导入需要的库
import numpy as np
import pandas as pd
小练习
xin=pd.read_csv(r'starbucks_store_worldwide.csv',usecols=['Brand','Country','City'])
# 首先选取品牌为星巴克的数据
xin=xin[xin['Brand'].isin(['Starbucks'])]
del xin['Brand']
需求1:分析星巴克在中国分布多还是美国分布多
# 第一种可以用value_counts直接统计
x1=xin['Country'].value_counts()
x1[['US','CN']]
# 第二种用groupby
x2=xin.groupby(by='Country').count()
x2.loc[['US','CN']]
# 结果 US:13311 CN:2734 美国多
需求2:获取中国每个省份的分布数量
# 增加一列全为1的列方便计数
xin['count']=np.ones((xin.shape[0],1))
x3=xin.groupby(by=['Country','City']).count()
x3.loc['CN'].sort_values(by='count',ascending=False)
部分结果如下
练习1
将 学生成绩表 与 选修成绩表 进行水平的拼接
stu=pd.read_excel(r'学生成绩表.xlsx',index_col=0)
xiu=pd.read_excel(r'选修成绩表.xlsx',index_col=0)
# 方法一
pd.merge(stu,xiu,right_index=True,left_index=True)
# 方法二
stu.join(xiu)
# 方法三
pd.concat([stu,xiu],axis=1)
拼接结果如下
练习2
在一张表中直观的了解每一位同学对应的老师
b1=pd.read_excel(r'学生分配表.xlsx')
b2=pd.read_excel(r'老师排班表.xlsx')
# 第一种用merge合并
pd.merge(b1,b2)
# 第二种用map映射
l1=[i for i in b2.班级]
l2=[i for i in b2.老师]
dict={k:v for k,v in zip(l1,l2)}
b1['老师']=b1['班级'].map(dict)
结果如下