ...  0.062193    7.543664   2.155332
s3       7.151515  0.034787  0.044034  ...  0.062583    7.408838   2.116811
s4       5.858586  0.038918  0.054270  ...  0.063075    6.134327   1.752665
s5       7.458586  0.037524  0.047527  ...  0.060580    7.716525   2.204722
s6       7.458586  0.044111  0.055397  ...  0.067838    7.753346   2.215242
s7       7.022222  0.043152  0.056629  ...  0.070106    7.317606   2.090745
s8       7.846465  0.044698  0.061596  ...  0.073508    8.154045   2.329727
s9      10.561616  0.042522  0.060696  ...  0.080740   10.866318   3.104662
s10      2.828283  0.048858  0.057816  ...  0.081748    3.150641   0.900183
s11      8.492929  0.041209  0.058360  ...  0.095129    8.810654   2.517330
s12     12.581818  0.046677  0.067138  ...  0.082932   12.902758   3.686502
s11      8.492929  0.041209  0.058360  ...  0.095129    8.810654   2.517330
列的和  99.300000  0.529494  0.706596  ...  0.957212  103.065521  29.447292

[14 rows x 8 columns]
******---******---******---******---******---******---******---******---******---******---
                 COD        b1        b2  ...        b5      行的和   行的均值
s1          6.246465  0.033064  0.044745  ...  0.061651    6.496145   1.856041
s2          7.300000  0.032765  0.040027  ...  0.062193    7.543664   2.155332
s3          7.151515  0.034787  0.044034  ...  0.062583    7.408838   2.116811
s4          5.858586  0.038918  0.054270  ...  0.063075    6.134327   1.752665
s5          7.458586  0.037524  0.047527  ...  0.060580    7.716525   2.204722
s6          7.458586  0.044111  0.055397  ...  0.067838    7.753346   2.215242
s7          7.022222  0.043152  0.056629  ...  0.070106    7.317606   2.090745
s8          7.846465  0.044698  0.061596  ...  0.073508    8.154045   2.329727
s9         10.561616  0.042522  0.060696  ...  0.080740   10.866318   3.104662
s10         2.828283  0.048858  0.057816  ...  0.081748    3.150641   0.900183
s11         8.492929  0.041209  0.058360  ...  0.095129    8.810654   2.517330
s12        12.581818  0.046677  0.067138  ...  0.082932   12.902758   3.686502
s11         8.492929  0.041209  0.058360  ...  0.095129    8.810654   2.517330
列的和     99.300000  0.529494  0.706596  ...  0.957212  103.065521  29.447292
列的均值  198.600000  1.058988  1.413193  ...  1.914423  206.131042  58.894583

[15 rows x 8 columns]
******---******---******---******---******---******---******---******---******---******---

进程已结束，退出代码为 0
qhqlnannan
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《Python数据分析与应用》实验二 pandas统计分析基础.pdf
10-26
"Python 数据分析与应用实验二 pandas 统计分析基础" 本实验主要介绍了使用 pandas 库进行统计分析的基础知识，涵盖了数据读取、描述性统计、数据提取、数据索引等方面的知识点。 1. 数据读取：使用 pandas 的 ...
Python如何求平均值?
最新发布
oldboyedu1的博客
04-02 3764
除了Python自带的函数，我们还可以使用第三方库Numpy来计算平均值。Nmupy是Python中专门用于科学计算的库，它包括了各种各样的数学函数，可以快速地进行数值计算。可以使用Python内置函数、Numpy库等，接下来是具体内容介绍。手动计算的好处是可以更好地理解平均值的计算方法。计算平均值的公式是所有数据之和除以数据的个数。最简单的方法就是使用Python内置的函数mean()，这个函数是statistics模块中的一部分，它可以计算一个序列的算术平均值。1、使用Python内置函数。
c++ map用法_Pandas数据处理三板斧——map、apply、applymap详解
weixin_39624705的博客
11-27 242
在日常的数据处理中，经常会对一个DataFrame进行逐行、逐列和逐元素的操作，对应这些操作，Pandas中的map、apply和applymap可以解决绝大部分这样的数据处理需求。这篇文章就以案例附带图解的方式，为大家详细介绍一下这三个方法的实现原理，相信读完本文后，不论是小白还是Pandas的进阶学习者，都会对这三个方法有更深入的理解。本文演示的数据集是模拟生成的，想练手的可以按下方的代码生成...
59_Pandas中使用describe获取每列的汇总统计信息（平均值、标准差等）
qq_18351157的博客
04-10 8703
使用 pandas.DataFrame 和 pandas.Series 的 describe() 方法，您可以获得汇总统计信息，例如每列的均值、标准差、最大值、最小值和众数。在此，对以下内容进行说明。示例代码中，以每列具有不同类型 dtype 的 pandas.DataFrame 为例。
Pandas对行/列求和
Bianca427的博客
05-29 6324
Pandas对行/列求和
Python数据分析常用方法手册.doc
03-15
在清洗和预处理后，可以使用`pandas`与其他库（如`numpy`、`scikit-learn`）进行统计分析、预测建模等复杂任务。 这些只是Python数据分析的基础操作，实际上，Python生态系统提供了大量高级功能，如时间序列分析、...
基于Python的NumPy Learning中文第二版
11-15
通过阅读《基于Python的NumPy Learning中文第二版》的PDF文档（1.rar.pdf），你将能够系统地学习和掌握NumPy，从而提升你的数据分析和科学计算能力，为后续学习Pandas、SciPy、Scikit-learn等Python科学计算库奠定...
python数据函数使用案例.rar
09-02
本资源"python数据函数使用案例.rar"显然包含了与Python中处理数据相关的实践示例，可能涵盖了读取、清洗、转换、分析数据等多个方面。这里我们将深入探讨Python中的几个关键数据处理库以及它们的相关函数。 首先，...
python实现酒瓶三原色分类 .pdf
10-11
3. **计算概率**：求出每个类别的样本均值和协方差矩阵。然后计算协方差矩阵的逆矩阵和行列式。这些值用于后续的后验概率计算。 4. **后验概率计算**：对于测试集中的每一个样本，我们计算其属于每个类别的后验概率...
pandas求一列中多行的最值、平均值等操作
热门推荐
leo_weile的博客
11-19 4万+
需求：当我们处理一行数据时，要求这一行中不同列的最值、最大值、最小值、均值等数据。 如例:  name Chinese Math English  PE tom 88 87 89 90 tony 98 97 99 90 leo 67 78 89 91 bob 90 89 ...
group by是否会用到索引_pandas索引,分组计算
weixin_39661881的博客
11-27 537
索引1.行索引#看一个一维数组的索引 s=pd.Series(np.random.randn(5),index=list('abcde')) s s.index#Series的索引 s.index.name='zrx'#给索引赋一个名字 #查询pandas里预置的索引的类 pd.*index? 2.重复索引#重复索引 s=pd.Series(np.arange(6),index=list('abc...
计算的三列数据的平均值,pandas存储
AI小白炼金术师
08-19 1819
数据展示 import pandas as pd import numpy as np import json from collections import Counter data = pd.read_excel("work/Test.xlsx") rows = data.shape[0] #行数 col = data.shape[1] #列数 user_index = list(data.columns.values)#行标签 print(user_index, "\n 一共有：{}行，{}列".
对数据集每隔一段进行求平均值
weixin_43336305的博客
07-20 4107
# -*- coding: utf-8 -*- """ Created on Fri Jul 12 19:42:13 2019 将数据集以1000为一段进行切分，并求每段的平均值 @author: 1701 """ import pandas as pd import matplotlib.pyplot as plt import numpy as np from scipy import sig...
【python】 pandas对数据的统计运算
weixin_39407597的博客
08-23 4627
常见的统计运算包括求和、平均值、极值，分别用到sum()、mean()、max()、min() 除此以外，还可以获取数值的分布情况、相关系数、创建透视表等
pandas求均值
重剑无锋博客
05-20 1万+
1.a.mean() 默认对每一列的数据求平均值；若加上参数a.mean(1)则对每一行求平均值； 均值归一化 df1 = df1.values #axis = 0：压缩行，对各列求均值 mean = np.mean(df1,axis=0) #均值归一化 df1 = df1-mean
python 计算均值、方差、标准差 Numpy，Pandas
DEVELOPERAA的博客
07-26 1万+
Python 中的 numpy 包 和 pandas 包都能够计算均值、方差等，本文总结一下它们的用法。
Pandas
doswynkfsw的博客
11-26 1145
pandas读.txt文件 使用read_csv就行
正态分布3σ原则
qhqlnannan的专栏
06-23 2万+
正态分布 也称高斯分布（Gaussian distribution）正态分布是一种概率分布。正态分布是具有两个参数μ（数学期望）和σ2（标准差）的连续型随机变量的分布，第一参数μ是遵从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ，σ2 )。遵从正态分布的随机变量的概率规律为取 μ邻近的值的概率大 ，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正态分布的密度函数的特点是：关于μ对称，在μ处达到最大值，在正（负）无穷远处取值为0，在μ±σ
pandas求某一列的均值
07-28
要求某一列的均值，可以使用pandas库中的mean()函数。假设你的数据框名为df，某一列名为column_name，你可以使用以下代码来计算均值： ```python mean_value = df[column_name].mean() ``` 这将返回该列的均值。你可以将column_name替换为你要计算均值的实际列名称。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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