df.reset_index()， df.set_index(), pivot_table & groupby再练习

最新推荐文章于 2024-05-31 17:06:04 发布
最新推荐文章于 2024-05-31 17:06:04 发布
阅读量1.4k 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ycyrym/article/details/105245170
版权
本文通过实例介绍了Pandas中df.reset_index()、df.set_index()函数的使用，以及如何结合groupby和pivot_table进行数据聚合和转换。通过reset_index()可将索引转换为列，便于进一步的groupby计算，同时展示了如何删除原有索引和设置新索引。此外，还展示了如何利用pivot_table统计特定指标。
摘要由CSDN通过智能技术生成

df.reset_index( )

由于groupby函数不能对index进行组合，可以reset_index()把index变成columns后在进行groupby的计算：

# 先把MMR 的表格走一个pivot_table:
pivot = pd.pivot_table(mmr, index = ['Sales','strat.business field'],
                       columns = 'Period/year', values = 'Net sales in CHF',
                       aggfunc = np.sum)

把原来的index删除，df.reset_index(inplace = True）

pivot.reset_index(inplace = True)

pivot.columns
Out[22]:
最低0.47元/天 解锁文章
ycyrym
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pandas.DataFrame.reset_index() 重置索引（重置为数字索引） 详解 含代码 含测试数据集 随Pandas版本持续更新
数象限
01-07 5252
本文基于 pandas2.2.0 编写。随着pandas的stable版本更迭，本文持续更新，不断完善补充。
pandas中的reset_index()
happy_wealthy的博客
09-10 536
pandas中的reset_index() 数据清洗时，会将带空值的行删除，此时DataFrame或Series类型的数据不再是连续的索引，可以使用reset_index()重置索引。 import pandas as pd import numpy as np df = pd.DataFrame(np.arange(20).reshape(5,4),index=[1,3,4,6,8]) print(df) 0 1 2 3 1 0 1 2 3 3 4 5 6
df.reset_index( )函数（Pandas库）
Fwuyi的博客
03-21 1万+
df.reset_index( )函数：重置索引直接生成一个新DataFrame或Series df.reset_index(level, drop=False) level： drop：默认为False，即原来的行索引列会作为新的一列。如果drop=True，则原来的行索引列被弃 1 df.reset_index(drop=False)：将原来的行索引列作为新的一列，生成一个新df import pandas as pd df =pd.DataFrame({'a':[0,1,2],'b':[
python 的df index
最新发布
changzi990的博客
05-31 506
在Python中，我们通常使用Pandas库来处理和分析数据。Pandas提供了一个叫做DataFrame的数据结构，它类似于 Excel 中的数据表格，可以用于存储和处理结构化数据。在DataFrame中，每一行都有一个唯一的索引，用于标识该行的位置。本文将介绍如何使用Python中的Pandas库的df.index方法来获取DataFrame的索引。
reset_index(drop=True)
qq_63265183的博客
12-22 5425
a
Python函数：reset_index()
Ajdidfj的博客
02-21 2万+
reset_index()函数理解
# 按照 category1 和 category2 分组，并统计个数 counts = data.groupby(['职业', '睡眠障碍']).size().reset_index(name='count') # 按照 category1 分组，统计总数 total_counts = counts.groupby(['职业']).agg({'count': 'sum'}).reset_index() # 合并两个数据框，计算百分比 merged_counts = pd.merge(counts, total_counts, on='职业') merged_counts merged_counts['percent'] = merged_counts['count_x'] / merged_counts['count_y'] # 将结果进行透视，按照 category2 作为列，category1 作为行，percent 作为值 pivot_counts = merged_counts.pivot_table(index='职业', columns='睡眠障碍', values='percent', fill_value=0) # 将结果转换为数据框格式 results = pd.DataFrame(pivot_counts.to_records()) results numeric_cols = results.select_dtypes(include=['float', 'int']).columns.tolist() results[numeric_cols] = results[numeric_cols].apply(lambda x: x.map(lambda y: '{:.2f}%'.format(y * 100))) results将结果转变为以职业为索引的一个列表
05-30
counts = df.groupby(['职业', '睡眠障碍']).size().reset_index(name='count') # 计算总数和百分比 total_counts = counts.groupby(['职业']).agg({'count': 'sum'}).reset_index() merged_counts = pd.merge...
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'Fangsong' # 指定使用宋体字体 fig=plt.figure(figsize=(40,50), dpi=300) ax1=fig.add_subplot(131) ax2=fig.add_subplot(132) ax3=fig.add_subplot(133) # 读取数据 df = pd.read_excel("test_Fd.xlsx") # 按照 FactoryName 和 JiJXH 进行分组，计算售价最高值和最低值 grouped = df.groupby("FenDMC")['avg_sale'].agg(['min', 'max']).reset_index() grouped = grouped.rename(columns={'min': 'min_sale', 'max': 'max_sale'}) # 将售价最高值和最低值合并到原表中 df = pd.merge(df, grouped, on=["FenDMC"]) # 绘制热力图，并设置颜色取值范围 sns.set_context(font_scale=1.5) sns.heatmap(df.pivot_table(index=["FactoryName","JiJXH"], columns=["shi"], values="avg_sale"), cmap='YlGnBu', annot=True, fmt='.2f', cbar_kws={'label': '单台售价','shrink':0.8,'aspect':40}, vmin=grouped['min_sale'].min(), vmax=grouped['max_sale'].max()) plt.xlabel(None) plt.ylabel(None) plt.title('''200马力及以上四轮驱动拖拉机 各生产企业各型号在不同市单台平均售价''', fontsize=20) # 调整边距，使图像居中 plt.tight_layout() # 保存图像 plt.savefig('heatmap.png') plt.show()如何把不同FenDMC，按照FactoryName,jiJXH按照avg_sale绘制到不同子图
05-31
grouped = group.groupby(["FactoryName", "JiJXH"])['avg_sale'].mean().reset_index() # 在对应的子图中绘制热力图 row = idx // 3 col = idx % 3 ax = axes[row, col] sns.heatmap(grouped.pivot_table...
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 读取数据 df = pd.read_excel("200马力及以上四轮驱动拖拉机.xlsx") # 按照 FactoryName 和 JiJXH 进行分组，计算售价最高值和最低值 grouped = df.groupby(["FactoryName","JiJXH"])['avg_sale'].agg(['min', 'max']).reset_index() grouped = grouped.rename(columns={'min': 'min_sale', 'max': 'max_sale'}) # 将售价最高值和最低值合并到原表中 df = pd.merge(df, grouped, on=["FactoryName","JiJXH"]) # 绘制热力图，并设置颜色取值范围 sns.set_context(font_scale=1.5) plt.figure(figsize=(12,30)) sns.heatmap(df.pivot_table(index=["FactoryName","JiJXH"], columns=["shi"], values="avg_sale"), cmap='YlGnBu', annot=True, fmt='.2f', cbar_kws={'label': '单台售价','shrink':0.8,'aspect':40}, vmin=grouped['min_sale'].min(), vmax=grouped['max_sale'].max()) plt.title('''200马力及以上四轮驱动拖拉机 各生产企业各型号在不同市单台平均售价''') plt.show()如何设置标签字体为仿宋
05-30
grouped = df.groupby(["FactoryName","JiJXH"])['avg_sale'].agg(['min', 'max']).reset_index() grouped = grouped.rename(columns={'min': 'min_sale', 'max': 'max_sale'}) # 将售价最高值和最低值合并到原表中...
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'Fangsong' # 指定使用宋体字体 # 读取数据 df = pd.read_excel("200马力及以上四轮驱动拖拉机.xlsx") # 按照 FactoryName 和 JiJXH 进行分组，计算售价最高值和最低值 grouped = df.groupby(["FactoryName","JiJXH"])['avg_sale'].agg(['min', 'max']).reset_index() grouped = grouped.rename(columns={'min': 'min_sale', 'max': 'max_sale'}) # 将售价最高值和最低值合并到原表中 df = pd.merge(df, grouped, on=["FactoryName","JiJXH"]) # 绘制热力图，并设置颜色取值范围 sns.set_context(font_scale=1.5) plt.figure(figsize=(20,80)) sns.heatmap(df.pivot_table(index=["FactoryName","JiJXH"], columns=["shi"], values="avg_sale"), cmap='YlGnBu', annot=True, fmt='.2f', cbar_kws={'label': '单台售价','shrink':0.8,'aspect':40}, vmin=grouped['min_sale'].min(), vmax=grouped['max_sale'].max()) plt.xlabel(None) plt.ylabel(None) plt.title('''200马力及以上四轮驱动拖拉机 各生产企业各型号在不同市单台平均售价''', fontsize=20) plt.show()怎么设置分辨率
05-30
grouped = df.groupby(["FactoryName","JiJXH"])['avg_sale'].agg(['min', 'max']).reset_index() grouped = grouped.rename(columns={'min': 'min_sale', 'max': 'max_sale'}) # 将售价最高值和最低值合并到原表中...
【pandas】reset_index函数详解
热门推荐
weixin_43298886的博客
08-19 4万+
参数 drop: 重新设置索引后是否将原索引作为新的一列并入DataFrame，默认为False inplace: 是否在原DataFrame上改动，默认为False level: 仅从索引中删除给定级别，默认删除所有级别 col_level: 如果列有多个级别，决定标签将插入哪个级别，默认插入第一级 col_fill: 如果列有多个级别，决定其他级别如何命名 示例 import pandas as pd import numpy as np df = pd.DataFrame([('bird', 3
groupby()函数和reset_index()
fly_Xiaoma的博客
07-18 8085
pandas中的groupby()函数：选择某一列进行分组。(加上size()函数---统计本列中的元素出现频次) reset_index()：重新分配索引 如： import pandas as pd df = pd.DataFrame({'key1':list('aabba'), 'key2': ['one','two','one','two','on...
（Python）Pandas reset_index()用法总结
biggolden1的博客
10-19 5639
函数主要有以下几个参数：reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill='')可以是int, str, tuple, or list, default None等类型。版权声明：本文为CSDN博主「小小谢先生」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。如果列有多个级别，则确定将标签插入到哪个级别。具有新索引的数据帧，如果inplace=True，则无索引。
pandas中reset_index()函数的参数及使用
lx104921的博客
12-13 1007
默认为False。如果为True，则修改原始DataFrame，而不是返回一个新的DataFrame。：用于指定新的索引列的名称。如果提供了多个级别的新名称，可以传递一个元组，每个级别对应一个名称。如果为True，则删除索引列，而不是将其作为数据列添加到DataFrame中。：要重置的层级（可以是索引的名称、索引的位置或索引的列表）。默认情况下，将重置所有层级的索引。默认drop=False，将Name重新还原为了普通列。：指定要用作列级别的级别的名称或级别编号。：如果指定，用于替换丢失的列级别的值。
pandas——reset_index()使用场景及用法
norah17的博客
07-24 835
pandas基础知识
pandas：reset_index及set_index的解释
Flag_ing的博客
06-27 1696
1、pandas.DataFrame.reset_index 函数原型： DataFrame.reset_index(self, level = None, drop = False, inplace = False, col_level = 0, col_fill = '') 作用： 官方解释：重置索引(index)或索引的一个级别(level)。重置DataFrame的索引，并使用默认索引。如果DataFrame有一个多索引，此方法可以删除一个或多个级别。—— 看完有点懵是吧。。。。。。我
pandas功能使用rename, reindex, set_index 详解
onemorepoint的博客
02-23 8452
pandas功能使用rename, reindex, set_index 详解 pandas rename 功能 在使用 pandas 的过程中经常会用到修改列名称的问题，会用到 rename 或者 reindex 等功能，每次都需要去查文档 当然经常也可以使用 df.columns重新赋值为某个列表 用 rename 则可以轻松应对 pandas 中修改...
Pandas 重置索引深度总结
AI科技大本营
06-01 8446
作者 | 周萝卜来源 | 萝卜大杂烩今天我们来讨论 Pandas 中的 reset_index() 方法，包括为什么我们需要在 Pandas 中重置 DataFrame 的索引，以及我们应该如何应用该方法~在本文我们将使用 Kaggle 上的数据集样本 Animal Shelter Analytics 来作为我们的测试数据Pandas 中的 Reset_Index() 是...
df.set_index
05-09
`df.set_index()` 是 pandas 库中的一个函数，用于将 DataFrame 中的一列或多列设置为索引（index）。具体使用方式如下： ```python df.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) ``` 其中，参数解释如下： - `keys`: 设置为索引的列名或列名列表。 - `drop`: 是否在 DataFrame 中删除这些列，默认为 True。 - `append`: 是否将这些列追加到现有索引中，默认为 False。 - `inplace`: 是否在原 DataFrame 上进行修改，默认为 False。 - `verify_integrity`: 是否检查新索引的唯一性，默认为 False。 例如，将 DataFrame 中 "column_name" 列设置为索引： ```python df.set_index("column_name") ``` 如果要设置多列为索引，可以传入列名列表： ```python df.set_index(["column1", "column2"]) ``` 如果要在原 DataFrame 上进行修改，可以将 inplace 设置为 True： ```python df.set_index("column_name", inplace=True) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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