[黑马程序员Pandas教程]——Pandas常用计算函数

最新推荐文章于 2024-06-11 20:38:14 发布

阿瞒有我良计15

最新推荐文章于 2024-06-11 20:38:14 发布

阅读量405

点赞数 1

分类专栏： # Python 文章标签： pandas

本文链接：https://blog.csdn.net/qq_56444564/article/details/134274158

版权

Python 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

目录：

学习目标
排序函数
1. sort_values函数
2. rank函数
常用聚合函数
1. corr函数计算数值列之间的相关性
2. min函数计算最小值
3. max函数计算最大值
4. mean函数计算平均值
5. std函数计算标准偏差
6. quantile函数计算分位数
7. sum函数求和
8. count计算非空数据的个数
其他常用计算函数
1. round改变浮点数的位数
2. value_counts计算重复数据出现的次数
总结
项目地址

1.学习目标

知道排序函数sort_values和rank二者的区别和用法
知道Pandas中求和、计数、相关性值、最小、最大、平均数、标准偏差、分位数的函数使用
知道round、value_counts函数的作用

2.排序函数

sort_values 按指定列值排序
rank 返回列值的排序评分

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 为了演示效果random_state随机种子编号为16
df2 = df.sample(n=10, random_state=16)
print(df2)

sort_values函数

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 为了演示效果random_state随机种子编号为16
df2 = df.sample(n=10, random_state=16)

# 按GDP列的数值由小到大进行排序
df3 = df2.sort_values(['GDP'])
print(df3)

# 按GDP列的数值由大到小进行排序
# 倒序， ascending默认为True
df4 = df2.sort_values(['GDP'], ascending=False)
print(df4)

# 先对year年份进行由小到大排序，再对GDP由小到大排序
df5 = df2.sort_values(['year', 'GDP'])
print(df5)

df6 = df2['GDP'].sort_values()
print(df6)

# 由大到小 倒序
df7 = df2['GDP'].sort_values(ascending=False)
print(df7)

rank函数

rank函数用法：DataFrame.rank() 或 Series.rank()
rank函数返回值：以Series或者DataFrame的类型返回数据的排名（哪个类型调用返回哪个类型）
rank函数包含有6个参数：
- axis：设置沿着哪个轴计算排名（0或者1)，默认为0按纵轴计算排名
- numeric_only：是否仅仅计算数字型的columns，默认为False
- na_option：NaN值是否参与排序及如何排序，固定参数：keep，top，bottom
  - keep: NaN值保留原有位置
  - top: NaN值全部放在前边
  - bottom: NaN值全部放在最后
- ascending：设定升序排还是降序排，默认True升序
- pct：是否以排名的百分比显示排名（所有排名与最大排名的百分比），默认False
- method：排名评分的计算方式，固定值参数，常用固定值如下：
  - average : 默认值，排名评分不连续；数值相同的评分一致，都为平均值
  - min : 排名评分不连续；数值相同的评分一致，都为最小值
  - max : 排名评分不连续；数值相同的评分一致，都为最大值
  - dense : 排名评分是连续的；数值相同的评分一致

df.rank(ascending=False) 返回原df对应的评分df，评分默认由小到大，且存在相同评分

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 为了演示效果random_state随机种子编号为16
df2 = df.sample(n=10, random_state=16)

print(df2)

df3 = df2.rank()
print(df3)

df4 = df2.rank(axis=0)
print(df4)

# 只对数值类型的列进行统计
df5 = df2.rank(numeric_only=True)
print(df5)

# 降序
df6 = df2.rank(ascending=False)
print(df6)

# 以最高分作为1，放回百分数形式的评分，pct参数默认为False
df7 = df2.rank(pct=True)
print(df7)

method参数的用法

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 为了演示效果random_state随机种子编号为16
df2 = df.sample(n=10, random_state=16)

print(df2)

df3 = df2.rank(method='average')
print(df3)

df4 = df2.rank(method='min')
print(df4)

df5 = df2.rank(method='max')
print(df5)

df6 = df2.rank(method='dense')
print(df6)

s.rank()的用法和df.rank()用法一致，只是返回Series对象

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 为了演示效果random_state随机种子编号为16
df2 = df.sample(n=10, random_state=16)

print(df2)

df3 = df2['year']
print(type(df3))

df4 = df2['year'].rank()
print(df4)

df5 = df2['year'].rank(axis=0)
print(df5)

df6 = df2['year'].rank(numeric_only=True)  # 只对数值类型的列进行统计
print(df6)

df7 = df2['year'].rank(ascending=False)  # 降序
print(df7)

df8 = df2['year'].rank(pct=True)  # 以最高分作为1，放回百分数形式的评分，pct参数默认为False
print(df8)

# method参数
df9 = df2['year'].rank(method='average')
print(df9)

df10 = df2['year'].rank(method='min')
print(df10)

df11 = df2['year'].rank(method='max')
print(df11)

df12 = df2['year'].rank(method='dense')
print(df12)

3.常用聚合函数

常用聚合函数有：

corr 相关性
min 最小值
max 最大值
mean 平均值
std 标准偏差
quantile 分位数

corr函数计算数值列之间的相关性

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 获取全部中国的数据，1960-2019中国的GDP
df3 = df.query('country=="中国"')
print(df3)

# 用drop方法移除'country'列
df4 = df3.drop(columns='country')
print(df4)

# 计算相关性
df5 = df4.corr()
print(df5)

# 构造2020-2019年份列表
year_list_str = [year for year in range(2000, 2020)]
# 拼接query查询参数字符串
query_str = 'year in {}'.format(year_list_str)
# 查询返回2020-2019年中国的GDP数据集
df6 = df4.query(query_str)

df7 = df6.head()
print(df7)

# 计算相关性
df8 = df6.corr()
print(df8)

返回结果依次如下 ：

相关性得分为1的表示100%相关，越接近1说明相关性越高；year列越大，GDP越大，这是正相关
1960年-2019年，随着年份的增长，中国GDP整体基本呈现正增长趋势，year列和GDP列的相关性为0.766
2000年-2019年，随着年份的增长，中国GDP整体完全呈现正增长趋势，year列和GDP列的相关性为0.983，非常高的正相关性

再来看一个高度负相关的例子

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 构造2001-2023年份列表
year_list_str = [year for year in range(2001, 2004)]
# 拼接query查询参数字符串
query_str = 'country=="{}" and year in {}'.format('委内瑞拉', year_list_str)
df4 = df.query(query_str)
# 委内瑞拉2001-2003三年GDP数据
print(df4)

# 计算相关性
df5 = df4.drop(columns='country')
df6 = df5.corr()
print(df6)

返回结果依次如下 ：

委内瑞拉2001-2003连续三年GDP萎缩（注意不是负增长），年份和GDP呈现高度的负相关，相关计算结果为负0.956——year越大，GDP越小

min函数计算最小值

df.min()会返回df中每一列的最小值构成的Series

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df3 = df2.min()
print(df3)

series.min()返回s对象中的最小值

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df3 = df2['year'].min()
print(df3)

max函数计算最大值

max函数计算最大值，用法和min函数的用法一致

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df3 = df2.max()
print(df3)

df4 = df2['year'].max()
print(df4)

mean函数计算平均值

mean函数计算平均值，用法和min函数的用法一致，但只会对数值类型的数据进行计算

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df2 = df2.drop(columns='country')
print(df2)

df3 = df2.mean()
print(df3)

df4 = df2['year'].mean()
print(df4)

df5 = df2['GDP'].mean()
print(df5)

std函数计算标准偏差

标准偏差：用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df2 = df2.drop(columns='country')
print(df2)

df3 = df2.std()
print(df3)

df4 = df2['GDP'].std()
print(df4)

quantile函数计算分位数

分位数（Quantile），亦称分位点，常用的有中位数（即二分位数）、四分位数、百分位数等；那什么是分位数呢？我们以中位数为例：通过把一堆数字按大小排序后找出正中间的一个数字作为中位数，如果这一堆数字有偶数个，则中位数不唯一，通常取最中间的两个数值的平均数作为中位数，即二分位数。
quantile函数默认返回二分位数；可以通过传入参数来控制返回的四分位数，或其他分位数

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df2 = df2.drop(columns='country')
print(df2)

# 50%分位数
df3 = df2.quantile()
print(df3)

df4 = df2['year'].quantile()
print(df4)

# 返回四分位数
df5 = df2.quantile([0.25, 0.5, 0.75])
print(df5)

df6 = df2['year'].quantile([0.25, 0.5, 0.75])
print(df6)

# 返回三分位数
df7 = df2.quantile([1 / 3, 2 / 3])
print(df7)

df8 = df2['year'].quantile([1 / 3, 2 / 3])
print(df8)

sum函数求和

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

df2 = df.sample(n=10, random_state=16)
print(df2)

df2 = df2.drop(columns='country')
print(df2)

df3 = df2.sum()
print(df3)

df4 = df2['year'].sum()
print(df4)

count计算非空数据的个数

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 构造带空值的数据集
df6 = df.tail()
print(df6)

df6.loc[9929, 'GDP'] = None
print(df6)

print(df6.count())
print(df6['GDP'].count())

4.其他常用计算函数

df['列'].value_counts() 计算累计次数
小数类型控制位数 df['列'].round(2)

round改变浮点数的位数

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 构造数据集
df7 = df.query('country=="中国" & year in [2016, 2017, 2018, 2019]').copy()
df7['GDP万亿元'] = df7['GDP'] / 1000000000000
print(df7)

# 改变df或series中浮点数的小数位数
print(df7.round(2))
print(df7['GDP万亿元'].round(3))

value_counts计算重复数据出现的次数

import pandas as pd

# 加载csv数据，指定gbk编码格式来读取文件，返回df
df = pd.read_csv('../datas/data_set/1960-2019全球GDP数据.csv', encoding='gbk')

# 构造数据集
df7 = df.query('country=="中国" & year in [2016, 2017, 2018, 2019]').copy()
df7['GDP万亿元'] = df7['GDP'] / 1000000000000
print(df7)

print(df7.value_counts())
print(df7['country'].value_counts())

5.总结

排序
- sort_values函数按值排序
- rank函数返回安置排序的序号
聚合函数
- df.corr函数相关性计算
- min函数计算最小值
- max函数计算最大值
- mean函数计算平均值
- std函数计算标准偏差
- quantile函数计算分位数
- sum函数计算所有数值的和
- count函数计算非空数据的个数
其他计算函数
- round(n)函数改变浮点数的小数位数为n
- value_counts函数计算不同的数据出现的次数