100个pandas函数实例详解（三）

Hi，我是山月。

之前给大家分享了函数实例详解的第二篇文章，主要讲解了var()、std()、quantile()、cov()、corr()、skew()、kurt()、mode()函数。

今天来给大家分享下面三个函数：

describe()	描述性统计（一次性返回多个统计结果）
groupby()	分组
aggregate()	聚合运算（可以自定义统计函数）

用到的数据如下：

1、describe()

生成描述性统计数据。

描述性统计包括那些总结数据集分布的集中趋势、离散度和形状的统计数据，不包括 NaN 值。

describe(percentiles=None, include=None, exclude=None, datetime_is_numeric=False)


参数：

percentiles：可选。是一个列表，列表的元素值是介于 0 和 1 之间的百分位数。默认值为 [.25, .5, .75]，意思是返回第 25、第 50 和第 75 个百分位数。


include：可选。选项有：‘all’、类似 dtypes 的列表、None（默认）。
all：输入的所有列都将包含在输出中。
类似 dtypes 的列表 ：将结果限制为提供的数据类型。要限制为数字类型，可以提交 numpy.number；要限制为对象列，可以提交数据类型 numpy.object；字符串也可以以 select_dtypes 的样式使用（例如 df.describe(exclude=['O'])）；要限制为 pandas 分类列，可以使用“category”。
None（默认）：结果将包括所有数字列。


exclude：可选。选项有：类似 dtypes 的列表、None（默认）。
类似 dtypes 的列表 ：从结果中排除提供的数据类型。要排除数字类型，可以提交 numpy.number。要排除对象列，可以提交数据类型 numpy.object。字符串也可以以 select_dtypes 的样式使用（例如 df.describe(exclude=['O'])）。要排除 pandas 分类列，可以使用“category”。
None（默认）：结果将不排除任何内容。


datetime_is_numeric：布尔值，默认为 False。
是否将 datetime dtypes 视为数字。这会影响为列计算的统计信息。对于 DataFrame 输入，这还控制默认情况下是否包含日期时间列

示例：

import pandas as pd
import numpy as np

scores = pd.read_excel("学生成绩.xlsx", sheet_name="Sheet1")    # 读取表格数据

default_describe = scores.describe()    # 默认条件的描述性统计数据
print(default_describe)
print('---')

describe_1 = scores.describe(include="all")    # include选项为all
print(describe_1)
print('---')

describe_2 = scores.describe(include=[np.number])    # include选项为类似 dtypes 的列表，限制为统计数字类型
print(describe_2)
print('---')

describe_3 = scores.describe(include=[object])     # include选项为类似 dtypes 的列表，限制为统计对象列
print(describe_3)
print('---')

describe_4 = scores.describe(exclude=[np.number])    # exclude选项为类似 dtypes 的列表，排除统计数字类型
print(describe_4)

'''
               语文         数学         英语          总分
count   40.000000  40.000000  40.000000   40.000000        
mean    79.400000  74.525000  70.125000  224.050000        
std     11.531006  16.624029  14.176882   19.603702        
min     57.000000  51.000000  50.000000  189.000000        
25%     72.000000  57.000000  60.000000  211.000000        
50%     79.000000  75.500000  65.000000  226.500000
75%     88.250000  90.000000  81.500000  238.000000
max    100.000000  99.000000  99.000000  276.000000
---
         姓名          语文         数学         英语          总分
count    40   40.000000  40.000000  40.000000   40.000000
unique   38         NaN        NaN        NaN         NaN
top      贾敏         NaN        NaN        NaN         NaN
freq      2         NaN        NaN        NaN         NaN
mean    NaN   79.400000  74.525000  70.125000  224.050000
std     NaN   11.531006  16.624029  14.176882   19.603702
min     NaN   57.000000  51.000000  50.000000  189.000000
25%     NaN   72.000000  57.000000  60.000000  211.000000
50%     NaN   79.000000  75.500000  65.000000  226.500000
75%     NaN   88.250000  90.000000  81.500000  238.000000
max     NaN  100.000000  99.000000  99.000000  276.000000
---
               语文         数学         英语          总分
count   40.000000  40.000000  40.000000   40.000000
mean    79.400000  74.525000  70.125000  224.050000
std     11.531006  16.624029  14.176882   19.603702
min     57.000000  51.000000  50.000000  189.000000
25%     72.000000  57.000000  60.000000  211.000000
50%     79.000000  75.500000  65.000000  226.500000
75%     88.250000  90.000000  81.500000  238.000000
max    100.000000  99.000000  99.000000  276.000000
---
        姓名
count   40
unique  38
top     贾敏
freq     2
---
        姓名
count   40
unique  38
top     贾敏
freq     2
''

2、groupby()

使用映射器或通过一系列的列对DataFrame进行分组。

groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=NoDefault.no_default, observed=False, dropna=True)

参数：

by：映射、函数、标签或标签列表
用于确定 groupby 的组。如果 by 是一个函数，它会在对象索引的每个值上调用。如果传递了 dict 或 Series，则 Series 或 dict VALUES 将用于确定组（Series 的值首先对齐；参见 .align() 方法）。如果传递了长度等于所选轴的列表或 ndarray，则按原样使用这些值来确定组。一个标签或标签列表可以通过 self 中的列传递给 group。请注意，元组被解释为（单个）键。

axis：可选项：0/'index'、 1/'columns'，默认0
沿行 (0) 或列 (1) 拆分。

level：可选项：整数、 级别名称或其序列、 None（默认）
如果轴是多索引（层次），则按特定级别分组。

as_index：布尔值，默认为 True
对于聚合输出，返回以组标签为索引的对象。仅与 DataFrame 输入相关。as_index=False 实际上是“SQL 风格”的分组输出。

sort：布尔值，默认为 True
对组键进行排序。关闭此功能可获得更好的性能。请注意，这不会影响每组内的观察顺序。Groupby 保留每个组内的行顺序。

group_keys：布尔值，默认为 True
调用apply时，将组键添加到索引以识别片段。

squeeze：布尔值，默认为 False
尽可能减少返回类型的维数，否则返回一致的类型。

observed：布尔值，默认为 False
如果为True：仅显示分类Grouper的观察值。如果为False：显示分类分组的所有值。

dropna：布尔值，默认为 True。
如果为True，并且组键包含NA值，则将删除NA值以及行/列。如果为False，NA值也将被视为组中的键

示例：

import pandas as pd

scores = pd.read_excel("学生成绩.xlsx", sheet_name="Sheet1")    # 读取表格数据
scores_15 = scores.head(15)

chinese_groupby = scores_15.groupby(by=['语文'])
print(chinese_groupby)
print('---')
print(chinese_groupby.size())   # 计数

'''
<pandas.core.groupby.generic.DataFrameGroupBy object at 0x0000021F90BA23C8>
---
语文
64    2
69    1
73    3
76    1
77    2
78    1
81    2
85    1
90    1
91    1
dtype: int64

我们可以看到前15个学生里，64分的有两个：小红和凤姐，所以64的计数为2。但语文为69的只有一个，所以为1。

当然，这只是groupby最简单的一个示例。更复杂的比如和agg结合的这里我们就先不说了，以后可以在实例中给大家演示。

3、aggregate()

在一个或多个列上应用某些聚合运算，常见的聚合运算有：sum（求和）、max（最大值）、min（最小值）。

aggregate(func=None, axis=0, *args, **kwargs)

参数：

func：函数、字符串、列表或字典
用于聚合数据的函数。如果是函数，则必须在传递 DataFrame 或传递给 DataFrame.apply 时工作。
接受的组合是：函数；字符串函数名；函数和/或函数名称列表，例如 [np.sum, 'mean']；轴标签的字典 -> 函数、函数名称或此类列表。

axis：0/'index'、 1/'columns'，默认0
如果为 0 或“index”：将函数应用于每一列。如果为 1 或“columns”：将函数应用于每一行。

*args
要传递给 func 的位置参数。

**kwargs
要传递给 func 的关键字参数

示例：

import pandas as pd

scores = pd.read_excel("学生成绩.xlsx", sheet_name="Sheet1")    # 读取表格数据

agg_scores = scores.agg({'语文' : ['max', 'min'], '数学' : ['max', 'min'], '英语' : ['max', 'min'], '总分' : ['max', 'min']})
print(agg_scores)

'''
      语文  数学  英语   总分
max  100  99  99  276        
min   57  51  50  189  
'''

我们在第一篇介绍min、max函数的用法时，就计算了三科的最大最小值：

只是那是一个一个的来计算的，比较繁冗，不过通过agg函数，就简洁多了。

好啦，今天的三个函数就介绍到这里。

--- End ---