大学生恋爱情况分析

## 01数据导入

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.read_csv('D:\\pytest\mkc\\singledata\\data.csv', encoding = 'gbk')
print df.columns
df.head(2)

Index([u’恋爱次数’, u’年级’, u’性别’, u’追过人数’, u’被追人数’, u’每周自习时间’, u’每周娱乐时间’, u’每周睡觉时间’, u’每周运动时间’, u’每月话费’, u’学生组织个数’, u’班干部’, u’党员’, u’足球’, u’篮球’, u’乒乓球’, u’羽毛球’, u’跑步’, u’台球’, u’唱歌’, u’主持’, u’舞蹈’, u’乐器’, u’其他才艺’, u’家乡’, u’成绩水平’, u’生活费_百元’, u’寝室同学情况’, u’身高’, u’体重’, u’眼镜’, u’颜值’], dtype=’object’)

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	恋爱次数	年级	性别	追过人数	被追人数	每周自习时间	每周娱乐时间	每周睡觉时间	每周运动时间	每月话费	…	乐器	其他才艺	家乡	成绩水平	生活费_百元	寝室同学情况	身高	体重	眼镜	颜值
0	5	大三	女	2	4	37	24	55	10	45	…	否	是	1一线城市	1	25	1	168	56.0	不戴眼镜	4
1	4	大一	女	1	5	6	10	40	9	100	…	否	是	1一线城市	39	20	1	158	47.0	戴眼镜	9

2 rows × 32 columns

## 02 数据预处理

df.info()

### 值替换 为了便于研究，将汉字转为英语单词，有的值用到在替换

df[u"性别"].replace([u"女",u"男"],["female","male"],inplace=True)
df[u'年级'].replace([u'大一', u'大二', u'大三', u'大四'], ['freshman', 'sophomore', 'junior', 'senior'], inplace = True)
df[u"眼镜"].replace([u"戴眼镜",u"不戴眼镜"],["wear","not_wear"],inplace=True)
df

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	恋爱次数	年级	性别	追过人数	被追人数	每周自习时间	每周娱乐时间	每周睡觉时间	每周运动时间	每月话费	…	乐器	其他才艺	家乡	成绩水平	生活费_百元	寝室同学情况	身高	体重	眼镜	颜值
0	5	junior	female	2	4	37	24	55	10	45	…	否	是	1一线城市	1	25	1	168	56.0	not_wear	4
1	4	freshman	female	1	5	6	10	40	9	100	…	否	是	1一线城市	39	20	1	158	47.0	wear	9
2	3	senior	male	1	3	14	16	50	20	100	…	否	是	3三线城市	85	20	1	180	78.0	not_wear	8
3	2	senior	female	0	3	10	14	60	20	100	…	否	是	5农村	30	10	1	168	54.0	wear	5
4	1	junior	male	0	3	21	5	42	20	100	…	否	是	1一线城市	50	45	1	182	85.0	not_wear	10
5	1	sophomore	male	1	2	27	8	49	7	38	…	否	是	4县级市	30	30	1	177	67.0	wear	7
6	1	junior	female	2	5	32	3	57	5	50	…	是	否	5农村	50	10	1	161	57.0	wear	7
7	5	senior	female	0	8	8	41	63	6	30	…	是	否	2二线城市	45	40	1	176	65.0	wear	5
8	4	sophomore	male	2	3	27	25	76	11	45	…	否	是	4县级市	26	21	1	175	77.0	wear	8
9	4	senior	female	1	7	35	22	57	10	36	…	是	否	5农村	35	15	1	165	53.0	wear	5
10	4	senior	female	3	10	50	7	44	9	40	…	否	是	2二线城市	50	20	1	168	54.0	wear	6
11	4	senior	female	1	6	20	4	60	3	49	…	是	否	4县级市	60	20	1	163	50.0	not_wear	6
12	4	sophomore	female	0	4	30	30	49	0	60	…	是	否	1一线城市	30	30	1	166	45.0	wear	10
13	4	senior	female	0	6	29	19	55	6	40	…	是	是	1一线城市	43	14	1	159	46.0	not_wear	8
14	3	senior	male	3	3	3	6	57	2	50	…	是	否	3三线城市	25	21	1	178	88.0	wear	10
15	3	senior	male	5	3	20	19	44	4	79	…	是	否	2二线城市	36	25	1	172	90.0	wear	5
16	3	senior	female	1	6	36	20	60	14	100	…	是	否	3三线城市	42	32	1	160	48.0	not_wear	5
17	3	senior	male	4	7	10	20	56	7	50	…	否	是	2二线城市	75	20	1	170	57.0	not_wear	5
18	3	senior	female	1	5	0	27	60	0	50	…	否	是	4县级市	13	20	1	158	53.0	not_wear	8
19	3	senior	female	0	5	2	4	80	5	60	…	否	是	2二线城市	30	100	1	160	50.0	not_wear	5
20	3	senior	female	1	1	13	50	60	4	67	…	是	否	3三线城市	40	20	1	157	50.0	wear	6
21	3	senior	male	3	5	15	32	63	4	71	…	否	是	2二线城市	21	14	1	179	68.0	not_wear	8
22	3	sophomore	male	6	2	20	20	60	10	100	…	否	否	2二线城市	91	25	1	183	93.0	wear	6
23	2	senior	female	0	4	17	10	58	7	60	…	是	否	3三线城市	10	22	1	166	57.0	wear	7
24	2	senior	female	0	2	20	9	49	6	100	…	是	否	3三线城市	15	20	1	160	57.5	wear	8
25	2	junior	male	2	4	5	4	70	18	15	…	是	否	4县级市	28	9	1	180	75.0	wear	4
26	2	junior	female	0	10	30	10	35	10	28	…	否	否	3三线城市	30	20	1	170	50.0	wear	5
27	2	junior	female	0	1	23	9	56	2	38	…	是	否	1一线城市	50	15	1	168	48.0	not_wear	6
28	2	junior	male	1	3	30	19	50	4	100	…	是	否	2二线城市	60	16	1	180	75.0	wear	5
29	2	junior	male	2	1	21	2	21	8	41	…	否	是	2二线城市	39	14	1	170	66.0	wear	7
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
263	0	freshman	female	0	5	43	5	49	3	31	…	是	否	2二线城市	100	30	0	163	50.0	wear	8
264	0	freshman	female	0	0	8	3	50	3	38	…	是	否	3三线城市	100	13	0	164	53.0	wear	10
265	0	freshman	female	1	1	7	2	44	1	38	…	否	否	3三线城市	31	15	0	159	52.5	not_wear	5
266	0	sophomore	female	0	3	10	10	60	0	50	…	否	是	3三线城市	0	15	0	153	48.0	not_wear	5
267	0	senior	male	4	3	20	12	50	16	80	…	否	是	5农村	60	7	0	165	55.0	not_wear	8
268	0	junior	male	0	0	31	25	38	14	37	…	是	否	2二线城市	71	0	0	173	60.0	wear	7
269	0	freshman	male	2	1	20	6	49	7	39	…	是	否	4县级市	47	20	0	155	49.0	not_wear	7
270	0	freshman	male	0	0	6	8	52	2	30	…	否	否	4县级市	20	15	0	175	52.0	wear	10
271	0	senior	female	0	0	14	20	50	3	40	…	是	否	3三线城市	50	15	0	156	50.0	wear	5
272	0	senior	female	1	3	34	17	50	5	63	…	否	否	5农村	30	9	0	156	49.0	not_wear	10
273	0	freshman	male	0	1	10	11	50	5	80	…	否	是	4县级市	100	15	0	171	60.0	wear	8
274	0	sophomore	male	0	0	36	3	56	1	21	…	否	是	5农村	66	10	0	155	49.0	not_wear	10
275	0	sophomore	female	0	3	14	14	55	7	100	…	否	是	4县级市	80	100	0	167	57.0	not_wear	8
276	0	senior	female	1	4	35	17	55	7	100	…	是	否	3三线城市	47	25	0	161	48.0	not_wear	9
277	0	junior	female	0	5	30	21	58	0	31	…	否	是	1一线城市	4	9	0	167	52.0	wear	5
278	0	senior	female	1	0	9	16	57	0	100	…	否	是	5农村	100	15	0	158	47.0	wear	2
279	0	sophomore	female	0	5	7	2	55	2	50	…	否	是	2二线城市	20	10	0	168	53.0	not_wear	5
280	0	sophomore	male	1	0	20	20	46	0	36	…	否	否	2二线城市	50	20	0	181	61.0	not_wear	2
281	0	freshman	female	0	5	10	3	56	8	20	…	是	是	2二线城市	1	34	0	165	45.0	not_wear	7
282	0	sophomore	female	1	3	2	8	55	5	20	…	否	是	3三线城市	50	22	0	170	53.0	not_wear	5
283	0	sophomore	female	0	4	20	1	45	2	20	…	是	否	1一线城市	50	8	0	160	55.0	not_wear	8
284	0	junior	female	6	0	32	14	62	3	47	…	是	否	4县级市	40	23	0	162	65.0	wear	7
285	0	senior	female	2	5	14	42	49	12	100	…	是	否	2二线城市	29	100	0	161	60.0	wear	7
286	0	senior	male	1	0	50	16	42	7	100	…	是	否	2二线城市	30	29	0	189	101.0	wear	5
287	0	senior	female	0	2	10	15	50	2	23	…	是	否	2二线城市	50	100	0	165	50.5	wear	7
288	0	sophomore	male	2	2	30	1	50	2	60	…	是	否	3三线城市	73	18	0	176	68.0	wear	8
289	0	senior	female	0	2	40	17	55	2	50	…	是	否	3三线城市	20	100	0	160	49.0	wear	4
290	0	sophomore	male	0	0	10	20	56	0	50	…	是	否	2二线城市	55	100	0	184	90.0	wear	3
291	0	sophomore	male	0	2	5	14	50	4	58	…	否	是	2二线城市	50	12	0	175	64.0	not_wear	5
292	0	sophomore	female	0	0	24	16	51	6	20	…	否	否	2二线城市	40	100	0	162	64.0	wear	5

293 rows × 32 columns

## 03描述性分析 1，恋爱次数分析

grouped = df.groupby([u'恋爱次数']).count()[u'年级']# 不懂
grouped

恋爱次数 0 82 1 110 2 54 3 27 4 18 5 2 Name: 年级, dtype: int64

print '平均恋爱次数: ', df[u'恋爱次数'].mean()
print '恋爱次数的中位数： ', df[u'恋爱次数'].median()
grouped.plot(kind = 'bar', color = 'gray', align = 'center')
plt.xlabel('Times')
plt.ylabel('counts(person)')

平均恋爱次数: 1.30034129693 恋爱次数的中位数： 1.0

grouped1 = df.groupby([u'被追人数']).count()[u'年级']
grouped1

被追人数 0 75 1 47 2 33 3 44 4 17 5 31 6 13 7 5 8 6 9 3 10 19 Name: 年级, dtype: int64

print "平均被追人数：",df[u'被追人数'].mean()
print "被追人数的中位数：",df[u'被追人数'].median()
grouped1.plot(kind = 'bar', color = 'gray', align = 'center')
plt.xlabel('Times')
plt.ylabel('counts(person)')

平均被追人数： 2.88737201365 被追人数的中位数： 2.0

grouped2 = df.groupby([u'追过人数']).count()[u'年级']
grouped2

追过人数 0 134 1 82 2 44 3 18 4 6 5 3 6 4 7 1 10 1 Name: 年级, dtype: int64

print "平均追过人数：",df[u'追过人数'].mean()
print "追过人数的中位数：",df[u'追过人数'].median()
grouped1.plot(kind = 'bar', color = 'gray', align = 'center')
plt.xlabel('Times')
plt.ylabel('counts(person)')

平均追过人数： 1.03754266212 追过人数的中位数： 1.0 ## 探索性分析（1） 1，恋爱次数与性别关系 先统计男女比列

grouped0 = df.groupby([u'性别']).count()[u'年级']
grouped0

性别 female 149 male 144 Name: 年级, dtype: int64

grouped0.plot(kind = 'bar', color = 'r')
plt.ylabel('numbers')

grouped3 = df.groupby([u'恋爱次数', u'性别']).count()[u'年级']
grouped3

恋爱次数 性别 0 female 38 male 44 1 female 54 male 56 2 female 29 male 25 3 female 11 male 16 4 female 15 male 3 5 female 2 Name: 年级, dtype: int64

grouped3.plot(kind = 'bar', stacked = 'True', 
              color = ['g','b'], label = 'female')#为毛color不对啊
plt.xlabel('Times&sex')
plt.ylabel('counts(person)')
plt.legend()

#grouped4 = df.groupby([u'被人追数', u'性别']).count()[u'年级']
grouped4=df.groupby([u'被追人数',u'性别']).count()[u"年级"]
grouped4

被追人数 性别 0 female 25 male 50 1 female 12 male 35 2 female 15 male 18 3 female 20 male 24 4 female 12 male 5 5 female 27 male 4 6 female 11 male 2 7 female 4 male 1 8 female 5 male 1 9 female 3 10 female 15 male 4 Name: 年级, dtype: int64

grouped4.plot(kind="bar",stacked=True,color=['r', 'g'],label=("female"))
plt.xlabel('Times&sex')
plt.ylabel('counts(person)')
plt.legend()

grouped5=df.groupby([u'追过人数',u'性别']).count()[u"年级"]
grouped5

追过人数 性别 0 female 92 male 42 1 female 37 male 45 2 female 16 male 28 3 female 2 male 16 4 female 1 male 5 5 male 3 6 female 1 male 3 7 male 1 10 male 1 Name: 年级, dtype: int64

grouped5.plot(kind="bar",stacked=True,color=['r', 'g'],label=("female"))
plt.xlabel('Times&sex')
plt.ylabel('counts(person)')
plt.legend()

grouped5=df.groupby([u'被追人数',u'颜值']).count()[u"年级"]
grouped5

被追人数 颜值 0 0 8 1 3 2 6 3 4 4 3 5 20 6 8 7 7 8 4 9 4 10 8 1 2 1 4 7 5 16 6 6 7 9 8 4 9 3 10 1 2 2 1 4 4 5 7 6 6 7 5 8 5 9 4 10 1 3 3 1 4 2 5 12 .. 5 3 1 4 2 5 5 6 4 7 8 8 5 9 2 10 3 6 0 1 5 1 6 1 8 7 9 3 7 5 3 6 1 7 1 8 5 4 6 1 9 1 9 7 2 10 1 10 1 1 3 1 4 1 5 3 6 1 7 2 8 1 9 5 10 4 Name: 年级, Length: 74, dtype: int64

grouped5.plot(kind="bar",stacked=True,color=['r', 'g'],label=("female"))
plt.xlabel('Times&sex')
plt.ylabel('counts(person)')
#plt.legend()

## 04探索性分析（2） 那些没追过别人和没被别人追过的孩子又会有啥不一样的呢

zero=df[df[u"恋爱次数"]==0]#筛选出恋爱次数为0的同学
zero.head(5)

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	恋爱次数	年级	性别	追过人数	被追人数	每周自习时间	每周娱乐时间	每周睡觉时间	每周运动时间	每月话费	…	乐器	其他才艺	家乡	成绩水平	生活费_百元	寝室同学情况	身高	体重	眼镜	颜值
76	0	senior	male	0	0	50	45	70	0	70	…	否	是	3三线城市	30	13	1	170	59.0	wear	0
77	0	junior	male	0	0	5	45	63	5	0	…	是	否	3三线城市	10	7	1	171	70.0	wear	0
78	0	junior	female	0	0	6	4	60	1	30	…	否	是	3三线城市	60	12	1	160	61.0	wear	5
79	0	senior	female	3	2	16	11	56	10	38	…	否	是	1一线城市	31	8	1	162	50.0	wear	6
80	0	senior	male	0	0	35	25	42	5	40	…	否	是	5农村	55	10	1	175	72.0	wear	5

5 rows × 32 columns

1、恋爱与男女比例关系

先统计没有恋爱经验的男女比例

grouped7=zero.groupby([u"性别"]).count()[u"年级"]
grouped7.plot(kind="bar",color="gray")
plt.xlabel('sex')
plt.ylabel('counts(people)')

grouped8 = zero.groupby([u'年级']).count()[u'性别']
grouped8

年级 freshman 19 junior 12 senior 33 sophomore 18 Name: 性别, dtype: int64

grouped8.plot(kind = 'bar', color = 'gray')
plt.xlabel('grade')
plt.ylabel('counts(peopel)')

### 统计男性身高

grouped9 = df[df[u"性别"] == "male"]
grouped9

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	恋爱次数	年级	性别	追过人数	被追人数	每周自习时间	每周娱乐时间	每周睡觉时间	每周运动时间	每月话费	…	乐器	其他才艺	家乡	成绩水平	生活费_百元	寝室同学情况	身高	体重	眼镜	颜值
2	3	senior	male	1	3	14	16	50	20	100	…	否	是	3三线城市	85	20	1	180	78.0	not_wear	8
4	1	junior	male	0	3	21	5	42	20	100	…	否	是	1一线城市	50	45	1	182	85.0	not_wear	10
5	1	sophomore	male	1	2	27	8	49	7	38	…	否	是	4县级市	30	30	1	177	67.0	wear	7
8	4	sophomore	male	2	3	27	25	76	11	45	…	否	是	4县级市	26	21	1	175	77.0	wear	8
14	3	senior	male	3	3	3	6	57	2	50	…	是	否	3三线城市	25	21	1	178	88.0	wear	10
15	3	senior	male	5	3	20	19	44	4	79	…	是	否	2二线城市	36	25	1	172	90.0	wear	5
17	3	senior	male	4	7	10	20	56	7	50	…	否	是	2二线城市	75	20	1	170	57.0	not_wear	5
21	3	senior	male	3	5	15	32	63	4	71	…	否	是	2二线城市	21	14	1	179	68.0	not_wear	8
22	3	sophomore	male	6	2	20	20	60	10	100	…	否	否	2二线城市	91	25	1	183	93.0	wear	6
25	2	junior	male	2	4	5	4	70	18	15	…	是	否	4县级市	28	9	1	180	75.0	wear	4
28	2	junior	male	1	3	30	19	50	4	100	…	是	否	2二线城市	60	16	1	180	75.0	wear	5
29	2	junior	male	2	1	21	2	21	8	41	…	否	是	2二线城市	39	14	1	170	66.0	wear	7
31	2	sophomore	male	2	0	35	2	55	12	40	…	否	是	3三线城市	20	7	1	174	62.0	not_wear	4
33	2	junior	male	1	8	18	18	56	12	100	…	否	是	4县级市	52	20	1	175	66.0	wear	9
34	2	senior	male	1	1	7	24	51	6	100	…	是	否	1一线城市	51	27	1	169	62.0	wear	4
35	2	senior	male	3	3	0	3	56	5	60	…	否	是	2二线城市	40	100	1	180	73.0	wear	10
36	2	senior	male	2	2	20	2	49	1	41	…	否	是	5农村	51	9	1	172	58.0	wear	7
38	2	senior	male	2	0	8	30	50	1	100	…	否	否	3三线城市	18	22	1	183	68.0	wear	9
44	1	senior	male	2	6	50	5	54	7	54	…	否	是	2二线城市	2	14	1	187	80.0	wear	8
45	1	junior	male	2	1	16	5	63	4	75	…	否	是	4县级市	58	24	1	168	51.0	wear	4
48	1	freshman	male	1	0	2	1	59	4	25	…	是	否	4县级市	50	16	1	171	57.0	wear	5
49	1	junior	male	1	2	25	11	49	7	49	…	是	否	4县级市	70	8	1	174	65.0	not_wear	7
52	1	freshman	male	1	1	18	12	53	5	49	…	否	是	3三线城市	48	14	1	180	61.0	wear	6
55	1	junior	male	1	4	50	1	40	1	45	…	是	否	3三线城市	2	15	1	184	72.0	wear	4
57	1	junior	male	1	1	20	23	50	10	40	…	否	是	2二线城市	40	10	1	183	62.0	not_wear	7
60	1	freshman	male	1	0	20	10	40	6	100	…	是	是	3三线城市	80	10	1	182	90.0	not_wear	8
62	1	junior	male	0	1	28	8	53	8	50	…	是	是	3三线城市	62	19	1	168	58.0	wear	7
63	1	senior	male	3	3	9	30	56	6	25	…	否	是	5农村	100	9	1	176	75.0	wear	3
68	1	sophomore	male	1	2	9	22	70	4	51	…	否	是	2二线城市	63	40	1	170	52.0	wear	9
70	1	sophomore	male	1	3	40	6	42	3	50	…	否	是	3三线城市	45	20	1	183	80.0	wear	6
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
230	3	junior	male	6	1	10	8	63	6	30	…	否	是	1一线城市	100	20	0	175	55.0	wear	5
232	3	senior	male	10	1	1	40	50	10	100	…	否	否	2二线城市	50	60	0	173	64.0	wear	5
233	3	senior	male	1	3	50	40	54	0	62	…	否	是	2二线城市	1	11	0	185	72.0	wear	10
234	2	junior	male	2	0	24	36	64	14	40	…	是	否	3三线城市	50	12	0	184	62.0	wear	6
236	2	freshman	male	1	1	33	10	54	11	40	…	是	否	3三线城市	34	15	0	174	88.0	wear	4
238	1	sophomore	male	0	2	21	14	40	10	20	…	是	否	2二线城市	10	15	0	185	65.0	wear	5
241	1	freshman	male	0	3	6	18	43	7	20	…	否	是	2二线城市	74	10	0	181	72.0	wear	10
242	1	freshman	male	0	1	14	17	55	18	50	…	否	是	1一线城市	100	20	0	186	71.0	wear	5
243	1	senior	male	2	0	0	15	55	6	40	…	否	否	2二线城市	1	16	0	185	85.0	wear	4
244	1	freshman	male	2	2	20	31	40	1	30	…	否	否	1一线城市	98	24	0	180	65.0	wear	6
245	1	senior	male	2	1	15	49	59	10	35	…	是	否	3三线城市	58	10	0	181	86.0	wear	9
246	1	junior	male	1	3	10	7	56	1	36	…	否	否	3三线城市	50	20	0	170	65.0	wear	5
247	1	junior	male	3	4	11	33	70	4	16	…	是	否	4县级市	100	25	0	175	62.0	wear	10
249	1	sophomore	male	1	0	20	31	56	1	50	…	是	否	4县级市	50	20	0	181	60.0	wear	10
255	1	senior	male	1	0	50	2	56	0	30	…	否	是	3三线城市	55	12	0	176	79.0	wear	2
257	1	senior	male	1	1	7	28	42	1	30	…	是	否	3三线城市	30	10	0	180	73.0	wear	6
258	1	senior	male	1	2	10	50	55	0	30	…	否	是	2二线城市	80	15	0	179	85.0	wear	5
259	0	freshman	male	0	1	20	16	50	6	100	…	否	是	2二线城市	50	15	0	179	61.0	not_wear	8
262	0	freshman	male	0	0	20	27	54	8	36	…	否	是	3三线城市	100	6	0	172	59.0	wear	0
267	0	senior	male	4	3	20	12	50	16	80	…	否	是	5农村	60	7	0	165	55.0	not_wear	8
268	0	junior	male	0	0	31	25	38	14	37	…	是	否	2二线城市	71	0	0	173	60.0	wear	7
269	0	freshman	male	2	1	20	6	49	7	39	…	是	否	4县级市	47	20	0	155	49.0	not_wear	7
270	0	freshman	male	0	0	6	8	52	2	30	…	否	否	4县级市	20	15	0	175	52.0	wear	10
273	0	freshman	male	0	1	10	11	50	5	80	…	否	是	4县级市	100	15	0	171	60.0	wear	8
274	0	sophomore	male	0	0	36	3	56	1	21	…	否	是	5农村	66	10	0	155	49.0	not_wear	10
280	0	sophomore	male	1	0	20	20	46	0	36	…	否	否	2二线城市	50	20	0	181	61.0	not_wear	2
286	0	senior	male	1	0	50	16	42	7	100	…	是	否	2二线城市	30	29	0	189	101.0	wear	5
288	0	sophomore	male	2	2	30	1	50	2	60	…	是	否	3三线城市	73	18	0	176	68.0	wear	8
290	0	sophomore	male	0	0	10	20	56	0	50	…	是	否	2二线城市	55	100	0	184	90.0	wear	3
291	0	sophomore	male	0	2	5	14	50	4	58	…	否	是	2二线城市	50	12	0	175	64.0	not_wear	5

144 rows × 32 columns

age_train_p=grouped9[u"身高"]
age_train_p

age_train_p[age_train_p < 170]

34     169
45     168
62     168
81     168
99     169
121    130
122    168
138    163
173    169
202    164
213    167
267    165
269    155
274    155
Name: 身高, dtype: int64

ages=np.arange(150,200,5) #150~200岁，每10厘米一段（年龄最小153，最大为192）

age_cut=pd.cut(age_train_p,ages) #待分组值，分组条件

age_cut_grouped=age_train_p.groupby(age_cut).count()

age_cut_grouped.plot(kind="bar",color="gray")

plt.xlabel('height')

plt.ylabel('counts(person)')

<matplotlib.text.Text at 0xbbf8c88>

!png

df.iloc[121]

恋爱次数          2
年级           大三
性别            男
追过人数          0
被追人数         10
每周自习时间        0
每周娱乐时间        4
每周睡觉时间       50
每周运动时间        5
每月话费        100
学生组织个数        1
班干部           是
党员            否
足球            否
篮球            否
乒乓球           否
羽毛球           否
跑步            否
台球            否
唱歌            是
主持            是
舞蹈            否
乐器            是
其他才艺          否
家乡        2二线城市
成绩水平         20
生活费_百元      100
寝室同学情况        0
身高          130
体重           30
眼镜         不戴眼镜
颜值           10
Name: 121, dtype: object

按身高分组

grouped11 = df[u'性别'].groupby(df[u'身高'])
grouped11.count()

身高
130     2
150     1
153     1
154     4
155     4
156     9
157     3
158     9
159     3
160    18
161    10
162    11
163    13
164     6
165    12
166     7
167     5
168    24
169     4
170    19
171     4
172    15
173     8
174     6
175    20
176     6
177     6
178     7
179    10
180     9
181    10
182     4
183    11
184     4
185     3
186     1
187     2
189     1
192     1
Name: 性别, dtype: int64

按性别分组，统计不同性别的身高信息，

方法有mean： 平均
max： 最大值
min： 最小
count： 统计个数

grouped11 = df[u'身高'].groupby(df[u'性别'])
grouped11.mean()

性别
女    163.006711
男    175.861111
Name: 身高, dtype: float64

扎心了 老铁