python pandas 两行或多行合并相加,并删除原有行

下面的方法方法一,方法二、三经修改都已经能正确处理。

import pandas as pd
chengji = ([[100, 95, 100, 99], [90, 98, 99, 100], [88, 95, 98, 88],
            [99, 98, 97, 87], [96.5, 90, 96, 85], [94, 94, 93, 91],
            [91, 99, 92, 87], [85, 88, 85, 90], [90, 92, 99, 88],
            [90, 88, 89, 81], [85, 89, 89, 82], [95, 87, 86, 88],
            [90, 97, 97, 98], [80, 92, 89, 98], [80, 98, 85, 81],
            [98, 88, 95, 92]])
data = pd.DataFrame(chengji, columns=['语文', '英语', '数学', '政治'])
print(data)
# data1=data[['数学','语文','英语','政治']]                               #排序
# data1=data1.reset_index(drop=True)                    #序列重建
# data1.index.names=['序号']                                 #序列重命名
data['name']=data.index.map(lambda x:"wang"+str(x) )
print(data)

data2=data.copy()
hebing=['hb']
hebingh=['wang1','wang2','wang3','wang7']
data.loc['hebing']=data.loc[data['name'].isin(hebingh)].sum()
data1=data[~data['name'].isin(hebingh)].copy()  #如不用copy,则下面.loc有警告
print('方法一正确',data1)
data1.loc['hebing','name']=hebing[0]
print('改合并名字',data1)

# data.drop(data[data['name'].isin(hebingh)].index,inplace=True)
data.drop(data['name'].isin(hebingh),inplace=True)
# print(data)
data3=data2.copy()
# print(data.loc[data['name'].isin(hebingh)].sum(axis=0))
data3=data3.append(data.loc[data['name'].isin(hebingh)].sum(axis=0),ignore_index=True)
data3=data3[~data3['name'].isin(hebingh)]
data3.loc[data3.index[-1],'name']=hebing[0]		#取得最后一个index并改名
print('方法二试成功',data3)


heji=['hb', ['wang1','wang2','wang3','wang7']]
print('方法三成功') 
# data2.loc[heji[0]] = (data2[data2['p'] == heji[1][0]].values + data2[data2['p'] == heji[1][1]].values)[0]
# data2.drop(data2['p'].isin(heji[1]), inplace=True)
data2.loc[heji[0]] = (data2[data2['name'] == heji[1][0]].values + data2[data2['name'] == heji[1][1]].values+ data2[data2['name'] == heji[1][2]].values)[0]
# data2.drop(data2['p'].isin(heji[1]), inplace=True)data2.append(data2.loc[data2['p'].isin(heji[1])].sum(axis=0),ignore_index=True)
# print(data2,heji[1])
# print(data2['name'].isin(heji[1]))	
# data2=data2[~data2['name'].isin(heji[1])]		#和下句都可以用
data2.drop(data2[data2['name'].isin(heji[1])].index,inplace=True)  
print(data2)

运行初始数据和结果如下:

***Repl Closed***
       语文  英语   数学   政治
0   100.0  95  100   99
1    90.0  98   99  100
2    88.0  95   98   88
3    99.0  98   97   87
4    96.5  90   96   85
5    94.0  94   93   91
6    91.0  99   92   87
7    85.0  88   85   90
8    90.0  92   99   88
9    90.0  88   89   81
10   85.0  89   89   82
11   95.0  87   86   88
12   90.0  97   97   98
13   80.0  92   89   98
14   80.0  98   85   81
15   98.0  88   95   92
       语文  英语   数学   政治    name
0   100.0  95  100   99   wang0
1    90.0  98   99  100   wang1
2    88.0  95   98   88   wang2
3    99.0  98   97   87   wang3
4    96.5  90   96   85   wang4
5    94.0  94   93   91   wang5
6    91.0  99   92   87   wang6
7    85.0  88   85   90   wang7
8    90.0  92   99   88   wang8
9    90.0  88   89   81   wang9
10   85.0  89   89   82  wang10
11   95.0  87   86   88  wang11
12   90.0  97   97   98  wang12
13   80.0  92   89   98  wang13
14   80.0  98   85   81  wang14
15   98.0  88   95   92  wang15
方法一正确            语文   英语   数学   政治                  name
0       100.0   95  100   99                 wang0
4        96.5   90   96   85                 wang4
5        94.0   94   93   91                 wang5
6        91.0   99   92   87                 wang6
8        90.0   92   99   88                 wang8
9        90.0   88   89   81                 wang9
10       85.0   89   89   82                wang10
11       95.0   87   86   88                wang11
12       90.0   97   97   98                wang12
13       80.0   92   89   98                wang13
14       80.0   98   85   81                wang14
15       98.0   88   95   92                wang15
hebing  362.0  379  379  365  wang1wang2wang3wang7
改合并名字            语文   英语   数学   政治    name
0       100.0   95  100   99   wang0
4        96.5   90   96   85   wang4
5        94.0   94   93   91   wang5
6        91.0   99   92   87   wang6
8        90.0   92   99   88   wang8
9        90.0   88   89   81   wang9
10       85.0   89   89   82  wang10
11       95.0   87   86   88  wang11
12       90.0   97   97   98  wang12
13       80.0   92   89   98  wang13
14       80.0   98   85   81  wang14
15       98.0   88   95   92  wang15
hebing  362.0  379  379  365      hb
方法二试成功        语文   英语   数学   政治    name
0   100.0   95  100   99   wang0
4    96.5   90   96   85   wang4
5    94.0   94   93   91   wang5
6    91.0   99   92   87   wang6
8    90.0   92   99   88   wang8
9    90.0   88   89   81   wang9
10   85.0   89   89   82  wang10
11   95.0   87   86   88  wang11
12   90.0   97   97   98  wang12
13   80.0   92   89   98  wang13
14   80.0   98   85   81  wang14
15   98.0   88   95   92  wang15
16  272.0  281  280  265      hb
方法三成功
       语文   英语   数学   政治             name
0   100.0   95  100   99            wang0
4    96.5   90   96   85            wang4
5    94.0   94   93   91            wang5
6    91.0   99   92   87            wang6
8    90.0   92   99   88            wang8
9    90.0   88   89   81            wang9
10   85.0   89   89   82           wang10
11   95.0   87   86   88           wang11
12   90.0   97   97   98           wang12
13   80.0   92   89   98           wang13
14   80.0   98   85   81           wang14
15   98.0   88   95   92           wang15
hb  277.0  291  294  275  wang1wang2wang3

  • 5
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进疾病诊断,或者利用机器学习算法分析基因数据进疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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